Comment utiliser l'apprentissage automatique pour effectuer une maintenance prédictive

Dans tous les secteurs, les entreprises s’appuient traditionnellement sur une maintenance planifiée. Examiner les entrailles des machines à intervalles réguliers permet de les maintenir en fonctionnement. Mais est-ce vraiment le moyen le plus rentable de réduire les temps d’arrêt indésirables ? Pas vraiment. De nombreuses études indiquent que seulement 20 % des pannes d’équipement sont liées à l’âge, tandis que 80 % surviennent de manière aléatoire.

Alors que les entreprises de tous les secteurs s’orientent vers tout ce qui repose sur l’intelligence artificielle (IA), la maintenance prédictive basée sur l’apprentissage automatique (ML) est devenue sous le feu des projecteurs.

Anticiper les problèmes d'équipement avant qu'ils ne surviennent et effectuer la maintenance exactement au moment où cela est nécessaire promet des économies de coûts et une productivité améliorée. En fait, 90 % des fabricants qui ont adopté la maintenance prédictive basée sur le ML ont réussi à réduire leur temps de réparation et les temps d'arrêt imprévus, selon une étude menée par CXP Group.

Dans cet article de blog, nous partageons notre expérience en matière de conseil en logiciels d'IA, explorons le fonctionnement interne des systèmes de maintenance prédictive, partageons des histoires de réussite qui vous inspireront et abordons les défis liés à l'adoption de solutions de maintenance prédictive basées sur l'IA.

Qu’est-ce que la maintenance prédictive ?

La maintenance prédictive est une approche proactive de la maintenance des équipements qui utilise le ML pour prévoir les pannes potentielles. Cela permet d’éviter des temps d’arrêt coûteux. Pensez-y comme si votre équipement parlait, vous indiquant exactement quand il a besoin d'attention, juste avant que quelque chose ne se passe mal.

Un système de maintenance prédictive fonctionne comme une équipe d’inspecteurs surveillant votre équipement 24h/24 et 7j/7, collectant et traitant d’énormes volumes de données en temps réel. Ces « inspecteurs » peuvent détecter les plus petites anomalies et schémas qui échappent à l’œil humain, vous avertissant des pannes potentielles avant qu’elles ne deviennent des casse-tête majeurs.

Jetons un coup d'œil à un exemple pour voir comment le concept fonctionne dans la pratique. Imaginez une usine de fabrication qui s’appuie sur une flotte de robots industriels pour maintenir ses opérations. Traditionnellement, la maintenance de ces robots est programmée à intervalles fixes ou, pire encore, lorsqu'une panne survient, entraînant des temps d'arrêt et des pertes financières.

Avec la maintenance prédictive ML, les équipements sont surveillés en permanence à l’aide de capteurs stratégiquement intégrés dans les machines. Les données collectées peuvent couvrir la température, les vibrations, la consommation d’énergie et d’autres mesures.

Toutes ces données sont ensuite envoyées à l'unité centrale de traitement – ​​le « cerveau » – du système, qui est alimenté par des algorithmes ML. S'appuyant sur des données historiques sur les pannes, l'historique des réparations, les facteurs environnementaux et les mesures de performances collectées en temps réel, l'unité recherche des modèles susceptibles de signaler un dysfonctionnement imminent.

Forte de ces informations précieuses, votre équipe de maintenance peut intervenir, effectuer toutes les réparations nécessaires et empêcher qu'une panne imminente ne se produise. Tout cela avec un minimum de temps d’arrêt et sans interruptions coûteuses.

Et c’est exactement de là que vient le potentiel d’économies de la maintenance prédictive ML. Grâce à sa nature proactive, vous pouvez concentrer vos efforts et votre budget sur l'équipement qui nécessite vraiment votre attention, au lieu de gaspiller des ressources pour acheter un équipement parfaitement fonctionnel. D’un autre côté, grâce au pouvoir de la prévoyance, vous pouvez agir avant qu’un problème ne s’aggrave, garantissant ainsi que votre équipement fonctionne à des performances optimales pendant de longues périodes.

