Pourquoi choisir la prédiction de pannes ?
La prédiction de pannes en mode aveugle est une méthode de machine learning qui permet de prévoir une défaillance sur un équipement sans avoir à se baser sur des données historiques de pannes. Elle repose sur la création d’un espace de fonctionnement nominal de l’appareil lors de la mise en place de la solution.
Le logiciel se sert des données saines de l’équipement pour créer un espace de normalité, et tout résultat en dehors de cet espace est considéré comme une anomalie et signalé aux équipes de maintenance : c’est ce que l’on appelle la détection d’anomalies.
Le logiciel DiagFit, alimenté par de puissants algorithmes issus d’années de recherche scientifique, peut anticiper les pannes avec une grande précision et un faible taux d’erreur.
Même si la maintenance préventive basée sur l’état de l’équipement et les règles constructeurs a fait ses preuves, il est indéniable que la maintenance prédictive attire de plus en plus d’industriels. Cet engouement est dû en grande partie à l’optimisation des coûts liés aux pièces détachées, aux interventions de maintenance et aux arrêts machines. Ces
gains sont rendus possibles par l’anticipation des défaillances et la surveillance de l’usage réel de l’équipement.
Grâce à la détection de signaux faibles annonciateurs de défaillances, le temps de fonctionnement des équipements est nettement amélioré. De plus, une panne anticipée est une panne qui ne survient pas de façon inopportune. Pour de nombreux secteurs, notamment celui du transport et de l’énergie où l’humain est en jeu, ce critère est déterminant pour la sécurité des usagers.
La réduction du nombre d’arrêts machines, l’optimisation des performances et de la durée de vie des équipements, ainsi que la maximisation de la rentabilité grâce à la gestion de stock en temps réel sont autant d’avantages qui incitent les industriels à investir dans la prédiction de pannes et d’usure afin de se différencier de leurs concurrents.
L’essor du “produit comme un service” permet aux industriels de proposer des offres de disponibilité garantie à leurs clients. Ce changement de business model est notamment
possible grâce aux capteurs embarqués couplés à un logiciel de prédiction de pannes, permettant ainsi au constructeur de garantir une qualité de service constante tout au long de la vie des équipements.
Passer de la maintenance préventive à la prédictive
Même si la maintenance préventive basée sur l’état de l’équipement et les règles constructeurs a fait ses preuves, il est indéniable que la maintenance prédictive attire de plus en plus d’industriels. Cet engouement est dû en grande partie à l’optimisation des coûts liés aux pièces détachées, aux interventions de maintenance et aux arrêts machines. Ces
gains sont rendus possibles par l’anticipation des défaillances et la surveillance de l’usage réel de l’équipement.
Améliorer le temps de fonctionnement et la sécurité des équipements
Grâce à la détection de signaux faibles annonciateurs de défaillances, le temps de fonctionnement des équipements est nettement amélioré. De plus, une panne anticipée est une panne qui ne survient pas de façon inopportune. Pour de nombreux secteurs, notamment celui du transport et de l’énergie où l’humain est en jeu, ce critère est déterminant pour la sécurité des usagers.
Se différencier de la concurrence
La réduction du nombre d’arrêts machine, l’optimisation des performances et de la durée de vie des équipements, ainsi que la maximisation de la rentabilité grâce à la gestion de stock au réel sont autant d’avantages qui incitent les industriels à investir dans la prédiction de pannes et d’usure afin de se différencier de leurs concurrents.
Basculer sur une approche service
L’essor du “produit comme un service” permet aux industriels de proposer des offres de disponibilité garantie à leurs clients. Ce changement de business model est notamment
possible grâce aux capteurs embarqués couplés à un logiciel de prédiction de pannes, permettant ainsi au constructeur de garantir une qualité de service constante tout au long de la vie des équipements.
Le mode aveugle, un atout pour la prédiction de pannes dans l’industrie 4.0
Chez Amiral Technologies, le mode aveugle a plusieurs significations pour notre logiciel de prédiction de pannes DiagFit
DiagFit n’a pas besoin de connaître le type d’équipement ou de capteur qu’il surveille. L’ensemble de ces informations pouvant être anonymisées.
DiagFit n’a pas besoin d’être enrichi par l’historique de pannes de l’équipement surveillé. L’apprentissage étant basé sur le fonctionnement nominal de l’équipement (approche non-supervisée).
DiagFit n’a pas besoin que les données d'entraînement importées soient labellisées a priori.
Chalk & talk
Antoine, Data Scientist chez Amiral Technologies
La prédiction de pannes en mode aveugle
“Créer un modèle de prédiction de pannes en mode aveugle, revient à caractériser au mieux l’ensemble des points de fonctionnement [d’un équipement].”
Un savoir faire technologique et scientifique
Notre logiciel DiagFit est basé sur un savoir-faire unique et une propriété intellectuelle scientifique issus du Centre National de Recherche Scientifique (CNRS).
C’est pourquoi l’ADN d’Amiral Technologies est constitué d’un savant mélange d’innovations, de recherches fondamentales autour du Machine Learning Incrémental et d’expertise en développement opérationnel.
FAQ
On répond à vos questions les plus fréquentes
Un constat est fait par toute l’industrie :
- il existe une grande diversité d’équipements industriels et de capteurs
- les données générées par les capteurs mesurant les grandeurs physiques des équipements sont majoritairement des séries temporelles industrielles, par nature complexes à analyser
- et enfin il existe peu ou pas d’occurrences de pannes dans les données historiques rendant de ce fait les modèles supervisés longs à déployer
La seule approche permettant de répondre à ces trois contraintes, est celle pratiquée par Amiral Technologies avec son logiciel DiagFit. Elle consiste à mettre œuvre une solution logicielle de prédiction de pannes basée sur la création d’un espace de normalité propre à l’équipement, créé à partir des données saines issues de ses capteurs. C’est une démarche communément appelée « détection d’anomalie » en machine learning qui se base sur des algorithmes d’intelligence artificielle dits non supervisés. Amiral Technologies met en œuvre cette démarche avec ses propres méthodes scientifiques. Cela conduit à des modèles produits rapidement, à des détections de défauts très tôt, et à la détection de signaux faibles jamais vus auparavant par les industriels.
Il est essentiel de pouvoir détecter les anomalies déjà connues ainsi que celles jamais observées auparavant. C’est le cas sur les bancs d’essai, sur les nouveaux équipements mis en exploitation, et sur les équipements vieillissants.
Le ‘’mode aveugle’’ signifie que le logiciel DiagFit d’Amiral Technologies n’a pas besoin de connaître le type d’équipement qu’il supervise, et n’a pas besoin de données historiques de pannes pour produire des modèles prédictifs.
