Prédiction de pannes en mode aveugle

Maintenance prédictive
Est-il vraiment nécessaire de disposer de données historiques de pannes pour mettre en place une solution de maintenance prédictive ?

Maintenance prédictive : le manque de données historiques de pannes est-il un problème ?

L’essor de l’IIoT (Industrial Internet of Things) a propulsé la maintenance prédictive au rang de technologie incontournable pour les acteurs du secteur industriel. Néanmoins, la plupart des logiciels de maintenance prédictive requièrent des données historiques de pannes pour anticiper les dysfonctionnements des équipements industriels, et il s’agit là d’un problème qui a freiné la mise en place d’une telle solution sur de nombreux sites industriels.

Pourtant, à y regarder de plus près, il s’avère que les données historiques de pannes sont loin d’être essentielles à l’implémentation de la maintenance prédictive dans l’industrie.

 

Les données historiques de pannes, une denrée rare dans le secteur industriel

Sur le papier, tout semble logique : on met en place une solution de maintenance prédictive qui se base sur un historique de pannes pour identifier les signaux de défaillance des équipements avant les prochaines occurrences de pannes.

Seulement, ces données historiques sont généralement rares et de natures très différentes en fonction des équipements, ce qui rend leur intégration dans un modèle prédictif rentable particulièrement complexe. Les algorithmes de machine learning manquent de données pour s’entraîner et ne sont alors pas en mesure de fournir des prédictions précises et fiables.

Cet obstacle rend difficile le recours à la maintenance prédictive dans bien des cas, et oblige les équipes techniques à se rabattre sur des méthodes de maintenance classiques, comme la maintenance curative ou la maintenance préventive, plus coûteuses et moins efficaces.

 

La prédiction de pannes en mode aveugle pour les équipements industriels

Face au constat amer selon lequel une telle avancée technologique ne peut être dûment mise à profit en raison du manque de données historiques de pannes sur les équipements industriels, il a fallu envisager une solution pour lever ce frein.

C’est dans cette optique qu’Amiral Technologies a conçu DiagFit, un logiciel de maintenance prédictive basé sur la prédiction de pannes en mode aveugle. Issu d’une innovation née entre les murs du prestigieux CNRS, DiagFit s’est imposé dans l’industrie 4.0 comme la solution sans détour aux enjeux et problématiques actuels du secteur industriel.

Plutôt que de nécessiter des données caractéristiques d’une défaillance pour chaque appareil, DiagFit se base sur les données saines de l’équipement pour construire un modèle de fonctionnement normal duquel toute sortie sera considérée comme une anomalie, d’où l’expression “détection d’anomalie”, utilisée pour qualifier cet algorithme.

Lauréate du concours i-Lab du ministère de la recherche en 2019, cette solution innovante s’est également donné pour mission de lever d’autres freins relatifs à la démocratisation de la maintenance prédictive dans le secteur industriel. En effet, DiagFit est en mesure de traiter une grande variété de signaux issus des capteurs IoT (séries temporelles, vibration, courant, température, humidité, etc.), d’en extraire automatiquement des indicateurs de santé de l’équipement, et peut s’intégrer à tout type de système d’information (cloud, edge ou embarqué).

 

En savoir plus sur le mode aveugle