Cas d'utilisation de la maintenance prédictive de l'IA dans tous les secteurs

La maintenance prédictive basée sur l’IA transforme fondamentalement le fonctionnement des industries dépendantes des équipements. Vous trouverez ci-dessous des exemples illustrant l’impact que la maintenance prédictive peut avoir sur les entreprises.

Fabrication

Dans la fabrication discrète et de processus, la maintenance prédictive de l'IA peut s'avérer inestimable pour un large éventail d'équipements, notamment les fraiseuses, les presses hydrauliques, les systèmes de convoyeurs, les bras robotisés et les équipements. Pensez aux fraiseuses qui façonnent les matières premières en composants de précision. Equiper ces machines de capteurs de vibrations et analyser les lectures des capteurs par rapport aux données de défaillance historiques peut aider à détecter un désalignement et des signes d'usure dans les broches des machines. Et lors du suivi de la température, vous pouvez détecter des signes de surchauffe, signalant qu’un dysfonctionnement pourrait se préparer.

La puissance de la maintenance prédictive basée sur le ML ne s’arrête pas là. Les presses hydrauliques peuvent être surveillées pour déceler les obstructions et les fuites. De plus, grâce à une surveillance constante de la température, les solutions de maintenance prédictive peuvent détecter des signes de surchauffe, un signal d'alarme pour des problèmes imminents au sein d'un système hydraulique. Et grâce à la capacité de compter les cycles, la maintenance prédictive ML peut prédire avec précision quand des composants spécifiques peuvent nécessiter une attention, permettant des interventions de maintenance en temps opportun et évitant des pannes potentielles.

Lorsqu'il s'agit de bandes transporteuses, un logiciel de maintenance prédictive peut mesurer la tension de la bande pour éviter une usure prématurée. Et en surveillant la charge du moteur, il peut garantir l’efficacité et découvrir tout signe de problème susceptible de provoquer un temps d’arrêt inattendu.

Parmi les fabricants utilisant la maintenance prédictive figure Mercer Celgar, l'un des plus grands producteurs de pâte à papier et de bois massif. La maintenance prédictive est devenue un élément clé de la stratégie de production de l'entreprise. Après avoir exploré diverses options, Mercer Celgar a mis en œuvre une solution de maintenance prédictive prête à l'emploi. Ce logiciel basé sur l'IA s'intègre parfaitement à leur nouveau système de GMAO, remplaçant l'ancien logiciel automatisé de diagnostic de l'état des machines. Grâce à trois projets pilotes, le déploiement a généré des informations et des enseignements précieux.

Grâce à la plate-forme de maintenance prédictive basée sur l'IA, Mercer Celgar a acquis la possibilité de surveiller plusieurs lignes de production et d'obtenir des rapports individuels pour chaque type de machine au sein d'une seule plate-forme. Cela leur a permis de suivre et de comparer les performances tout en fournissant à leurs équipes de maintenance des informations précoces sur les pannes potentielles. La mise en œuvre a transformé les opérations de Mercer Celgar, en créant des postes spécifiques et en rassemblant des données sur les performances des machines provenant de plusieurs sources sur une seule plateforme. En conséquence, l’entreprise dispose d’une source unique de vérité sur les performances de ses machines, facilitant ainsi une surveillance efficace et un traitement des données à grande échelle.

Automobile

L'industrie automobile s'appuie fortement sur la maintenance prédictive basée sur le ML pour améliorer la fiabilité et réduire les coûts de garantie. En surveillant les données des capteurs des véhicules sur le terrain, par exemple, les constructeurs automobiles peuvent détecter les problèmes potentiels avant qu'ils ne se transforment en pannes critiques.

Considérons une flotte de camions de livraison. Grâce à la surveillance continue des performances du moteur, de l'état des pneus et du rendement énergétique, la maintenance prédictive permet aux entreprises d'optimiser les calendriers de maintenance, de prévenir les pannes et de prolonger la durée de vie de leurs véhicules.

Un certain nombre de constructeurs automobiles se sont tournés vers la maintenance prédictive pour anticiper les opportunités de maintenance et fidéliser leurs clients, les encourageant à rechercher des services de maintenance auprès du réseau officiel du constructeur automobile. L'une de ces entreprises est Opel, qui a équipé ses véhicules d'un outil de maintenance prédictive qui analyse les données historiques pour suggérer des calendriers d'inspection optimaux.

