Le logiciel de prédiction de pannes en mode aveugle
DiagFit
DiagFit est notre logiciel de maintenance prédictive permettant aux industriels d'anticiper et de planifier leurs arrêts machines. Le logiciel est conçu à partir d'algorithmes de machine learning à la pointe de la recherche dans la gestion de séries temporelles industrielles.
Ces propriétés sont extrêmement riches et permettent de détecter efficacement des signaux faibles de défaillance, de vieillissement ou d'approche de fin de vie d'un équipement.
La génération de caractéristiques, invention au coeur du logiciel, permet de construire les propriétés mathématiques des séries temporelles provenant d'équipements industriels ou issues de capteurs IIoT.
Maintenance prédictive : la prédiction de pannes en mode aveugle
Le "mode aveugle" signifie que DiagFit n'a pas besoin de connaître le type d'équipement qu'il supervise (caractéristiques techniques ou physiques) et n'a pas besoin d'être enrichi d'un historique de pannes pour fonctionner. Cela permet ainsi une mise en oeuvre extrêmement rapide du logiciel car l'industrie est équipée d'équipements de plus en plus fiables et dont les pannes sont rares.
Grâce à son approche non supervisée, le logiciel apprend sur les données saines de l'équipement et construit automatiquement un espace de normalité robuste et fiable. Ce fonctionnement permet la détection d'anomalies avec une grande précision et un faible taux de fausses alertes. C'est la gestion des propriétés discriminantes issues de nos générateurs de caractéristiques qui rend la détection si efficace.
Les avantages de DiagFit
Les avantages de DiagFit
Demander une démoMode aveugle
Fonctionne sans données historiques de pannes
No-code
Aucune compétence en science des données n’est requise
Agnostique
Agnostique pour les capteurs et agnostique pour l’équipement
Rapide
Modèles construits en heures/jours au lieu de semaines/mois
Précis
Taux de fausses alertes réduit
Un logiciel basé sur la connaissance des experts métier
DiagFit est incroyablement rapide et facile à utiliser car il a été conçu pour les experts de la maintenance.
Un pas-à-pas permet de générer un modèle prédictif dédié à un équipement sans avoir de connaissance en codage ou en science de la donnée. Cette étape* appelée "BUILD" ne prend généralement que quelques minutes/heures.
Une fois généré, le modèle prédictif peut alors être utilisé et associé à des équipements opérationnels dans l’étape « RUN». Les experts du domaine sont alors alertés lorsque des écarts par rapport à l’espace de normalité se produisent et bénéficient des indications données par le logiciel pour identifier leur origine. Ces écarts, appelés anomalies, peuvent être acceptés ou rejetés par les opérateurs de maintenance qui ont la connaissance fonctionnelle de l'équipement concerné.
Cet enrichissement par les experts permet au modèle d'apprendre au fur et à mesure de la vie de l'équipement et d'être toujours plus performant.
*peut être réalisée par nos experts si souhaité, nous consulter pour en savoir plus.
La labellisation des anomalies
La fonction de labellisation permet à l'expert maintenance de renseigner une anomalie dans le dictionnaire associé à l'équipement.
Le logiciel sera alors capable de reconnaître sa signature automatiquement dans le futur et donnera à l'utilisateur un score de confiance vis-à-vis de son diagnostic.
Comme pour l'ensemble des alertes, l'expert pourra alors confirmer ou infirmer la prédiction.
Déploiement
- Cloud public
- Cloud privé
- Sur site
- Intégré à une plateforme tierce
- En embarqué (nous consulter)
Architecture et interfaces
- Architecture web microservices
- Sur serveur linux avec Dockers
- Configuration minimum : processeurs 4 coeurs à 3 GHz
- API REST avec documentation interactive en ligne
- Notification d'alertes par protocole MQTT
Cas d'usage
Cas d'usage
Prédiction de pannes sur un système anonymisé d'un navire
À partir de données saines anonymisées acquises pendant un an sur le navire, DiagFit a été utilisé pour créer en quelques heures un modèle unique qui capture les corrélations entre les données des capteurs et produit un état de santé par capteur.
Prédiction de la qualité et maintenance normative pour presse plastique
Grâce aux données du variateur de vitesse présent sur la presse ainsi qu’aux mesures de la qualité en sortie de celle-ci, DiagFit analyse l’écart des caractéristiques utilisées afin d’en dériver un capteur virtuel de la qualité.
Détection de fissures de tuyaux
A partir des données de courants de Foucault utilisées pour surveiller la surface des pipelines, DiagFit permet de classer les sections de canalisations saines et non saines.
Clients
Clients
