Contexte
Le client exprimait le besoin de surveiller de près un disjoncteur de moyenne tension, car celui-ci pouvait être installé sur un site critique
Dans cette optique, il envisageait la commercialisation de notre logiciel de maintenance prédictive DiagFit auprès de sa clientèle existante, visant ainsi à améliorer l’attractivité de ses produits.
En outre, le client souhaite proposer de fournir le matériel nécessaire en complément d’une solution digitale telle que DiagFit, répondant ainsi aux besoins complets de ses clients.
Besoin
Le client exprimait le besoin d’une solution Edge non intrusive, et souhaitait vérifier la capacité du dispositif d’ouverture et de fermeture du circuit électrique à effectuer correctement ses manœuvres, ou si une intervention de maintenance est nécessaire.
Dans ce cas d’usage, le client cherchait une solution qui puisse s’intégrer harmonieusement dans son infrastructure existante tout en assurant une surveillance précise et fiable de ses équipements.
Solution
En utilisant DiagFit, notre logiciel a proposé une analyse approfondie des données provenant d’un capteur de vibration. Celui-ci était fixé à l’extérieur du disjoncteur moyenne tension.
Ainsi, le cycle d’ouverture et de fermeture a produit des données de vibrations, qui ont été analysées par DiagFit pour déterminer l’état de santé de l’équipement en question.
Résultats
Le modèle a été formé de manière autonome, sans recours à des données spécifiquement annotées d’échecs, opérant ainsi en mode aveugle.
Les résultats obtenus lors des tests en laboratoire ont révélé une détection extrêmement fiable des pannes, avec un taux de détection de 100%, et une remarquable faible occurrence de faux positifs, évaluée à seulement 1%.
Ces performances témoignent de l’efficacité et de la robustesse du modèle de détection d’anomalie créé par DiagFit
DiagFit, la prédiction de pannes en mode aveugle
Spécialisé dans les séries temporelles industrielles, son interface intuitive est conçue de manière à simplifier son utilisation, et ne nécessitant aucune ligne de code. Au travers d’un guidage étayé, les utilisateurs explorent leurs données pour en extraire les informations essentielles, indispensables à la mise en place d’une démarche de maintenance prédictive efficace.