L'objectif principal de la mise en œuvre du système étant d'améliorer la fidélisation de la clientèle, le système informe les conducteurs de la nécessité d'un entretien et fixe des rendez-vous avec le réseau officiel d'Opel, décourageant ainsi les clients de se tourner vers des réparateurs tiers.

Soins de santé

La maintenance prédictive ML révolutionne le secteur de la santé, garantissant le bon fonctionnement des équipements médicaux critiques. Imaginez un appareil IRM dans un hôpital. En analysant les données des capteurs, notamment la température, la pression et l'intensité du champ électromagnétique, les algorithmes de maintenance prédictive peuvent détecter les anomalies, les écarts et les modèles indiquant des problèmes potentiels. Les hôpitaux peuvent alors planifier de manière proactive les activités de maintenance pendant les périodes de faible demande, minimisant ainsi les interruptions des soins aux patients. Cette approche conduit à une efficacité opérationnelle améliorée, à une réduction des temps d’arrêt des équipements et à de meilleurs résultats pour les patients.

La Kashiwa Health Check Clinic est une organisation de soins de santé qui a adopté cette approche. Ils se sont associés à Hitachi pour mettre en œuvre un système de maintenance prédictive afin d'éviter les pannes des appareils d'IRM. Le partenaire technologique a analysé trois années de données de capteurs provenant de 100 systèmes IRM et a créé un mécanisme pour enquêter sur les causes qui ont conduit aux pannes des appareils. Le ML a ensuite aidé à définir un état de fonctionnement normal, à prévoir les anomalies et à détecter les changements qui auraient pu conduire à des pannes. En conséquence, l’organisation a réduit les temps d’arrêt des appareils d’IRM de 16,3 %.

Pétrole et Gaz

Le secteur pétrolier et gazier, connu pour ses équipements complexes et coûteux, a énormément bénéficié de la maintenance prédictive basée sur le ML. Imaginez une plate-forme de forage offshore dotée de nombreuses pompes, compresseurs et turbines. Grâce à la surveillance continue de paramètres tels que la pression, la température et le débit, les algorithmes de maintenance prédictive peuvent détecter les anomalies et prédire les pannes imminentes. En adoptant une approche proactive, les entreprises peuvent éviter des arrêts imprévus coûteux, optimiser les performances des équipements et garantir la sécurité du personnel.

Aramco, un acteur majeur du secteur, a exploité la puissance de la maintenance prédictive pour prévenir la corrosion, le tartre et autres dommages aux équipements et aux pipelines causés par l'excès d'eau provenant des puits, ainsi que du pétrole et du gaz. Après avoir mis en œuvre un débitmètre alimenté par l’IA, l’entreprise a obtenu un aperçu en temps réel du débit d’eau dans ses puits. Le compteur a utilisé un modèle jumeau numérique alimenté par l'IA pour anticiper le débit des canalisations, puis l'a comparé aux mesures réelles. Ce processus a permis au compteur de s'ajuster automatiquement dans diverses conditions de fonctionnement, minimisant ainsi considérablement les besoins de réétalonnage.

Comment créer une solution de maintenance prédictive

Lorsqu'il s'agit d'adopter des solutions de maintenance prédictive basées sur le ML, les organisations sont confrontées à un choix : opter pour un logiciel standard ou investir dans une solution sur mesure. Chaque approche offre des avantages et des considérations distincts, et le choix dépend de plusieurs critères.

