Atteindre le zéro temps d'arrêt grâce à la maintenance prédictive pilotée par l'IA

Au milieu des années 2000, le système d'air comprimé de l'usine Toyota North America à Georgetown, KY, tombait en panne en moyenne plus d'une fois par an. Cela a amené certains à l'usine à se demander si l'exploitation de l'apprentissage automatique et de l'IA pourrait résoudre ce problème en fournissant détection d'anomalies, identification de pannes et, surtout, prédiction des défaillances imminentes avant qu'elles ne surviennent.

L'arrêt non planifié du système d'air comprimé signifiait, bien sûr, que toute l'usine avait un problème. L'atelier de peinture utilisait l'air comprimé pour pulvériser la peinture sur les nouveaux véhicules. Le système donnait vie aux outils pneumatiques, et rien ne valait l'air comprimé pour souffler les résidus de ponçage et autres.

Avec un véhicule fini sortant d'une des trois lignes de l'usine toutes les 25 secondes pendant deux quarts, les conséquences étaient significatives si le service d'air comprimé échouait.

« La dépense, si la ligne s'arrête, est énorme », a déclaré Mark Rucker, chef de projet et expert en électricité à l'usine. « Il y a donc une bonne incitation à avoir un service fiable, stable. »

Le système d'air comprimé de plusieurs millions de dollars comprend une douzaine de compresseurs centrifuges Ingersoll Rand, chacun de la taille d'un petit semi-remorque. Les pales de fin de course de chaque compresseur tournent à 20 000 tr/min à une fraction de pouce de leur carter. Si une pale fonctionne ne serait-ce qu'un peu hors spécifications et touche le carter, elle est fichue. La machine entière doit être reconstruite pour un coût d'environ 100 000 $.

Le balancement de la pale n'est pas la cause du crash, cependant ; c'est le résultat.

Le crash — alias un pompage ou reflux — se produit quand quelque chose cause le flux normal d'air du compresseur vers un tuyau d'essayer de s'inverser et l'air dans le tuyau repousse.

La fréquence, le coût et les conséquences des crashes ont poussé Toyota à faire appel à Jay Lee, directeur fondateur des Systèmes de Maintenance Intelligente, pour obtenir de l'aide.

Jay Lee était en avance sur la courbe de l'Industrie 4.0

Au début du nouveau millénaire, avant l'appel de Toyota, Lee était professeur d'ingénierie à l'Université de Cincinnati qui imaginait toutes les machines d'une usine connectées et fournissant des données pour une maintenance intelligente. À cette époque, cependant, une grande partie de la technologie nécessaire pour rendre la vision de Lee réalité n'existait pas encore.

« Il y a vingt ans, très peu de gens croyaient que c'était possible », a dit Lee, qui est actuellement en congé d'enseignement et est vice-président et membre du conseil de Foxconn Technology Group au Wisconsin.

Dans sa vision industrielle, les machines sont comme des patients et les données collectées par des capteurs qui surveillent les machines fournissent des informations sur leur santé. Les experts dérivent des pronostics en interprétant les données qu'ils collectent et analysent.

« J'ai dit : "Pourquoi ne pas tester le sang de la machine ?" Et qu'est-ce que le sang de la machine ? » a dit Lee. « Les données. La question est : "Quelles données voulez-vous obtenir ?" Cela dépend de ce que vous voulez analyser. Nous devons comprendre le contexte et le contenu, et formuler davantage un modèle de relation parmi les inconnus invisibles. »

Caché dans les données se trouve le sens sur le comportement déviant d'une machine ou d'un processus. Débloquer ce sens mène à prédire la qualité, déterminer la stabilité de la machine ou du processus et prévenir les défaillances potentielles. « C'est exactement ce qu'est l'Industrie 4.0 aujourd'hui », a dit Lee.

Le terme « Industrie 4.0 », bien sûr, n'a pas été popularisé avant l'initiative du gouvernement allemand vers 2013.

