Exploiter l'apprentissage automatique pour une surveillance d'état avancée

On entend beaucoup parler de ce qui se passe dans le domaine de la surveillance d'état concernant l'Internet industriel des objets (IIoT) et d'autres stratégies de transformation numérique. Les résultats promis par l'utilisation de l'apprentissage automatique (ML) et de l'intelligence artificielle (IA) comme forme de surveillance d'état ont encouragé de nombreuses organisations dans divers secteurs à mettre la science des données au service de leurs opérations.

Ainsi, elles espèrent améliorer l'efficacité de leurs efforts de maintenance et garantir la santé continue de leurs actifs critiques. Comme les humains, les ordinateurs peuvent apprendre des expériences passées pour créer des prédictions éclairées sur les résultats futurs potentiels.

Mais la surveillance d'est-elle vraiment si simple ?

La réponse est non.

Imaginez dire à votre organisation que vous pouvez identifier un mode de défaillance particulier si vous laissez la machine tomber en panne au moins trois fois, vous permettant d'apprendre des données et d'identifier des schémas pour ce mode de défaillance spécifique. Cela vous conduirait probablement à être escorté hors des lieux et votre technologie serait raillée. D'où le problème de l'apprentissage automatique.

Apprentissage automatique

Une technologie de données d'intelligence artificielle qui améliore la capacité d'un logiciel de données à prédire les résultats futurs, tels que les défaillances d'actifs imminentes, avec peu d'interaction humaine au-delà de la phase de configuration initiale.
Source : Reliable Plant

On pourrait arguer que nous ne voulons pas entraîner des modèles pour reconnaître des niveaux de modes de défaillance individuels et que nous n'avons besoin d'être notifiés que lorsqu'un actif particulier présente des données qui s'écartent des normes établies. L'apprentissage automatique peut faire un excellent travail à cet égard. Cependant, les données de tendance, utilisées depuis des décennies et ne nécessitant aucun investissement en capital supplémentaire, peuvent également le faire.

La valeur de l'apprentissage automatique dans la surveillance d'état

Alors, quelle est la vraie valeur de la création de ces modèles d'apprentissage automatique ?

Pas grand-chose, si nous en restions là. Mais nous disposons d'une quantité considérable de données pour nous aider et nous soutenir ; de cette façon, nous pouvons entraîner un modèle d'apprentissage automatique à comprendre à quoi ressemblent des conditions acceptables par rapport à des conditions inacceptables.

Nous pouvons également appliquer des données multi-technologies et de processus à cette stratégie, et ce faisant, nous pouvons identifier avec précision quelle donnée ou quel capteur spécifique produit la valeur aberrante. Cela peut alors devenir l'objectif ciblé de l'équipe d'analyse.

Mais quelle est la valeur de faire cela ?

Les données historiques suggèrent que la plupart des installations ont environ 80 % de leurs actifs en bonne santé, ce qui signifie qu'environ 20 % de leurs actifs ont un défaut identifiable. En utilisant ce processus, nous pouvons éliminer efficacement près de 80 % du temps de révision des données requis par les analystes.

Cela libère leur emploi du temps et leur permet de se concentrer sur des données de niveau supérieur et des problèmes plus complexes qui nécessitent une combinaison de connaissances en équipements, processus et domaine pour être résolus. Ce faisant, ils peuvent augmenter le pourcentage d'équipements sains et réduire le nombre de défauts identifiables.

Apprentissage automatique pour l'analyse

La plupart des ingénieurs et analystes n'aiment pas feuilleter des ensembles de données dans l'espoir de trouver un problème. Dans la plupart des cas, leur véritable joie vient de découvrir la cause du problème. L'apprentissage automatique peut être utilisé pour maximiser le temps de l'analyste, ce qui permet un effort de réponse en maintenance et fiabilité plus important et permet l'expansion du programme en ajoutant des actifs ou des technologies supplémentaires.

Le saviez-vous ?

"Les algorithmes d'apprentissage automatique peuvent prédire la défaillance des équipements avec une précision de 92 %, améliorant la fiabilité des actifs et la qualité des produits."
Source : ITConvergence

Comme mentionné précédemment, des algorithmes peuvent être générés pour identifier les anomalies jusqu'au niveau du mode de défaillance, mais ils doivent être accompagnés d'une connaissance métier robuste couvrant plusieurs disciplines, telles que celles priorisant les équipements mécaniques, électriques et stationnaires. Les experts métier devraient avoir une compréhension fondamentale des équipements et des dispositifs de mesure.

Ce processus n'est pas pour les âmes sensibles, et bien qu'il nécessite la collaboration d'ingénieurs logiciels, de data scientists et d'experts en surveillance d'état pour construire ces modèles précis, les avantages sont profonds.

Les avantages de la génération d'algorithmes incluent :

• Réduction des temps d'arrêt en étendant les modèles de maintenance basée sur l'état.
• Réduction des dépenses en abaissant le coût par actif surveillé.
• Réduction des dépenses en éliminant les maintenance préventives basées sur le temps.
• Augmentation de la productivité.
• Augmentation de la productivité des employés.
• Augmentation de la fiabilité des équipements.
• Détection précoce des défauts et pannes en affinant les modèles et seuils locaux.
• Amélioration de la qualité de vie pour toutes les parties prenantes.

Lorsque nous considérons l'analyse d'huile, par exemple, l'algorithme doit contenir des informations et des connaissances sur les composants, pièces et métadonnées individuels de l'actif.

De plus, les mappings du matériau source vers les gammes de tests spécifiques sont indispensables, et la connaissance de la valeur de seuil appropriée est cruciale pour créer les bons modèles d'apprentissage automatique pour l'analyse de lubrification.

De même, dans l'analyse vibratoire, la définition des régions d'intérêt et la découverte de motifs dans la forme d'onde et la transformée de Fourier rapide (TFR) ne sont qu'un point de départ pour votre équipe. Cette connaissance de base inclurait la compréhension des métadonnées et de leurs calculs uniques, qui sont liés à des modes de défaillance et des raisons de défaillance spécifiques.

Votre équipe doit également avoir la connaissance et la compréhension fondamentale de :

• Les modes de défaillance inhérents.
• Quelles données peuvent identifier les modes de défaillance inhérents.
• Quels capteurs sont les plus capables et appropriés à utiliser.
• Où les modes de défaillance sont identifiés dans les données.

Ces éléments manquent souvent dans la plupart, sinon la totalité, des offres clés en main disponibles aujourd'hui. Lorsque vous retirez cette connaissance fondamentale et comptez uniquement sur une régression linéaire simple, le nombre de lectures inexactes, qui incluent à la fois des faux positifs et des faux négatifs, augmente considérablement. Cela ne sert qu'à donner une mauvaise réputation à la technologie d'apprentissage automatique.

Conclusion

Bien que le rôle de l'analyste de surveillance d'état évolue avec le temps, cela devrait être considéré comme une transition positive ; son implication dans la création et la maintenance de ces applications d'apprentissage automatique, ainsi que ses efforts pour mettre à jour continuellement les modèles, seront inestimables pour l'organisation.

Ces efforts de création et de maintenance de bases de données seront au cœur de chaque programme de surveillance d'état, et la précision de chaque algorithme d'apprentissage automatique et d'intelligence artificielle dépendra de la compétence, de la ténacité et de la connaissance de l'analyste.