• Budget disponible : les logiciels disponibles dans le commerce (par exemple IBM Maximo, Microsoft Azure IoT Suite, GE Predix, PTC ThingWorx, Siemens MindSphere) s'accompagnent généralement de coûts initiaux inférieurs, tandis que la création d'une solution personnalisée peut impliquer un investissement initial plus élevé. Les entreprises disposant de budgets limités peuvent trouver les logiciels disponibles dans le commerce plus attrayants, tandis que celles disposant de ressources importantes peuvent se tourner vers des solutions personnalisées pour des fonctionnalités adaptées.
• Délai de mise en œuvre : les logiciels prêts à l'emploi peuvent être rapidement déployés car ils sont pré-construits et testés. En revanche, le développement d'une solution personnalisée peut prendre plus de temps, en fonction de la complexité et de l'ampleur du projet.
• Exigences spécifiques à l'industrie : différentes industries ont souvent des besoins et des flux de travail uniques, qui peuvent nécessiter des solutions de maintenance prédictive dotées de fonctionnalités spécifiques. Les logiciels disponibles dans le commerce ne répondent pas entièrement à ces exigences et nécessitent une personnalisation. Pour cette raison, les entreprises ayant des besoins hautement spécialisés ou celles qui recherchent un avantage concurrentiel grâce à des solutions sur mesure peuvent préférer emprunter la voie du sur mesure.
• Infrastructure existante et intégrations : l'intégration d'un logiciel de maintenance prédictive aux systèmes et équipements existants est essentielle pour des opérations transparentes. Les solutions prêtes à l'emploi peuvent offrir une meilleure compatibilité avec un nombre limité d'équipements ou de technologies populaires, tandis que les solutions personnalisées peuvent être précisément adaptées pour s'adapter à l'infrastructure établie d'une organisation.
• Évolutivité : à mesure que les entreprises se développent et se développent, leurs besoins en maintenance prédictive peuvent évoluer. Les logiciels disponibles dans le commerce peuvent fournir des options évolutives qui peuvent être adaptées aux exigences changeantes. Lorsqu'elles sont correctement conçues, les solutions personnalisées peuvent également offrir évolutivité et flexibilité, mais cela peut nécessiter des efforts de développement supplémentaires.
• Assistance et mises à jour : les logiciels disponibles dans le commerce sont souvent accompagnés d'une assistance fournie par le fournisseur et de mises à jour régulières, garantissant ainsi qu'une solution reste à jour. Les solutions personnalisées peuvent nécessiter des efforts continus de maintenance et de support pour garantir une fonctionnalité continue.

Créer une solution de maintenance prédictive basée sur l'IA à partir de zéro

La création d'une solution de maintenance prédictive personnalisée basée sur le ML à partir de zéro offre une flexibilité maximale et vous permet d'adapter précisément le système à vos besoins uniques. Pourtant, les logiciels personnalisés sont rarement entièrement personnalisés. Il existe un certain nombre de bibliothèques et de frameworks open source (par exemple Scikit-learn, TensorFlow, PyTorch, Keras, XGBoost) et de SDK et d'API (par exemple les SDK AWS, les SDK Azure, le SDK Google Cloud, le SDK IBM Watson, le SDK ThingWorx), ainsi que ainsi que des services ML entièrement gérés, y compris des modèles pré-entraînés (par exemple Amazon SageMaker, Azure Stream Analytics) qui accélèrent et simplifient le processus de développement de solutions de maintenance prédictive personnalisées.

Ci-dessous, nous partageons notre expérience en tant que société de conseil en ML et expliquons comment le processus de développement d'un logiciel de maintenance prédictive basé sur l'IA peut se dérouler.

La maintenance prédictive est une tâche qui peut être divisée en deux sous-tâches : la surveillance de l'état et l'analyse prédictive. Créer une solution de maintenance prédictive se résume essentiellement à former un modèle de détection et un modèle de prédiction et à les intégrer dans une solution à part entière. Pour entraîner de tels modèles, suivez les étapes suivantes.

Collecte de données

Lors de l’élaboration d’un algorithme de maintenance prédictive, la première étape consiste à collecter suffisamment de données pour entraîner les modèles. Les types de données à collecter sont les suivants.

• Données de capteurs qui donnent un aperçu en temps réel de l’état et des performances des machines. Il comprend des informations chronologiques collectées à partir de tous les types de capteurs (par exemple température, pression, vibration, tension, bruit) attachés aux machines.
• Données de panne qui couvrent les informations sur les pannes d'équipement passées, y compris la date, l'heure et la nature d'une panne.
• Dossiers de maintenance, rapports de service, bons de travail et autres documents liés à l'historique de maintenance de l'équipement.
• Données opérationnelles qui capturent des informations sur l'état opérationnel d'une machine, notamment les heures de démarrage et d'arrêt, les cadences de production, le débit et les modèles d'utilisation.
• Données environnementales qui couvrent des facteurs tels que la température ambiante, les niveaux d'humidité et d'autres conditions externes pouvant avoir un impact sur la santé de l'équipement.
• Autres données pertinentes pouvant fournir des informations supplémentaires sur les modèles de défaillance, telles que les données sur la consommation d'énergie ou les coûts de maintenance.

