Amélioration des performances des actifs grâce à l'apprentissage automatique

Les dirigeants de l'industrie d'aujourd'hui découvrent de nouvelles façons de maximiser la fiabilité et la valeur de leurs actifs. Grâce à la gestion des performances des actifs optimisée par l'Internet industriel des objets (IIoT) et l'apprentissage automatique, les entreprises peuvent exploiter à la fois les équipements et les données de processus pour prolonger la durée de vie de leurs actifs et atteindre une fiabilité optimale.

En moyenne, jusqu'à 15 % de la marge brute est absorbée par des temps d'arrêt imprévus. En comparaison, les meilleures performances de leur catégorie sont estimées à 5 %. L'élimination de ces pertes nécessitera une maintenance et une production pour travailler ensemble de nouvelles manières.

L'approche traditionnelle de la fiabilité a consisté à construire un modèle des premiers principes de l'actif, à ajuster le modèle avec des données en temps réel, à mettre en œuvre des facteurs correctifs ou à créer des règles de précision, à comparer les sorties du modèle avec des données en temps réel et à mettre en évidence les écarts statistiques par rapport aux conditions normales. . Cependant, ces modèles ne prennent en compte que les données sur les actifs. Ils ne peuvent pas « voir » en amont du processus pour identifier les comportements causaux qui dégradent les actifs et ne peuvent signaler que lorsque le début des dommages devient évident – ​​lorsque les dommages sont déjà causés.

Cette méthode conventionnelle de prévision des performances a été développée il y a 40 ans dans des modèles basés sur des équations d'ingénierie, des techniques statistiques et des moteurs de règles, mais beaucoup s'appuient encore sur elle. L'apprentissage automatique n'est apparu que récemment. Les deux techniques semblent souvent résoudre les mêmes problèmes, mais diffèrent dans les domaines de l'implication humaine et de la précision de la prédiction.

Les techniques de modélisation, qui nécessitent une vaste expérience et des compétences avec des techniques d'étalonnage appropriées, ont été et continuent d'être très fructueuses. Avec les premiers principes, un comportement spécifique doit être compris. Les modèles dynamiques en temps réel offrent des prédictions du comportement des prévisions à tout moment, offrant une compréhension approfondie des performances attendues.

Ce qui rend la résolution du problème des interruptions et des temps d'arrêt imprévus si difficile, c'est la nature dynamique des processus de production. Avec des milliers de variations se produisant simultanément au sein du processus, il est difficile pour les modèles de prédire exactement quels modèles ou tendances conduiront à des événements imprévus.

Les modèles des premiers principes (d'ingénierie) ne montrent que le comportement estimé, attendu ou perçu sur la base des meilleures performances hygiéniquement propres. À quelle fréquence l'équipement mécanique fonctionne-t-il de cette façon ?

Est-ce le même à 30, 50, 100 ou 110 % de débit ? En revanche, l'apprentissage automatique peut apprendre en fonction du comportement réel de l'équipement dans toutes les conditions, y compris les variations saisonnières, les différentes campagnes d'exploitation, le démarrage/l'arrêt et les cycles d'utilisation changeants. Il peut également prendre en compte le processus de détérioration et les performances mécaniques. ​

L'apprentissage automatique exploite les données de processus et d'actifs pour une alerte précoce. Il fait le gros du travail pour trouver les modèles du processus qui signalent les futurs problèmes d'actifs. En identifiant les comportements de processus qui sont à l'origine de la dégradation, les problèmes sont identifiés beaucoup plus tôt.

Avec cette approche, l'analyse des risques et l'apprentissage automatique fonctionnent ensemble pour prévoir en permanence et avec précision les défaillances des actifs des semaines ou des mois à l'avance. Cela peut donner le temps de planifier, de coordonner et de prendre des mesures plutôt que de simplement réagir. C'est ce temps qui permet à la maintenance et à la production de travailler ensemble de manière inédite.

Les applications d'apprentissage automatique ne construisent pas de modèles au sens traditionnel de l'équilibre chaleur/matière et des équations polytropiques thermodynamiques, de la logique et des règles, et de l'interprétation statistique. Ils mesurent les signatures de défaillance plutôt que les machines modèles.

Appliqué avec des compétences et des connaissances du domaine, l'apprentissage automatique absorbe des données de capteur et de maintenance mesurées et dures collectées sur de longues périodes pour identifier des modèles minuscules, multivariés et temporels que les humains ne peuvent pas voir.

Les modèles découverts sont les signatures exactes qui définissent à la fois le comportement normal et les excursions menant à la dégradation et à la défaillance. Par souci de conformité, nous pouvons appeler ces modèles de signatures, mais ils sont conceptuellement éloignés des idées d'ingénierie ou de modèles mathématiques.

Les signatures d'échec développées avec l'apprentissage automatique ne connaissent pas ou ne se soucient pas du type de machine, de l'industrie dans laquelle elle est utilisée ou des principes d'ingénierie qui sous-tendent son fonctionnement. Les signatures ne se soucient que du nombre suffisant de capteurs fournissant suffisamment de données contenant des relations pouvant être apprises entre les capteurs pour déclarer avec précision le comportement de fonctionnement de l'actif dans des circonstances normales et de dégradation/défaillance.

Même une bibliothèque de 125 modèles ne peut pas approcher les centaines de milliers d'actifs uniques qui ont besoin d'être protégés. Cependant, l'apprentissage automatique peut rapidement évaluer les modèles et déployer sur des actifs qu'il n'a jamais vu auparavant en quelques heures ou minutes sans compétences d'ingénierie intenses. Une approche de pointe peut le faire sans compétences en science des données, s'exécuter automatiquement en ligne et en temps réel, et présenter des résultats exploitables en quelques secondes.

Si vous comptez encore uniquement sur des modèles de premiers principes, il est temps de vous moderniser. L'utilisation d'une combinaison de modèles et d'apprentissage automatique est le moyen le plus puissant de détecter et d'éviter les conditions de fonctionnement des processus à risque. Cette combinaison peut expliquer les conditions explicites à tout moment à l'aide du modèle, avec l'apprentissage automatique calibrant et affinant automatiquement le modèle sans trop de conseils humains ou de règles de programmation.

C'est le meilleur des deux mondes :un état de processus précis et en temps opportun ainsi qu'un étalonnage plus simple. Il donne également à vos équipes de maintenance et d'exploitation les informations nécessaires pour travailler ensemble afin d'obtenir les meilleures performances possibles.

Lire la suite :Efficacité globale de l'équipement

À propos de l'auteur

Michael Brooks est consultant senior en gestion de la performance des actifs pour AspenTech.