Plus de crash depuis 2006

Une fois chez Toyota, Lee et son équipe d'analystes de données ont rejoint Rucker et un groupe de travailleurs de maintenance qualifiés et d'ingénieurs d'usine pour s'attaquer au problème du système d'air comprimé.

La simplicité de leurs questions masquait la complexité de la tâche à venir.

« Pouvons-nous prédire un problème de reflux avant qu'il ne cause un crash ? » a dit Rucker. « Pouvons-nous voir quelque chose se développer à temps pour faire quelque chose ? »

Pendant des mois d'essais et d'erreurs en 2005, l'équipe a collecté et analysé des données de haute fidélité d'un des compresseurs et a cherché des anomalies. Parfois, l'équipe créait un pompage ou une condition d'approche de pompage pour forcer la machine à commencer à exhiber un comportement déviant et voir à quoi cela ressemblait dans l'ensemble de données.

Finalement, le travail de l'équipe a payé. Ses membres ont vu que le meilleur prédicteur d'une condition de pompage naissante se produisait à l'étage deux (des quatre étages par lesquels passe le compresseur, progressant de la pression normale à 120 livres par pouce carré, ou PSI).

« Quelles sont les physiques derrière cela, pourquoi est-ce le prédicteur ? » a dit Rucker. « On ne sait pas, on s'en fiche. Nous avons juste vu que cela prédit de manière fiable un futur pompage, et le prédit avec quelques secondes d'avertissement. »

L'étape suivante a été de mettre un capteur différentiel sur chaque compresseur et de créer un algorithme d'apprentissage automatique pour l'unité de contrôle centrale. Les tests ont confirmé que dès que l'étage deux commençait à « vaciller », le compresseur commençait à reculer.

« Chaque fois que nous l'avons testé, cela nous a gardés hors de problème », a-t-il dit. « Nous n'avons eu aucun crash depuis 2006. »

Alors que le projet de contrôle de pompage du compresseur était un succès, un autre qui se concentrait sur la prédiction de la durée de vie des roulements dans les mastodontes de l'air comprimé a échoué. L'équipe n'a pas pu trouver assez de données de maintenance fiables et les associer aux données opérationnelles de la machine pour tirer des corrélations utiles, a dit Rucker.

« C'est probablement le bon mélange de R&D », a-t-il dit. « Vous essayez des trucs, et vous ne savez pas si ça va marcher ou pas. Et si la moitié du temps vous récupérez votre mise, c'est une victoire. Et de temps en temps vous trouvez celui qui paie tout le reste — comme le contrôle de pompage. »

La flexibilité est clé

Lee a ensuite publié un article sur le projet Toyota et, en 2013, a aidé à co-fonder Predictronics avec Patrick Brown, un employé des Systèmes de Maintenance Intelligente, et deux de ses étudiants universitaires, David Siegel et Edzel Lapira. Brown, Lapira et Siegel forment la direction de Predictronics.

Comme Rucker de Toyota a fait appel à Lee pour l'aide de l'IA, les entreprises viennent à Predictronics pour obtenir de l'aide avec leurs aspirations de zéro temps d'arrêt.

« Différents clients sont généralement à différents niveaux de maturité », a dit Lapira, qui est PDG. « Nous avons certains clients qui ont déjà une structure de collecte de données en place : ils ont un data lake mais ne savent pas quoi faire des données. Nous avons aussi certains clients qui doivent partir de zéro. »

Les clients avec des actifs de 50 ou 60 ans doivent commencer à un stade encore plus précoce.

De plus en plus, Predictronics est approché par des clients avec des machines héritées. Lapira et ses collègues les envoient acheter des composants comme des accéléromètres et des transducteurs.

« Ce sont les différents convertisseurs analogique-numérique dont nous avons besoin pour extraire ces données », a-t-il dit.