Traitement de l'information

Le prétraitement des données est une étape essentielle dans la création d’une solution de maintenance prédictive personnalisée basée sur l’IA. Cela implique une gamme de techniques, allant de la gestion des valeurs manquantes à la suppression des valeurs aberrantes et au-delà.

Le choix des techniques de traitement appropriées dépend des caractéristiques de vos données, tandis que la clé pour réussir un traitement de données réside dans la connaissance de vos machines. Supposons que vous disposiez de données de vibrations bruyantes. Connaître la plage de fréquences qui contient des marqueurs d'échec peut vous guider dans le choix de la stratégie de prétraitement optimale.

Ingénierie des fonctionnalités

L'ingénierie des fonctionnalités consiste à transformer les données brutes en fonctionnalités qui aident à différencier un comportement normal d'un comportement défectueux. L'objectif est d'extraire des informations pertinentes à partir des données, permettant ainsi aux algorithmes de ML d'identifier plus facilement les modèles et les relations.

Par exemple, vous pouvez surveiller l'état d'une boîte de vitesses à l'aide de données de vibration. Les dysfonctionnements d’une boîte de vitesses entraînent des changements dans la fréquence et l’ampleur des vibrations. La fréquence et l’amplitude des pics peuvent donc être utilisées pour surveiller l’état de la boîte de vitesses.

Certaines techniques courantes utilisées dans l’ingénierie des fonctionnalités couvrent les éléments suivants.

• Agrégation : la combinaison de plusieurs points de données brutes pour créer des fonctionnalités agrégées peut fournir une vue de niveau supérieur du comportement de l'équipement.
• Analyse temporelle : les données de séries chronologiques contiennent souvent des modèles temporels précieux. La création de fonctionnalités basées sur le temps, telles que l'heure de la journée, le jour de la semaine ou les modèles saisonniers, peut aider un modèle à capturer les comportements récurrents.
• Analyse du signal : l'application de techniques de traitement du signal peut aider à extraire des composantes de fréquence ou à détecter des modèles dans les données de séries chronologiques.
• Analyse de corrélation : évaluer quelles données affectent le plus la précision de la prédiction et éliminer les points de données qui ont moins d'importance lorsqu'il s'agit de former un modèle à partir d'un ensemble de données permet de réduire le temps nécessaire à leur formation.
• Techniques d'extraction de fonctionnalités spécifiques au domaine : dans certains cas, la connaissance du domaine peut conduire à des transformations de fonctionnalités spécialisées. Par exemple, pour les équipements rotatifs, des fonctionnalités basées sur l’analyse de l’ordre des vibrations peuvent être utiles.

L’ingénierie des fonctionnalités est probablement un processus qui implique plusieurs itérations. Il est courant de revenir à cette étape après une première série de formation et de test d'un modèle prédictif pour des performances optimales.

Sélection du modèle et formation

À l'étape suivante, vous choisissez un modèle ML optimal et l'entraînez sur les données collectées.

Sélection du modèle

Choisir le bon algorithme de ML ou le bon modèle prédictif est essentiel pour votre cas d’utilisation spécifique de maintenance prédictive. Différents modèles présentent des forces et des faiblesses variables, et la sélection dépend de facteurs tels que la nature des données, la complexité du problème et le niveau d'interprétabilité souhaité.

Les modèles couramment utilisés pour la maintenance prédictive sont les suivants.

• Régression logistique : convient aux problèmes de classification binaire – par exemple, prédire si un équipement tombera en panne ou non.
• Arbres de décision : efficaces pour gérer les données catégorielles et numériques. Il peut capturer les relations non linéaires entre les fonctionnalités.
• Forêt aléatoire : méthode d'ensemble qui combine plusieurs arbres de décision pour une précision et une robustesse améliorées.
• Machines à vecteurs de support (SVM) : utiles pour les tâches de classification, en particulier lorsqu'il s'agit de données de grande dimension.

