Peut-on faire de la détection d’anomalies sans notions en Data Science ?
Nous en avions parlé dans un autre article : la détection d’anomalies est l’une des pierres angulaires de l’industrie 4.0. Cette technologie de machine learning, notamment utilisée en maintenance prédictive, se base sur les données saines d’un appareil pour construire un modèle de fonctionnement normal duquel toute dérivation constitue ce que l’on appelle une anomalie.
La détection d’anomalies est une avancée technologique de grande ampleur, qui a le pouvoir de lever les freins auxquels sont confrontées de nombreuses entreprises manufacturières à l’ère de l’industrie 4.0. Mais cet outil si sophistiqué peut-il être facilement adopté par les experts métier ? Les responsables de maintenance doivent-ils désormais tous disposer de connaissances en Data Science pour prendre part à cette nouvelle ère de l’industrie ?
Bonne nouvelle : la réponse est non. Grâce à DiagFit, logiciel de maintenance prédictive développé par Amiral Technologies en partenariat avec le CNRS, nul besoin d’être expert en analyse de données pour exploiter une solution de maintenance prédictive basée sur la détection d’anomalies.
Pourquoi faire de la détection d’anomalies ?
La détection d’anomalies permet aux équipes de maintenance d’anticiper les éventuelles pannes et dysfonctionnements qui pourraient survenir sur leurs équipements et entraver la continuité opérationnelle de la chaîne de production. En détectant les anomalies avant qu’elles ne posent réellement problème, les experts métier ont la possibilité de planifier leurs arrêts machine et d’intervenir sur leurs équipements au moment opportun. Dans l’industrie 4.0, qui est faite de hautes exigences en matière de productivité, de sécurité et de disponibilité, le recours à la maintenance prédictive est indispensable.
Mais pour de nombreuses entreprises du secteur industriel, la mise en place d’une telle solution se heurte à quelques freins : manque de formation des équipes, temps de construction des modèles prédictifs, diversité des équipements à analyser, manque de connaissances pour déchiffrer les données issues des capteurs… Et si tous ces freins n’étaient plus d’actualité ?
DiagFit : mise en place rapide et simple de la détection d’anomalies
Issu d’années de recherches dans les laboratoires du prestigieux CNRS, le logiciel de prédiction de pannes en mode aveugle DiagFit rend la détection d’anomalies accessible à tous les sites de production. Il se distingue des solutions classiques par plusieurs points :
- Son interface est “no-code” : autrement dit, elle est utilisable par tous les experts métier ayant été formés à l’utilisation du logiciel, sans qu’ils n’aient besoin de connaissances en programmation informatique ou en data science.
- Il fonctionne en mode aveugle : le manque de données historiques de pannes a longtemps été l’un des principaux obstacles à la démocratisation de la maintenance prédictive. Avec la prédiction de pannes en mode aveugle, l’algorithme se base sur les données saines de l’appareil pour construire un modèle de fonctionnement normal et détecter toute sortie de ce modèle, alors qualifiée d’anomalie.
- La construction des modèles prédictifs se fait très rapidement : cette étape appelée “BUILD” ne dure que quelques heures ou en quelques jours, contre quelques semaines voire quelques mois pour les logiciels de maintenance prédictive classiques. Le modèle généré peut ensuite être associé à un équipement pour l’étape opérationnelle appelée “RUN”.
- Il est agnostique : il n’a pas besoin de connaître le type d’équipement qu’il supervise et peut ainsi être implémenté facilement dans tous les sites de production quels que soient les appareils à contrôler et le type de données qu’ils produisent.
