DiagFit

Le logiciel qui surveille la santé de vos équipements tout au long de leur vie

DiagFit est un logiciel de prédiction de pannes en mode aveugle, étape incontournable dans le processus de maintenance prédictive permettant d’anticiper et de planifier les arrêts machines.

Conçu à partir d’algorithmes de machine learning non supervisés à la pointe de la recherche dans la gestion des séries temporelles industrielles, DiagFit permet la mise en œuvre extrêmement rapide d’une solution de prédiction de pannes robuste et fiable.

 
La génération de caractéristiques, invention au cœur du logiciel, extrait les propriétés mathématiques particulièrement riches qui permettent à DiagFit de détecter efficacement et en temps réel les signaux faibles de défaillance ou de vieillissement de ces équipements. 

 
Basé sur une approche incrémentale unique, notre outil DiagFit s’appuie sur l’intelligence artificielle pour un permettre apprentissage dynamique du fonctionnement de l’équipement tout au long de sa vie, à partir des retours d’expérience des experts métiers.

Conçu à partir d’algorithmes de machine learning non supervisés à la pointe de la recherche dans la gestion des séries temporelles industrielles, DiagFit permet la mise en œuvre extrêmement rapide d’une solution de prédiction de pannes robuste et fiable.

La génération de caractéristiques, invention au cœur du logiciel, extrait les propriétés mathématiques particulièrement riches qui permettent à DiagFit de détecter efficacement et en temps réel les signaux faibles de défaillance ou de vieillissement de ces équipements. 

Basé sur une approche incrémentale unique, notre logiciel DiagFit s’appuie sur l’intelligence artificielle pour permettre un apprentissage dynamique du fonctionnement de l’équipement tout au long de sa vie, à partir des retours d’expérience des experts métiers.

Les avantages de DiagFit dans la prédiction de pannes :

Rapidité

Son approche en “mode aveugle” génère des modèles de prédiction de pannes en quelques heures/jours

Précision

Son coeur technologique ultra performant produit un taux de fausses alertes extrêmement réduit

Explicabilité

Les informations données par capteur ainsi que la reconnaissance des pannes facilitent une intervention sur l’équipement efficace et ciblée

Universalité

DiagFit fonctionne avec tous les types d’équipements et de capteurs, dès lors que ceux-ci produisent des séries temporelles

Utilisabilité

Son interface No-Code ne nécessite aucune connaissance en codage ou en science des données

Autonomie

Sa prise en main intuitive et des aides contextuelles permettent aux utilisateurs d’utiliser le logiciel de façon autonome

Exemple de l’interface DiagFit.

DiagFit : une démarche itérative en 4 étapes

Le logiciel permet de générer un modèle prédictif dédié à un équipement sans avoir de connaissance en codage ou en science de la donnée. Cette étape, appelée “BUILD”*, ne prend que quelques minutes/heures.
La modification manuelle de certains paramètres du modèle est disponible pour les utilisateurs plus aguerris en Data Science.

*étape pouvant être réalisée par nos experts, nous contacter.

Une fois généré, le modèle peut être testé sur un ou plusieurs nouveaux jeux de données. Cette étape permet d’éprouver la robustesse du modèle, d’affiner l’espace de normalité généré en étape 1 et d’initialiser le dictionnaire de pannes qui sera ensuite exploité en étape 3 et enrichi en étape 4.

Le modèle testé est associé à des équipements opérationnels dans cette étape d’exploitation appelée “RUN”. Les techniciens et autres experts du domaine sont alertés lorsque des écarts de fonctionnement sont constatés dans les données. Ils bénéficient alors des indications données par le logiciel pour identifier l’origine de ces écarts, appelés anomalies, et intervenir efficacement pour remettre la pièce ou l’équipement concerné en état de fonctionnement.

Les opérateurs de maintenance, qui ont la connaissance fonctionnelle de l’équipement concerné, peuvent alors accepter ou rejeter les anomalies détectées. Cette étape a pour objectif de compléter l’apprentissage du modèle et d’enrichir le dictionnaire de pannes qui permettra la reconnaissance automatique des pannes dans le futur.