Depuis sa fondation en 2013, Predictronics a aidé plus de 70 usines avec des solutions d'IA, dont beaucoup sont des entreprises du Fortune 500.

Predictronics a travaillé avec un client, un fabricant de semi-conducteurs, pour établir une solution prédictive de métrologie virtuelle capable d'apprendre la relation entre les variables de capteurs et de mesure.

Le projet était difficile en raison des centaines de signaux mesurés émis par l'équipement de semi-conducteurs.

Mais il existe des méthodes statistiques bien connues pour réduire le nombre de possibilités, a dit Siegel.

« En plus de ces méthodes, au cours des dernières années, c'est davantage la communauté du machine learning qui a développé des méthodes incorporant un algorithme de régression de classification qui ont une partie de sélection de variables intégrée », a-t-il dit. « Cela le réduit aux 10, 20 ou 30 meilleures variables. Ensuite, vous travaillez avec le client ou utilisez vos propres connaissances pour déterminer ce qui a le plus de sens à inclure dans le logiciel et le modèle d'analyse. »

Que Predictronics applique les connaissances acquises de l'expérience précédente dans son approche basée sur des modèles, qui aide à réduire les coûts, ou une solution formulée dans une partie de l'entreprise qui peut ensuite être mise à l'échelle en interne, « trouver une solution qui répond directement aux problèmes les plus critiques mais qui est aussi assez flexible pour être appliquée à d'autres problèmes est clé », a dit Brown.

Diligence raisonnable pour l'IA

Les usines qui cherchent un fournisseur de solutions d'IA comme Toyota l'a fait pour son problème d'air comprimé devraient faire leur diligence raisonnable pour trouver le bon ajustement.

Cela aide de savoir les bonnes questions à poser, ont dit les experts de Predictronics :

• Où vos services ont-ils été utilisés auparavant ?
• Votre solution a-t-elle démontré une amélioration claire des opérations business en termes de réduction des temps d'arrêt ou d'augmentation de la qualité ?
• Votre solution a-t-elle été utilisée dans mon industrie ?
• Votre équipe a-t-elle une connaissance du domaine industriel ?
• Votre solution fonctionne-t-elle avec des équipements hérités ?
• Votre solution fonctionne-t-elle avec une variété de capteurs ?
• Votre solution utilise-t-elle l'apprentissage automatique ?
• Combien de données faut-il pour entraîner le modèle ?
• A-t-elle besoin seulement de données d'une machine saine ou aussi de données d'une machine dégradée ou défectueuse pour apprendre ?

Les robots veulent aussi de l'IA

Pendant que les machines-outils dans un atelier performent mieux sous l'influence de l'IA, il n'y a aucune raison pour que les robots ne fassent pas de même.

Fanuc America a récemment ajouté « AI Error Proofing » (épreuvage d'erreur par IA) à son contrôleur robot et à la fonction de vision des robots, iRVision, qui utilise l'apprentissage automatique (ML) pour l'inspection de pièces.

Avec la capacité d'épreuvage d'erreur, un opérateur utilise des images pour entraîner le ML à vérifier deux situations distinctes — si un écrou soudé est présent ou absent, par exemple — et accepter ou rejeter une pièce.

Puisque iRVision peut supporter jusqu'à 27 caméras, la fonction d'épreuvage d'erreur peut agir en autant de points dans le processus de fabrication.

« Vous voulez identifier les rebuts ou erreurs avant de continuer à ajouter de la valeur à une mauvaise pièce », a dit Josh Person, ingénieur staff dans le groupe vision machine de Fanuc.

« Souvent, vous pouvez voir une erreur à un stade et le stade suivant la couvrirait », a-t-il ajouté.

Pendant la configuration, l'opérateur peut présenter plusieurs exemples de pièces et les classer en deux catégories — bon et mauvais. Si l'exemple ne tombe dans aucune des deux classes, il affichera « indéterminé ». Les exemples indéterminés peuvent ensuite être ajoutés pour améliorer le modèle appris.