Déployer la maintenance prédictive sans expertise en machine learning

Une perception croissante chez les ingénieurs veut que la maintenance prédictive soit désormais le quasi-domaine exclusif des techniques d'IA, les obligeant à acquérir des compétences en machine learning. En réalité, les experts de MathWorks démontrent qu'une maintenance prédictive robuste peut être construite sans connaissances approfondies en ML.

Lors d'un récent entretien avec EDN, Aditya Baru, responsable marketing produit senior, a présenté un flux de travail en quatre étapes et mis en avant des outils spécialisés couvrant chaque phase.

Figure 1. Un flux de travail de maintenance prédictive de base comprend quatre étapes. Source : MathWorks

1. Traitement des données

Pour les ingénieurs qui ne sont pas data scientists, trier les vastes quantités de données brutes générées par les actifs industriels — éoliennes, générateurs, pompes, moteurs — peut sembler insurmontable. Un réacteur d'avion ou une pompe à huile en opération d'exploration peut facilement produire un téraoctet de données par jour, rendant la détection de pannes dans de tels volumes apparemment impossible.

Baru explique que les ingénieurs peuvent commencer par surveiller les flux de données entrants pour détecter de subtils changements, identifier les signes précoces de dégradation et déterminer la cause racine des comportements anormaux. Par exemple, l'analyse spectrale d'une pompe en rotation continue peut révéler les fréquences de défaut qui distinguent un fonctionnement normal d'une défaillance imminente.

Figure 2. Les ingénieurs peuvent détecter fuites et bouchons dans les pompes en suivant les variations de frottement du moteur. Source : MathWorks

2. Indicateurs de condition

Face à 100 échantillons de données temporelles, l'objectif est de les réduire à un seul chiffre riche en informations — un indicateur de condition. Cette étape de réduction de données condense un vaste ensemble de données en un jeu de caractéristiques gérables qui capturent pourtant toute la dynamique pertinente.

Dans une récente collaboration avec Daimler Mercedes, les outils MathWorks ont distillé d'immenses données temporelles d'une chaîne de fabrication en un ensemble compact de caractéristiques — motifs, délais temporels et autres statistiques — réduisant l'empreinte des données d'un facteur 250.

Figure 3. Les ingénieurs peuvent extraire des caractéristiques des données brutes des capteurs et créer des indicateurs de condition à l'aide de techniques temporelles et fréquentielles. Source : MathWorks

3. Modèle prédictif

Avec un jeu de données condensé qui représente fidèlement les données originales, les ingénieurs peuvent employer une gamme de techniques de modélisation classiques — séries temporelles, statistiques ou basées sur les probabilités — sans avoir besoin d'une expertise approfondie en IA ou ML. Ces méthodes sont bien établies dans la communauté de l'ingénierie et sont prises en charge par la Predictive Maintenance Toolbox de MATLAB.

Baru cite Safran, une entreprise aérospatiale qui exploite des techniques de conditionnement de signal dans MATLAB pour prévoir les défaillances de composants, démontrant que les méthodes d'ingénierie traditionnelles restent hautement efficaces.

Figure 4. La Predictive Maintenance Toolbox permet aux ingénieurs d'estimer la durée de vie restante (RUL) et de fournir des intervalles de confiance associés à la prédiction. Source : MathWorks

4. Déploiement de l'algorithme

L'étape finale, et sans doute la plus critique, consiste à déployer le modèle prédictif en production. Les ingénieurs ont plusieurs options : intégrer le modèle localement sur la machine, l'exécuter sur un ordinateur périphérique (edge) à proximité, ou diffuser les données vers des services cloud lorsque la connectivité le permet.

La mise en œuvre de la maintenance prédictive via ce flux de travail en quatre étapes permet aux ingénieurs de fournir un service de maintenance qui maintient les machines opérationnelles 90 % du temps. Une suite d'outils spécialisés est disponible pour gérer chaque étape efficacement.

>> Cet article a été publié à l'origine sur notre site frère, EDN.