Prédiction de pannes en mode aveugle

Industrie 4.0
La maintenance prédictive réduit drastiquement les temps d'arrêt et promet des gains de productivité significatifs.

Les temps d'arrêt imprévus sont le maillon faible du secteur industriel. Lorsque les chaînes de production et les machines cessent de fonctionner, les industriels perdent de l'argent. Ces temps d'arrêts conduisent à des temps de maintenance coûteux. Ils peuvent être évités si les machines sont surveillées en temps réel. La maintenance prédictive peut éliminer le surcoût de maintenance en permettant aux équipes d'effectuer la maintenance en un rien de temps pour éviter une panne, plutôt qu'à intervalles fixes. La maintenance prédictive réduit drastiquement les temps d'arrêt et promet des gains de productivité significatifs.

Surveiller ses équipements efficacement : capteurs et logiciels

La maintenance prédictive n'est possible qu'avec une surveillance efficace de l'état des machines, qui peut prédire de manière fiable quand chaque composant va tomber en panne. La surveillance de l'état de la machine repose à son tour sur la prise de données des machines et leur utilisation pour créer des modèles prédictifs sur l'évolution de l'état de l'équipement. Les industriels actuels utilisent les données récoltées par des capteurs installés sur leurs équipements pour pouvoir récupérer les données et les analyser.

La surveillance en temps réel est récemment devenue une solution abordable et pratique pour la première fois dans de nombreuses industries, grâce à l'arrivée de techniques et de technologies associées à l'Industrie 4.0.

La nouvelle génération de solutions d'intelligence artificielle en matière de maintenance prédictive et d'apprentissage automatique permet aux experts métier d'automatiser l'analyse des données, fournissant des informations exploitables sans que des data scientists aient besoin de se pencher sur chaque fragment de données.

Prévoir les pannes des machines peut désormais se faire automatiquement et sans intervention manuelle.

Aujourd’hui, pouvoir surveiller en temps réel est accessible à toute l’industrie. Cependant, surveiller efficacement pour créer un réel retour sur investissement nécessite de comprendre trois problématiques auxquelles se heurte l’industrie 4.0.

  • il existe une grande diversité d’équipements industriels et de capteurs
  • les données générées par les capteurs mesurant les grandeurs physiques des équipements sont majoritairement des séries temporelles industrielles, par nature complexes à analyser
  • il existe peu ou pas d’occurrences de pannes dans les données historiques rendant de ce fait les modèles prédictifs longs à déployer

DiagFit, le logiciel de prédiction de pannes d’Amiral Technologies répond à ces trois problématiques.

DiagFit, le logiciel de prédiction de pannes en mode aveugle

DiagFit est un logiciel de maintenance prédictive qui récupère les données issues des capteurs de maintenance afin de pouvoir créer des modèles prédictifs et détecter les anomalies.

DiagFit est agnostique : il analyse les données de tout type de capteurs et d’équipements

DiagFit fonctionne en no-code : aucune compétence en science des données n’est requise

DiagFit fonctionne en mode aveugle : le logiciel est basé sur la création d’un espace de normalité propre à l’équipement, créé à partir des données saines issues de ses capteurs. C’est une démarche communément appelée « détection d’anomalie » en machine learning qui se base sur des algorithmes d’intelligence artificielle dits non-supervisés.

 

Le mode aveugle

Cela signifie en pratique que DiagFit peut indiquer les performances de chaque équipement d’un parc de machines à un moment donné en collectant et en analysant automatiquement les données de ces machines. Les algorithmes de prédiction puissants de DiagFit peuvent générer des mises à jour et mettre en évidence où les équipes de maintenance doivent concentrer leurs efforts à court terme, tout en aidant à optimiser les plans de maintenance futurs.

DiagFit peut réduire de moitié les temps d'arrêt, offrir une augmentation de la productivité et augmenter la précision de la maintenance.

 

Nos cas d'usage