Banner Big Rep

#39 – IoT – MWC

L’IdO et l’IA au service de la maintenance prédictive

/ / /

Les récentes avancées dans le domaine des capteurs IdO, des analyses de données et de l’intelligence artificielle promettent de mieux prédire les défaillances des équipements. 

 

La maintenance prédictive consiste à collecter des données sur l’état des machines afin que les ingénieurs puissent prévoir d’éventuelles pannes ou défaillances avant même qu’elles ne se produisent. Cela permet par exemple de remplacer les composants défectueux avant qu’ils ne causent des dommages.

Le Fraunhofer Institute for Production Systems and Design Technology de Berlin travaille sur ce concept depuis le début des années 1990. Mais jusqu’ici les chercheurs de l’institut se heurtaient à des obstacles techniques, explique Claudio Geisert, directeur adjoint de la ligne de production et des machines.

Il était très difficile d’avoir accès aux données et de mettre en œuvre la communication machine-to-machine, et en parallèle de développer des algorithmes de prédiction.

Aujourd’hui, sous l’impulsion de la microélectronique grand public, les capteurs IdO sont moins chers, plus petits et facilement disponibles. Dans le même temps, de nombreux logiciels de machine-learning disponibles dans des langages de programmation modernes tels que Python rendent la mise au point d’algorithmes prédictifs plus facile et plus rapide.

L’avantage numéro un est que les systèmes de production sont plus disponibles et que nous pouvons éviter les arrêts imprévus.

Eckhard Hohwieler, responsable de la ligne de production et des machines à l’Institut Fraunhofer, explique que l’utilisation de la maintenance prédictive facilite la planification et la coordination de l’entretien des systèmes de production. Mais les données issues de l’IdO peuvent également aider les fabricants à optimiser la conception des produits.

Lorsque les fabricants d’équipements fournissent des informations sur l’utilisation des machines, les données et leur analyse peuvent avoir un impact sur la conception même des produits et donner des pistes d’amélioration en matière de robustesse et de fonctionnalités.

La maintenance prédictive prend son envol

Grâce aux récents progrès technologiques, la maintenance prédictive se retrouve sous les projecteurs. Le fabricant d’ascenseurs ThyssenKrupp a mis au point MAX, une solution de machine-learning basée sur l’IdO qui est actuellement déployée dans 110000 ascenseurs à travers le monde. Les données qui concernent la cabine (y compris les mouvements de porte), la mise sous tension, le nombre de déplacements, les commandes d’étages et les codes d’erreur sont collectées à partir de capteurs connectés dans le monde entier. Elles sont transmises à un logiciel d’analyse hébergé sur le cloud, qui utilise des algorithmes uniques, mis au point par ThyssenKrupp pour repérer des suites d’éléments susceptibles de conduire à des pannes. L’entreprise affirme que des diagnostics précis et prédictifs sont fournis au technicien en temps réel, lui indiquant à quel endroit une intervention est nécessaire. Elle indique également que cette approche augmente considérablement la disponibilité des ascenseurs en réduisant le temps de panne et en utilisant des diagnostics en temps réel.

MAX décèle les problèmes de maintenance avant qu’ils ne surviennent, aide les techniciens à établir un diagnostic et suggère quels composants doivent être remplacés avant une visite sur site.

Hyun-Shin Cho, responsable des opérations numériques chez ThyssenKrupp Elevator, explique que le nombre d’ascenseurs utilisant ce système représente 10% des ascenseurs en service dont l’entreprise assure l’entretien pour ses clients. L’entreprise a intégré des dispositifs IdO sur d’anciens systèmes et les a installés dans de nouveaux appareils. Elle a également mis au point son propre système de machine-learning basé sur le cloud pour analyser les données.

Cependant, pour profiter au mieux de cet investissement, il ne suffit pas de collecter les données. M. Cho explique que les organismes devraient analyser ces données et intégrer les conclusions de leur analyse dans leur processus opérationnel :

La maintenance prédictive n’est qu’une partie de notre activité. L’un des avantages majeurs de notre système, c’est le dépannage. Lorsqu’un ascenseur qui utilise notre système tombe en panne, le signal s’affiche en temps réel. Nous analysons cette information et les techniciens l’ont en main lorsqu’ils arrivent sur place. Avant, sans ce système, ils devaient procéder au diagnostic eux-mêmes. Aujourd’hui, notre technologie basée sur le cloud permet aux ingénieurs d’intervenir en connaissant déjà le diagnostic.

 

L’intelligence artificielle au service de la maintenance prédictive

Malgré les progrès qui ont été réalisés en matière de maintenance prédictive, il reste des défis à relever. Les modèles prédictifs peuvent nécessiter de grandes quantités de données avant d’être capables d’établir des prévisions exactes sur les équipements. Le temps peut également être un facteur important pour analyser les données récoltées en temps réel puis définir des niveaux de performance considérés comme normaux. Avant que la maintenance prédictive ne devienne un outil exploitable, il faut des mois d’analyse de données et investir dans des profils d’ingénieurs en méga-données.

Pour relever ces défis, DataRPM Corporation utilise l’intelligence artificielle. L’entreprise de technologie cognitive a des clients dans les secteurs du pétrole et du gaz, de l’automobile et des semi-conducteurs. Elle affirme que sa plateforme, développée grâce à des outils spécialisés dans le Big Data comme Hadoop et Apache Spark, aide à automatiser les étapes nécessaires à l’analyse de données, en utilisant le machine-learning pour déterminer quels modèles de données seront les plus efficaces. Cette approche basée sur le méta-learning améliore la qualité et l’exactitude des prévisions d’environ 300 % et, par rapport à d’autres modèles de données, ne nécessite que 3 % du temps et des ressources équivalentes pour être déployée et devenir entièrement fonctionnelle.

Ruban Phukan, co-fondateur et chef de produit chez DataRPM, explique :

Nous utilisons le méta-learning pour automatiser certaines tâches de la « science des données » (data science) qui exigent que les experts apprennent des expériences passées. Nous transférons ensuite ces connaissances afin qu’elles puissent être appliquées à des domaines ayant des contraintes identiques.

La maintenance prédictive a parcouru un long chemin depuis les années 1990. Plus l’IdO et l’intelligence artificielle gagnent du terrain et plus il est facile de prédire au moins une chose : d’une manière ou d’une autre, de plus en plus d’entreprises vont être amenées à s’appuyer sur ces technologies.

 

Traduit de l’anglais par Julie Santoriello


About the Author

Related Posts

The adoption of additive manufacturing technology has accelerated in recent years thanks to...

The NASA probe’s arrival at Jupiter on Monday will improve our understanding of not just the solar...

Could the thinnest, strongest, lightest and most conductive material ever created spark a new...

Banner ABB Turbocharging

Style Switcher

Highlight Color:

               

Backgrounds:

                    

You can also set your own colors or background from the Admin Panel.