Contexte
Notre client surveille un équipement critique sur son navire avec 64 capteurs. Sur la base des données acquises, il appliquait une surveillance conditionnelle avec des seuils spécifiés par des experts du domaine. Le temps de trouver comment traiter les données et de spécifier les règles de décision prend trop de temps, il ne trouve pas de signaux faibles conduisant à des pannes, et ce processus n’est pas évolutif vers d’autres équipements.
Besoin
Notre client souhaitait obtenir un modèle de prédiction de panne, produit sans aucune connaissance du système physique sous-jacent, aucune connaissance de la nature des capteurs, et qui pourrait identifier les capteurs à l’origine de la défaillance.
Solution
À partir de données saines anonymisées acquises pendant un an, DiagFit a été utilisé pour créer en quelques heures un modèle unique qui capturait les corrélations entre les données des capteurs et produisait un état de santé par capteur.
Résultats
Le modèle prédictif produit par DiagFit a donné de bien meilleurs résultats que le système développé par notre client, il n’a fallu que quelques heures pour le créer au lieu de plusieurs mois, et le fait qu’il ait été créé sans aucune connaissance du système physique sous-jacent signifie que le processus peut être reproduit rapidement sur d’autres équipements.
L’illustration ci-dessous présente 3 courbes
De haut en bas, la première courbe est un instantané des données acquises par un capteur.
La deuxième courbe est la vérité terrain de l’échec, ce qui signifie que lorsque la courbe est tombée à -1, le système était dans un état anormal. Lorsqu’il est revenu à 1, le système a échoué et une opération de maintenance a résolu le problème pour revenir à un état sain.
La dernière courbe est notre indicateur de santé calculé à partir de notre modèle. Il démontre la capacité de prédire la panne presque un jour à l’avance.