Construire

Le logiciel permet de générer un modèle prédictif dédié à un équipement sans avoir de connaissance en codage ou en science de la donnée. Cette étape, appelée “BUILD”*, ne prend que quelques minutes/heures.  La modification manuelle de certains paramètres du modèle est disponible pour les utilisateurs plus aguerris en Data Science.

*étape pouvant être réalisée par nos experts, nous contacter.

Tester

Une fois généré, le modèle peut être testé sur un ou plusieurs nouveaux jeux de données. Cette étape permet d’éprouver la robustesse du modèle, d’affiner l’espace de normalité généré en étape 1 et d’initialiser le dictionnaire de pannes qui sera ensuite exploité en étape 3 et enrichi en étape 4.

Exploiter

Le modèle testé est associé à des équipements opérationnels dans cette étape d’exploitation appelée “RUN”. Les techniciens et autres experts du domaine sont alertés lorsque des écarts de fonctionnement sont constatés dans les données. Ils bénéficient alors des indications données par le logiciel pour identifier l’origine de ces écarts, appelés anomalies, et intervenir efficacement pour remettre la pièce ou l’équipement concerné en état de fonctionnement.

Enrichir

Les opérateurs de maintenance, qui ont la connaissance fonctionnelle de l’équipement concerné, peuvent alors accepter ou rejeter les anomalies détectées. Cette étape a pour objectif de compléter l’apprentissage du modèle et d’enrichir le dictionnaire de pannes qui permettra la reconnaissance automatique des pannes dans le futur.

“Une boucle vertueuse se met alors en place au fur et à mesure de la vie de l’équipement.”

Un logiciel de prédiction de pannes doté d’une grande flexibilité de déploiement

Cloud public ou privé

Azure, OVH, AWS ou autre cloud propriétaire, DiagFit s’intègre à tous vos environnements.

Sur site

DiagFit est conçu pour être déployé sur les infrastructures les plus exigeantes.

Intégré à une plateforme tierce

La puissance technologique peut être redirigée vers une application tierce grâce à nos API REST.

Embarqué

Nous contacter pour en savoir plus.

Une diversité de cas d’usage

Grâce au mode aveugle et à sa facilité d’implémentation, DiagFit peut couvrir un grand nombre de cas d’usage sur nos différents marchés clés (transport, manufacturing, énergie) :

FAQ

On répond à vos questions les plus fréquentes

Oui, la puissance de notre technologie peut être redirigée vers une application tierce grâce à nos API REST. Nous mettons en place une API en aval et une API en amont.

En savoir plus sur notre logiciel DiagFit

Notre capacité à s’affranchir de labels de pannes et la création de modèles rapides. Nous sommes un logiciel de productivité qui a la capacité d’anticiper ce que d’autres logiciels ne peuvent pas anticiper grâce à nos algorithmes ultra-performants.

En savoir plus notre approche de la maintenance prédictive

Oui, DiagFit est robuste aux changements de contextes.  Au fur et à mesure que DiagFit est enrichi en anomalies, les signatures de ces défauts sont répertoriées dans un “dictionnaire des pannes” de l’équipement. Lors de l’apparition d’une nouvelle anomalie, DiagFit est capable de calculer la probabilité de son appartenance à une ou plusieurs catégories de pannes déjà vues. Il donne alors un score de confiance à l’utilisateur vis-à-vis de cette labellisation. 

L’association du détecteur d’anomalie et de cette technique permet à DiagFit de faire de l’identification de panne (reconnaître ce qui a déjà été vu) en parallèle de la détection de panne sur des cas jamais identifiés auparavant.

Le dictionnaire d’anomalies

Non. Nous entraînons les modèles sur des données saines de l’équipement, toutefois, des labels de pannes peuvent s’avérer utiles pour valider les modèles créés par DiagFit. 

En savoir plus la prédiction de pannes en mode aveugle

Oui, cela permet d’éliminer un certain nombre de FP et les détections de pannes n’en sont que meilleures. 

Amiral Technologies prend le parti de tirer avantage du meilleur des deux approches en travaillant sur un apprentissage dynamique tout au long de la vie de l’équipement. Cette méthodologie est particulièrement pertinente dans le contexte industriel où les occurrences de pannes sont rares et arrivent au cours du temps.

Supervisé + non supervisé = apprentissage incrémental

Demander une démo