Maintenance prédictive

Découvrez comment l’IA peut être utilisée pour prédire et prévenir les défaillances et optimiser la durée de vie utile

Présentation

Des temps d’arrêt non planifiés des équipements peuvent nuire à toute activité. Il est essentiel de maintenir les équipements opérationnels afin de maximiser leur utilisation et de minimiser les coûteux temps d’arrêt non planifiés, ainsi que les risques sur les plans de la santé, de la sécurité et de l’environnement. L’objectif d’une stratégie de maintenance prédictive est à la fois de prolonger la durée de vie utile des équipements et de prévenir les défaillances. La détection des anomalies est une approche courante, car elle permet de déterminer quand un appareil se comporte autrement que prévu. Les solutions de détection des anomalies sont souvent plus précises que les méthodes simples de détection des défaillances basées sur des règles, et s’avèrent utiles pour prévenir des défaillances ou des pannes coûteuses.

Préparer les données

La première étape de la mise en place d’une solution de maintenance prédictive consiste à préparer les données. Elle comprend l’ingénierie d’ingestion, de nettoyage et de caractérisation des données. Les problèmes de maintenance prédictive ont généralement trait aux données suivantes :

  • informations sur l’ordinateur (par exemple, taille, marque et modèle du moteur) ;
  • données de télémétrie (par exemple, données de capteur telles que la température, la pression, la vibration, les propriétés fluidiques et les vitesses de fonctionnement) ;
  • historique de maintenance et d’intervention (historique de réparation d’une machine et journaux du runtime) ;
  • Historique des défaillances : historique des défaillances d’une machine ou d’un composant important.

Pour permettre de prédire les échecs, les données doivent contenir des exemples de réussite et de défaillance. Plus les exemples sont nombreux, meilleurs et plus généralisables sont les modèles de maintenance prédictive. Il est également important de disposer de données tant d’appareils défaillants que d’appareils en service. Les données peuvent inclure des lectures d’équipements en panne à cause du problème spécifique qui vous intéresse, ainsi que d’appareils en panne pour d’autres raisons. Dans les deux cas, plus vous avez de données, meilleure est la solution.

Générez et formez

Bon nombre de solutions de maintenance prédictive utilisent des modèles de classification en plusieurs classes pour calculer la durée de vie résiduelle d’un composant. Utilisez une maintenance prédictive par classification en plusieurs classes quand vous voulez prédire deux résultats, à savoir un intervalle de temps pour une défaillance, ainsi que la probabilité de défaillance due à une cause racine parmi d’autres. En plus du choix des bons algorithmes, un modèle réussi requiert des hyper-paramètres bien réglés. Il s’agit de paramètres, tels que le nombre de couches dans un réseau neuronal, qui sont définis avant le début du processus d’apprentissage. Les hyper-paramètres sont souvent spécifiés par le scientifique des données de manière empirique. Ils ont une incidence sur la précision et les performances du modèle, et l’identification des valeurs optimales nécessite souvent un grand nombre d’itérations.

Chaque cycle d’apprentissage génère des métriques utilisées pour évaluer l’efficacité du modèle. La précision est la métrique la plus prisée pour décrire les performances d’un classifieur, même si, dans les solutions de maintenance prédictive, des scores de rappel et F1 sont souvent utilisés. La précision est le nombre de vrais positifs par rapport au nombre total de positifs, tandis que le rappel est le nombre de vrais positifs par rapport à la somme du nombre de vrais positifs et du nombre de faux négatifs des instances de prévision des défaillances. Les scores F1 prennent en compte les taux de précision et de rappel.

Déployer

Une fois la variante la plus efficace d’un modèle identifiée, le modèle doit être déployé en tant que service web avec un point de terminaison REST. Le modèle est ensuite appelé par des applications métier ou des logiciels d’analyse. Toutefois, dans le cas de la maintenance prédictive, les architectures de bout en bout impliquent souvent une télémétrie en temps réel de machines, qui est collectée par des systèmes tels qu’Azure Event Hubs. Les données sont ingérées par Stream Analytics et traitées en temps réel. Les données traitées sont transmises à un service web de modèle prédictif, et les résultats affichés sur un tableau de bord ou envoyés à un mécanisme d’alerte qui signale les éventuels problèmes aux techniciens ou au personnel de service. Les données ingérées peuvent également être stockées dans des bases de données historiques et fusionnées avec des données externes, telles que des bases de données locales, de façon à ce qu’elles puissent être réinjectées dans des exemples de formation à des fins de modélisation. Certains scénarios d’Internet des objets (IoT) peuvent avoir un modèle déployé en périphérie afin que la détection puisse se produire au plus près de l’événement, tant dans le temps que dans l’espace.

Les clients réalisent des choses incroyables avec l’intelligence artificielle