Exploiter l’apprentissage automatique pour une surveillance avancée des conditions

Nous entendons beaucoup parler de ce qui se passe dans le domaine de la surveillance conditionnelle 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 de l'état ont encouragé de nombreuses organisations de divers secteurs à mettre la science des données à leur service.

De cette manière, ils 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 conditionnelle est-elle vraiment aussi simple ?

La réponse est non. 

Imaginez dire à votre organisation que vous pouvez identifier un mode de défaillance particulier si elle laisse la machine tomber en panne au moins trois fois, ce qui vous permet d'apprendre des données et d'identifier des modèles pour ce mode de défaillance spécifique. Cela conduirait probablement à vous escorter hors des locaux et à se moquer de votre technologie. 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 des pannes imminentes d'actifs, avec peu d'interaction humaine au-delà de la phase de configuration initiale.
Source :Usine fiable

On pourrait faire valoir que nous ne voulons pas entraîner des modèles pour reconnaître les niveaux de modes de défaillance individuels et que nous avons uniquement besoin d'être avertis lorsqu'un actif particulier présente des données qui s'écartent des normes établies. L’apprentissage automatique peut faire un travail formidable à cet égard. Cependant, il en va de même pour les données de tendance, qui sont utilisées depuis des décennies et ne nécessitent aucun investissement en capital supplémentaire.

La valeur du machine learning dans la surveillance des conditions

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

Pas grand-chose, si l’on devait terminer l’histoire ici. Mais nous disposons d’une énorme quantité de données disponibles pour nous aider et nous soutenir ; de cette façon, nous pouvons entraîner un modèle d'apprentissage automatique pour comprendre à quoi ressemblent les conditions acceptables par rapport aux 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 le point de mire de l'équipe d'analyse.

Mais quel est l'intérêt 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 présentent un défaut identifiable. En utilisant ce processus, nous pouvons éliminer efficacement près de 80 % du temps d'examen des données requis par les analystes.

Cela libère leur emploi du temps et leur permet de se concentrer sur des données de plus haut niveau et des problèmes plus complexes qui nécessitent une combinaison d'équipements, de processus et de connaissances du 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 parcourir des ensembles de données dans l’espoir de trouver un problème. Dans la plupart des cas, leur véritable joie vient du fait de découvrir la cause du problème. L'apprentissage automatique peut être utilisé pour maximiser le temps de l'analyste, ce qui permet un plus grand effort de réponse en matière de maintenance et de fiabilité et permet l'expansion du programme en ajoutant des actifs ou des technologies supplémentaires.

Le saviez-vous ?

"Les algorithmes de machine learning peuvent prédire les pannes d'équipement avec une précision de 92 %, améliorant ainsi 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 solide connaissance du domaine qui couvre plusieurs disciplines, telles que celles donnant la priorité aux équipements mécaniques, électriques et fixes. Les experts en la matière doivent avoir une compréhension fondamentale des équipements et des appareils de mesure.

Ce processus n'est pas destiné aux âmes sensibles, et bien qu'il nécessite la collaboration d'ingénieurs logiciels, de scientifiques des données et d'experts du domaine de la surveillance des conditions pour construire ces modèles précis, les avantages sont profonds.

Les avantages de la génération d'algorithmes incluent :

• Diminution des temps d'arrêt grâce à l'extension des modèles de couverture de maintenance basée sur l'état.
• Diminution des dépenses en réduisant le coût par actif surveillé. 
• Diminution des dépenses en éliminant les MP basés sur le temps.
• Productivité accrue.
• Augmentation de la productivité des employés.
• Fiabilité accrue des équipements.
• Détection précoce des pannes et des pannes en affinant les modèles et seuils locaux.
• Améliorations de la qualité de vie de toutes les parties prenantes.

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

De plus, les mappages du matériau source avec les ardoises de test spécifiques sont indispensables, et la connaissance de la valeur seuil appropriée est essentielle afin de créer les modèles d'apprentissage automatique appropriés pour l'analyse de la lubrification.

De même, dans l'analyse vibratoire, définir les régions d'intérêt et découvrir des modèles au sein de la forme d'onde et de la transformée de Fourier rapide (FFT) n'est qu'un point de départ pour votre équipe. Ces connaissances de base incluraient la compréhension des métadonnées et de leurs calculs uniques, liés à des modes de défaillance et des raisons de défaillance spécifiques.

Votre équipe doit également avoir les connaissances et la compréhension fondamentale de :

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

Ceux-ci sont souvent absents de la plupart, sinon de la totalité, des offres disponibles aujourd'hui. Lorsque l’on supprime ces connaissances fondamentales et que l’on s’appuie uniquement sur une simple régression linéaire, le nombre de lectures inexactes, qui incluent à la fois des faux positifs et des faux négatifs, augmente considérablement. Cela ne fait que donner une mauvaise réputation à la technologie d'apprentissage automatique.

Conclusion

Même si le rôle de l'analyste de surveillance des conditions se développera et évoluera au fil du temps, cela doit être considéré comme une transition positive ; leur implication dans la création et la maintenance de ces applications d'apprentissage automatique, ainsi que leurs 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 tout programme de surveillance de l'état, et la précision de chaque algorithme d'apprentissage automatique et d'intelligence artificielle dépendra des compétences, de la ténacité et des connaissances de l'analyste.