Produit DiagFit
La prédiction de pannes, le maillon faible de la chaîne de valeur des objets connectés
Lire la vidéo

DiagFit comble le vide du workflow de la maintenance prédictive : le traitement des données IIoT pour fournir des prédictions exploitables.

Il contient des algorithmes consistant en une génération automatique de caractéristiques pour les séries temporelles, ce sont des propriétés mathématiques qui décrivent des séries de données dépendantes du temps provenant d’un équipement dont le comportement est régi par des lois, et qui sont capturées par des capteurs physiques.

Ces propriétés sont extrêmement riches au point qu’elles augmentent considérablement les chances de trouver des solutions à des problèmes tels que la détection de signes de défaillance, de vieillissement ou d’approche de fin de vie d’un équipement.

La génération automatique de caractéristiques pour les séries temporelles (ou propriétés/indicateurs) est similaire au fait d’avoir un grand nombre de photographies de la série temporelle. Ces photographies, si elles sont obtenues sur un nombre suffisamment représentatif de données d’équipements sains, permettent de façonner une vision robuste et riche de ce à quoi ressemble la normalité. Cela permet la détection d’anomalies avec une assez grande précision et un faible taux de fausses alertes. Ces photographies représentent les empreintes de la normalité. C’est l’abondance des propriétés discriminantes qui rend l’identification si fiable.

C’est ce qui permet à Amiral Technologies de développer une solution de prédiction des pannes sans avoir besoin de données historiques de pannes. L’ industrie (heureusement) n’a pas autant d’échecs dont on peut tirer des leçons.

DiagFit est basé sur des inventions scientifiques

Avantages

  • En mode aveugle : fonctionne sans données historiques de pannes
  • Entièrement automatisé : aucune compétence en science des données n’est requise
  • Agnostique pour les capteurs et agnostique pour l’équipement
  • Précis : taux de fausses alertes réduit
  • Rapide : modèles construits en heures/jours versus semaines/mois 
Lire la vidéo
Lire la vidéo