Contexte
Dans l’industrie sidérurgique, où la robustesse et la précision des équipements sont essentielles, les actionneurs hydrauliques jouent un rôle clé dans le bon fonctionnement des lignes de production. Sur une ligne soudeuse de tôle d’acier, ces vérins hydrauliques sont soumis à des contraintes élevées et doivent fonctionner de manière fiable pour garantir une production continue et de haute qualité.
Cependant, ces actionneurs peuvent être sujets à divers problèmes de maintenance. L’un des risques majeurs concerne les fuites d’huile, qui peuvent avoir des conséquences importantes. Une fuite non détectée peut entraîner une diminution des performances du vérin, provoquant des anomalies telles que :
-
Un risque d’incendie en raison de la présence d’huile dans un environnement à haute température.
-
Un patinage de l’outil, compromettant la précision et la qualité des soudures effectuées sur la tôle d’acier.
-
Une mauvaise qualité de soudure, pouvant affecter la solidité des assemblages et nécessiter des reprises coûteuses.
-
Un arrêt de la chaîne de production, impactant le rendement global et entraînant des pertes financières.
Pour anticiper ces pannes et optimiser la maintenance des équipements, des données cycliques provenant des actionneurs ont été collectées. Ces données, structurées en 11 colonnes, permettent d’analyser en temps réel l’état des vérins hydrauliques et d’identifier les signes avant-coureurs de défaillance. Grâce à cette surveillance, il est possible de mettre en place une maintenance prédictive, réduisant ainsi les temps d’arrêt imprévus et prolongeant la durée de vie des équipements.
Dans un secteur aussi exigeant que la sidérurgie, où chaque dysfonctionnement peut entraîner des perturbations majeures, l’exploitation intelligente de ces données est un atout stratégique pour garantir une production fluide et efficiente.
Besoin
Détecter et anticiper les pannes en utilisant les séries temporelles des actionneurs est un besoin stratégique pour de nombreuses entreprises industrielles, en particulier dans des secteurs exigeants comme la sidérurgie. En exploitant les données cycliques des actionneurs, les entreprises cherchent à mieux comprendre le comportement des équipements en temps réel, à identifier les prémices d’une défaillance, et à intervenir au bon moment. Cette capacité à prévoir les pannes permet non seulement de réduire les coûts de maintenance, mais aussi d’améliorer la sécurité, la qualité de production et la performance globale des installations.
Solution
DiagFit a généré un modèle de prédiction à partir des séries temporelles des actionneurs, répondant ainsi de manière concrète aux enjeux de maintenance prédictive de l’entreprise.
DiagFit permet de prévoir les pannes avant qu’elles n’impactent la chaîne. Il s’appuie sur des algorithmes avancés pour détecter les anomalies, générer des alertes et fournir aux équipes de maintenance les informations nécessaires pour intervenir au bon moment.
En transformant des données brutes en informations exploitables et prédictives, DiagFit devient un véritable outil d’aide à la décision, réduisant les arrêts imprévus, prolongeant la durée de vie des équipements et sécurisant les processus industriels
Résultats
DiagFit a détecté 100 % des cycles étiquetés comme malsains, démontrant ainsi la fiabilité et la précision de son modèle prédictif. En plus de cette performance, le logiciel a également identifié un cycle supplémentaire non initialement étiqueté comme malsain, mais présentant des caractéristiques similaires aux cycles défectueux.
Cette détection proactive suggère une capacité d’anticipation renforcée, permettant de repérer des signes faibles de dégradation avant même qu’une panne ne soit formellement constatée. Ce type de détection est particulièrement précieux dans des environnements industriels critiques comme une ligne soudeuse, où chaque alerte précoce peut éviter une interruption de production ou une dégradation de la qualité.
Ces résultats confirment que DiagFit ne se contente pas de reproduire les étiquetages existants, mais va au-delà en apportant une valeur ajoutée prédictive, essentielle pour une stratégie de maintenance préventive efficace.
Nous constatons que l’ensemble des données anormales ont été identifiées grâce à notre logiciel DiagFit.
Par ailleurs, le cercle rouge met en évidence une détection de panne sur une donnée considérée comme saine, survenue avant une défaillance détectée dans une donnée déjà identifiée comme malsaine.
Cela démontre la capacité prédictive de notre solution, qui anticipe les pannes en amont.
Indicateur de santé global