Formation sur modèle

La formation du modèle implique l'utilisation de données historiques pour apprendre au modèle de maintenance prédictive ML à reconnaître les modèles et les relations entre les fonctionnalités et la variable cible, telle qu'une panne d'équipement. L'ensemble de données est divisé en deux parties : l'ensemble d'entraînement et l'ensemble de tests.

Le modèle apprend des données de formation et devient capable de faire des prédictions basées sur les modèles qu'il identifie au cours du processus de formation.

Une fois formé, le modèle est mis à l’épreuve sur l’ensemble de données de test. La validation du modèle est une étape cruciale pour évaluer les performances d'un modèle sur des données invisibles et pour estimer son pouvoir prédictif.

Intégration et déploiement

Une fois que vous avez identifié le bon modèle, l'avez entraîné et généré des prédictions précises, il est temps de le mettre en œuvre en l'intégrant dans votre système. En fonction des spécificités de votre logiciel de maintenance prédictive ML, vous disposez de plusieurs options de déploiement.

• Implémentation cloud : optez pour un déploiement basé sur le cloud si vous traitez de gros volumes de données stockées dans le cloud. En exécutant les algorithmes ML directement dans le cloud, vous éliminez le besoin de transférer des données entre les machines locales et le cloud pour les pronostics et la surveillance de l'état. Cela rationalise le processus de maintenance et améliore l’efficacité.
• Implémentation Edge : vous pouvez également exécuter l'algorithme sur des appareils intégrés situés plus près de l'équipement. Cette approche permet des mises à jour et des notifications immédiates sur l’état de l’équipement, sans aucun délai.
• Implémentation hybride : vous pouvez également opter pour une combinaison de cloud et de périphérie. Utilisez des appareils intégrés pour le prétraitement et l'extraction de fonctionnalités et exécutez le modèle prédictif dans le cloud. De cette façon, vous bénéficiez du meilleur des deux mondes : l’efficacité associée au déploiement en périphérie et à la puissance de traitement basée sur le cloud. Il fonctionne particulièrement bien pour les systèmes tels que les forages pétroliers ou les moteurs d'avion, où un fonctionnement continu génère de grandes quantités de données, ce qui rend le stockage ou la transmission à bord difficile en raison des limitations de bande passante et de coûts.

Défis à relever en cours de route

La mise en œuvre d’une solution de maintenance prédictive IA peut poser certains défis. Certains obstacles courants sont les suivants.

• Équipement existant : La connexion et la collecte de données à partir d’équipements plus anciens ou incompatibles peuvent constituer un défi. La modernisation des capteurs ou l'utilisation de passerelles IoT peuvent être nécessaires pour collecter les données requises.
• Établir les paramètres corrects : il est crucial d'identifier les paramètres les plus pertinents à surveiller pour chaque équipement. Cela nécessite une compréhension approfondie des machines et de leurs modes de défaillance pour garantir des prévisions précises.
• Qualité et disponibilité des données : garantir la qualité et la disponibilité des données est essentiel pour des prévisions précises. Des données incomplètes ou peu fiables peuvent conduire à des décisions de maintenance incorrectes. L’établissement de pratiques de gouvernance des données et l’investissement dans l’infrastructure des données sont des étapes essentielles pour relever ce défi.

Derniers mots

La maintenance prédictive basée sur l'IA offre une opportunité révolutionnaire pour les entreprises opérant dans des secteurs à forte densité d'équipement ou dépendants de l'équipement. En adoptant une approche proactive de la maintenance, les organisations peuvent réduire considérablement les temps d'arrêt, optimiser les coûts de maintenance et améliorer l'efficacité opérationnelle.

Qu'il s'agisse de personnaliser un logiciel prêt à l'emploi ou de créer une solution personnalisée à partir de zéro, la maintenance prédictive ML peut vous aider à libérer tout le potentiel de votre équipement.

Contactez notre équipe pour explorer les possibilités de la maintenance prédictive ML et prendre des décisions éclairées qui propulseront votre entreprise vers de nouveaux sommets.

Cet article a été initialement publié sur le site Web itrex.