Prédiction de pannes en mode aveugle

Industrie 4.0
Découvrez comment la détection d’anomalies lève les freins auxquels font face les entreprises pour prendre pleinement part à l’industrie 4.0.

Détection d'anomalies : un objectif prioritaire pour l'industrie 4.0

Pour suivre la cadence, les acteurs de l’industrie n’ont plus d’autre choix que de prendre le virage de l’IoT et de la data. Dans l’industrie 4.0, les enjeux de productivité, de sécurité et de disponibilité sont à leur paroxysme, et les sites de production redoublent de réactivité pour s’équiper au mieux pour y répondre.

Parmi les outils emblématiques de cette révolution, la maintenance prédictive, qui utilise le machine learning pour prédire les pannes avant qu’elles ne se produisent. Mais comment mettre en place un système de maintenance qui repose sur la transmission de données quand de nombreux équipements ne disposent pas de cette fonctionnalité native et que les données à collecter sont d’une telle hétérogénéité ?

La réponse tient en deux mots : détection d’anomalies.

Industrie 4.0 : de quoi parle-t-on ?

La 4ème révolution industrielle, que l’on surnomme industrie 4.0, est caractérisée par la dématérialisation de la gestion de la production, rendue possible par la connexion des équipements à internet (IoT, Internet of Things ou plus spécifique IIoT, pour Industrial Internet of Things).

Concrètement, l’industrie 4.0 se manifeste par plusieurs évolutions : l’interconnectivité des usines avec leurs clients et leurs fournisseurs, une production en flux tendu pour plus de flexibilité et des coûts réduits, une attention particulière portée à l’utilisation des ressources énergétiques et matérielles, une automatisation des tâches à faible valeur ajoutée, l’utilisation de capteurs intelligents pour obtenir des données sur les équipements de la ligne de production et optimiser leur fonctionnement, et la mise en place d’un système de maintenance prédictive.

Ce dernier point revêt une importance majeure, puisqu’il permet d’assurer la continuité opérationnelle de la chaîne de production, de réduire les coûts de maintenance et d’assurer la disponibilité des pièces de rechange pour les entreprises qui fonctionnent en flux tendu.

Seulement, plusieurs problèmes se posent quant à la mise en place d’une telle méthode de maintenance :

  • De nombreux sites industriels sont encore pourvus d’équipements qui, bien qu’en état de fonctionnement, ne disposent pas des technologies nécessaires à la transmission des données requises pour l’alimentation des algorithmes de maintenance prédictive.
  • Les données à analyser sont de natures très différentes en fonction des domaines d’activité et des appareils, ce qui peut nettement compliquer leur interprétation par un seul et même logiciel et leur lecture par les experts métier.
  • Pour construire un modèle prédictif fiable et prédire avec précision les défaillances d’un appareil, les algorithmes de machine learning classiques doivent se baser sur un historique de pannes. Seulement, ces données sont une denrée rare pour de nombreux équipements, ce qui entrave sérieusement l’implémentation d’une telle solution.

Pour y remédier, Amiral Technologies a parié sur la détection d’anomalies.

Qu’est-ce que la détection d’anomalies et quels sont ses avantages ?

La détection d’anomalies est un processus de machine learning qui permet de détecter les signaux de défaillance d’un appareil sans nécessiter de données historiques de pannes.

Comment ? Plutôt que d’analyser comment se comporte l’appareil quand il est défectueux, on utilise le machine learning pour construire un modèle de fonctionnement normal de l’appareil à partir de données saines recueillies grâce à des capteurs connectés installés sur les différents équipements.

Une fois construit, on considère que toute sortie de ce modèle constitue une anomalie, qui est alors signalée aux techniciens de maintenance par le biais du logiciel. C’est ce que fait DiagFit, le logiciel de maintenance prédictive développé par Amiral Technologies, qui permet en outre aux experts métier d’accepter ou de rejeter un signalement d’anomalie en fonction de sa pertinence, et d’ainsi améliorer continuellement l’algorithme.

DiagFit s’adapte à tout type d’équipement et fonctionne avec tout type de données. Sa prise en main par les services de maintenance ne nécessite pas de connaissances en programmation informatique, et son interface est lisible et claire pour faciliter la communication inter-équipes.

Pour ces raisons, et parce qu’elle ne requiert pas de données historiques de pannes, la détection d’anomalies utilisée par DiagFit est un pas en avant majeur pour les acteurs du secteur industriel, qui disposent désormais d’outils adaptés aux spécificités de leur site de production et de leur domaine d’activité pour prendre part à cette nouvelle révolution industrielle.