Conduire la fiabilité et améliorer les résultats de la maintenance avec l'apprentissage automatique

Mike Brooks d'AspenTech

Il existe un besoin important de prévenir les défaillances en utilisant des vérités basées sur les données plutôt que des estimations. La combinaison des pannes mécaniques et induites par les processus coûte jusqu'à 10 % d'un marché mondial de la fabrication de 1 400 milliards de dollars selon un rapport de 2012 du The McKinsey Global Institute .

Alors que les entreprises ont dépensé des millions pour essayer de résoudre ce problème et finalement éviter les temps d'arrêt imprévus, jusqu'à présent, elles n'ont pu résoudre que les défaillances liées à l'usure et à l'âge. Les techniques actuelles ne peuvent pas détecter les problèmes suffisamment tôt et ne perçoivent pas les raisons des défaillances apparemment aléatoires qui causent plus de 80 % des temps d'arrêt imprévus. C'est là que l'utilisation d'un logiciel d'apprentissage automatique pour créer un « réseau plus large » autour des machines peut capturer les défaillances induites par les processus.

Pour éviter les temps d'arrêt imprévus, les entreprises doivent identifier et réagir efficacement aux premiers indicateurs de défaillances imminentes. Les pratiques de maintenance traditionnelles ne prédisent pas les défaillances causées par des excursions de processus, déclare Mike Brooks, consultant commercial senior, AspenTech et ancien Mtell président et chef de l'exploitation.

Cela nécessiterait une approche technologique unique combinant machines et processus; en particulier pour les industries à forte intensité d'actifs telles que la fabrication et le transport. Avec la bonne technologie en place, les organisations peuvent détecter les schémas de dégradation imminente, avec un avertissement suffisant pour éviter les défaillances et modifier les résultats.

Prévoir les temps d'arrêt avec un logiciel d'apprentissage automatique

Les logiciels avancés d'apprentissage automatique ont déjà démontré des succès incroyables dans l'identification précoce des pannes d'équipement. Un tel logiciel est quasi-autonome et apprend des modèles de comportement à partir des flux de données numériques qui sont produits par des capteurs sur et autour des machines et des processus.

Automatiquement et nécessitant des ressources minimales, cette technologie de pointe apprend et s'adapte constamment aux nouveaux modèles de signaux lorsque les conditions de fonctionnement changent. Les signatures d'échec apprises sur une machine « inoculent » cette machine afin que la même condition ne se reproduise pas. De plus, les signatures apprises sont transférées vers des machines similaires pour éviter qu'elles ne soient affectées par les mêmes conditions dégradantes.

Par exemple, une société d'énergie nord-américaine perdait jusqu'à un million de dollars en réparations et en pertes de revenus en raison de pannes répétées de pompes électriques submersibles. L'application avancée d'apprentissage automatique a appris le comportement de 18 pompes. Le logiciel a détecté une fuite de carter précoce sur une pompe qui a provoqué un incident environnemental. L'application de la signature de défaillance au reste des pompes a fourni un avertissement précoce, permettant une action précoce pour éviter un incident répété, évitant ainsi un problème majeur.

Dans un autre cas, une entreprise de fret ferroviaire de premier plan opérant dans 23 États des États-Unis a utilisé l'apprentissage automatique pour remédier aux pannes pérennes de moteurs de locomotives qui ont coûté des millions de dollars en réparations, amendes et pertes de revenus. L'application d'apprentissage automatique fonctionne en ligne, en temps réel et a été déployée sur une très grande flotte de locomotives examinant les données d'huile de lubrification pour des indicateurs extrêmement précoces de panne de moteur.

L'application a même détecté une signature de dégradation alors que le moteur passait un test à basse pression. Le détournement de la locomotive pour un service immédiat "a permis à l'entreprise d'économiser des millions de dollars en temps d'arrêt coûteux et en amendes".

Il est maintenant temps de mettre en œuvre un logiciel d'apprentissage automatique

Les entreprises ne peuvent plus se fier uniquement aux pratiques de maintenance traditionnelles, mais doivent également intégrer des comportements opérationnels dans le déploiement de solutions basées sur les données. L'impératif d'aujourd'hui consiste à extraire de la valeur ajoutée des actifs existants et à mettre en œuvre un programme d'apprentissage automatique avancé pour apporter des améliorations rapides.

Avec les bonnes solutions logicielles, les technologies prédictives détecteront les conditions qui limitent l'efficacité des actifs, tout en fournissant des conseils normatifs qui garantissent que les entreprises restent rentables et améliorent leurs marges.

L'auteur de ce blog est Mike Brooks, consultant senior en affaires, AspenTech et ancien président et chef de l'exploitation de Mtell