Contexte
Notre client est un grand constructeur automobile, reconnu pour la qualité de ses véhicules. Il a récemment dévoilé une nouvelle gamme de véhicules électriques. Dans un marché en pleine transformation, la fiabilité devient un critère décisif pour les utilisateurs. Le client souhaitait donc étudier la faisabilité d’établir une supervision permettant de garantir une disponibilité maximale des véhicules et ainsi réduire les temps d’immobilisation liés à des défaillances techniques imprévues. Anticiper ces pannes avant qu’elles n’entraînent des conséquences visibles ou coûteuses représente alors un enjeu de satisfaction client important.
Besoins
L’objectif du client est clair :
« Mettre en place un dispositif d’analyse de données capable de détecter, voire anticiper, les dysfonctionnements sur les batteries de cette gamme de véhicules électriques en phase de test »
Il souhaite trouver une solution pour son équipe R&D qui leur permettra, dès la phase de test, d’analyser le comportement des batteries et d’analyser les résultats sur les essais sur route.
Il souhaitait pour cela, un outil autonome, rapide à déployer, et capable de transformer de grands volumes de données capteurs en signaux exploitables pour le diagnostic et la fiabilisation de ses systèmes. L’enjeu supplémentaire étant que, les batteries étant complètement nouvelles, aucune donnée d’historique de pannes n’est disponible.
Solution
Des données d’une dizaine de véhicules ont été fournies afin d’être analysées sur Diagfit. Des modèles de références ont été générés sur ces camions à partir des données collectées sur les bancs d’essai. Les data scientist y avait indiqué les moments qui leur semblaient être les plus “anormaux” ce qui a servi de base de référence pour les anomalies. Le client a ainsi pu croiser les résultats des modèles générés par DiagFit avec ses propres analyses pour valider les détections effectuées et affiner les détections.
Résultats
Le projet a été réalisé à partir de données complexes, enregistrées par de nombreux capteurs embarqués sur les batteries. Grâce à DiagFit, les données ont pu être préparées, nettoyées et différents modèles de détection de pannes ont pu être testés.
Les résultats observés ont été les suivants :
– 6 anomalies identifiées par la R&D ont pu être détectées facilement par DiagFit
– DiagFit a également détecté une anomalie supplémentaire qui n’avait pas été repérée initialement par les équipes du client mais confirmée suite à l’analyse.
Détecter des défaillances non identifiables facilement par les équipes est un réel avantage pour le client qui va poursuivre ses analyses sur de nouvelles données et sur de nouveaux cas d’usages. Vous aussi vous voulez tester DiagFit ?
