DiagFit, le logiciel de prédiction de pannes en mode aveugle
La prédiction de panne repose sur la détection et l’apprentissage d’anomalies ayant eu lieu dans le passé afin d’en déterminer des caractéristiques et de pouvoir les reconnaître.
La problématique de la prédiction de pannes d’équipements industriels réside dans l’hétérogénéité des données générées (données d’état, données physiques diverses, contextes, etc.), ainsi que dans la rareté des occurrences de pannes exploitables dans les données pour entraîner un modèle prédictif de type Machine Learning supervisé.
Dans ce contexte, est-il possible de construire des solutions de prédiction de pannes performantes ?
Amiral Technologies est issue du CNRS de Grenoble. Ses innovations sont le résultat de plus de 10 années de recherche académique en Intelligence Artificielle, Automatique et théorie du contrôle. Sa technologie révolutionne le traitement des données issues des équipements industriels et permet à travers son logiciel DiagFit, la construction d’un modèle prédictif principalement basé sur des données d’apprentissage saines.
DiagFit est un logiciel de prédiction des pannes d’équipements industriels en mode aveugle. Cette approche non supervisée permet une mise en œuvre extrêmement rapide de la solution.
Le cœur de l’innovation de DiagFit repose sur des générateurs de caractéristiques discriminantes ainsi qu’un ensemble d’algorithmes non-supervisés adapté à la supervision de séries temporelles industrielles (données physiques générées par les capteurs d’une machine), quelles que soient leurs natures. Avec cette innovation, le logiciel construit un modèle à partir des données issues du fonctionnement nominal d’un équipement, appelées données saines. Il peut alors détecter toute sortie de la “normalité” sans avoir besoin d’historique de pannes au préalable. C’est ainsi que Amiral Technologies permet aux industriels de produire des modèles prédictifs rapides, performants et automatiquement adaptables au contexte spécifique de leurs équipements.
DiagFit fonctionne en deux modes :
Le Mode « BUILD » : Consiste à créer les modèles de prédiction à partir de données saines d’apprentissage, une période de fonctionnement où l’équipement était en mode nominal. L’utilisateur peut créer un modèle pour chaque catégorie d’équipements ou pour chaque sous-ensemble du système qu’il souhaite observer.
Le Mode »RUN » : Fournit à l’utilisateur une interface de surveillance en temps réel ou de diagnostic a posteriori, permettant d’identifier les anomalies avec leurs caractéristiques (signature, capteurs impliqués, prédiction du type de l’anomalie, score de confiance). Pour les dysfonctionnements jamais observés auparavant, la fonction « feedback » permet à l’opérateur de maintenance d’enrichir à la volée le répertoire d’anomalies de son équipement.
DiagFit peut s’interfacer avec le système de surveillance (type SCADA) du client, les résultats peuvent être affichés, enregistrés et /ou exportés pour des analyses ultérieures.
Les avantages de DiagFit
DiagFit est un logiciel qui permet la détection d’anomalies :
- en mode aveugle : sans avoir besoin d’historique de pannes ou sans avoir connaissance au préalable du type de données à traiter
- de manière rapide, précise : génération de modèles robustes en quelques heures/jours
- agnostique : conçu pour traiter tout type de données de séries temporelles et tout type d’équipement
- et no-code : grâce à une utilisation du logiciel accessible à des non développeurs
Les fonctionnalités de DiagFit
Gestion des séries temporelles industrielles
- Traitement de séries temporelles cycliques et non-cycliques
- Gestion de la donnée en direct ou en différé via chargement de fichiers
Création de modèles prédictifs
- Création du modèle sur la base de données saines d’apprentissage
- Confrontation du modèle à des données non saines pour validation du modèle (optionnel)
- Génération d’un indicateur global multi-capteurs ou par capteur
- Affichage des métriques de performance de l’apprentissage (ROC, Prédiction)
- Possibilité de venir éditer certains paramètres du modèle via le mode avancé (Seuil, Lissage)
- Enrichissement dynamique des modèles grâce aux retours des experts métier
Administration des équipements
- Déclaration des équipements liés à un modèle
- Notification d’alertes par équipement
- Visualisation des courbes de distance à la normalité
- Export des diagnostics
Supervision des anomalies par l’utilisateur
- Visualisation d’indications sur l’origine de l’anomalie (capteurs impliqués, courbes, etc…)
- Acceptation ou rejet des anomalies détectées
- Labellisation des anomalies pour enrichissement du dictionnaire de pannes
- Détection automatique du type d’anomalie avec score de confiance
- Historique des alertes
Riche de nombreux projets dans des secteurs variés tels que l’aéronautique, le ferroviaire, l’énergie ou l’industrie manufacturière, la technologie a fait ses preuves en termes de rapidité de mise en œuvre, de performance de détection des anomalies et a su prouver un faible taux de fausses alertes.