Améliorer la disponibilité des actifs avec le Machine Learning avancé — Succès industriel prouvé

L'apprentissage automatique (ML) a évolué d'un outil de niche pour grandes entreprises à une solution de surveillance d'actifs facilement déployable. Aujourd'hui, les essais à court terme et les plateformes cloud permettent aux fabricants d'intégrer le ML sans les coûts initiaux lourds d'il y a une décennie.

Machine Learning pour une meilleure disponibilité des équipements de fabrication

Les modèles ML identifient les précurseurs de défaillance aux tout premiers stades, reflétant la logique classique de la courbe P-F : plus une anomalie est détectée tôt, moins elle engendre de temps d'arrêt et de maintenance. Le processus commence par un modèle d'actif complet qui capture tous les paramètres de processus et d'équipement pertinents — généralement 10 à 30 variables, parfois approchant 100. Par exemple, un modèle de pompe peut inclure la pression d'aspiration, la pression de refoulement, la position de vanne, la température et la vibration des roulements.

Les données historiques, généralement une année complète pour capturer les variations saisonnières, forment l'ensemble de données d'entraînement. Un ingénieur qualifié par l'opérateur signale les périodes de fonctionnement « bon » à inclure, et de fonctionnement « mauvais » à exclure, assurant que le modèle apprend à partir de données précises et de haute qualité. Le modèle entraîné génère une matrice opérationnelle qui définit les plages de paramètres attendues pour chaque condition de fonctionnement.

Une fois déployée, la matrice surveille continuellement les données en temps réel. Si un paramètre diverge au-delà d'un seuil défini, le système déclenche une alerte. L'alerte est triée comme : 1) valide — les ressources de l'usine traitent le problème ; 2) inconclusive — continuer la surveillance et collecter plus de données ; 3) faux positif — réentraîner le modèle avec des données mises à jour.

La gestion de ces modèles exige une expertise dédiée. Une ressource typique à temps plein alloue 40 % de son temps à la maintenance des modèles, 40 % à la résolution d'incidents avec les équipes d'usine, et 20 % à l'évaluation du retour sur investissement du programme ML.

Résultats du Machine Learning

Les applications ML révèlent des changements subtils invisibles aux opérateurs humains. Voici des exemples réels illustrant comment des alertes précoces ont évité des temps d'arrêt coûteux.

Figure 1. Augmentation de la vibration du roulement de ventilateur

Dans ce cas, une hausse de la vibration du roulement a signalé une fuite d'huile cachée. Une inspection rapide a identifié la fuite au niveau de la connexion du chapeau de roulement, permettant une action corrective avant que le roulement ne soit endommagé.

Figure 2. Pureté de l'hydrogène du générateur

Une baisse graduelle de la pureté de l'hydrogène sur un mois a été détectée tôt, donnant aux équipes le temps d'adresser le problème sans arrêt.

Figure 3. Filtre de pompe EHC

Une pression différentielle croissante sur un filtre de pompe EHC a provoqué un échange de pompe, évitant un déclenchement potentiel de turbine.

Figure 4. Température de l'huile du pulvérisateur

Une hausse de température dans le système de lubrification a conduit au remplacement d'une vanne d'eau de refroidissement défaillante, restaurant le fonctionnement normal.

Des exemples additionnels d'une seconde plateforme ML démontrent davantage une précision prédictive cohérente à travers divers types d'équipements. Dans chaque instance, le logiciel a identifié les écarts, généré des alertes et facilité des réponses rapides de l'usine, confirmant la haute valeur de la communication post-détection.

Figure 5. Flux de pulvérisation haute pression

Quand le flux de pulvérisation a dévié du modèle à 1 000 lb/h, une alerte a permis aux opérateurs d'enquêter et de corriger le problème avant qu'une alarme ne se déclenche.

Figure 6. Vibration de turbine à combustion

Au démarrage, un capteur vibratoire desserré a déclenché une alarme dans un scénario, illustrant comment même de petits changements mécaniques peuvent être signalés promptement.

Figure 7. Pression du tambour HRSG

Dans un autre scénario de démarrage, une chute de pression a mené à une alarme. L'usine a mis l'unité hors ligne pour réparation de vanne, après quoi le modèle et les valeurs réelles sont revenus à l'alignement.

Applications futures du Machine Learning

Nous anticipons le ML devenir un composant standard des Systèmes de Contrôle Distribués (DCS). Le DCS générera des prédictions de paramètres, les comparera aux données réelles et délivrera des alertes actionnables aux opérateurs. Au fur et à mesure que le système apprend les actions correctives, l'implication de l'opérateur diminuera, tendant vers des usines auto-optimisantes — une vision déjà réalisée dans les véhicules autonomes comme l'autopilote de Tesla.

Déployer le ML dans les milieux industriels requiert désormais des compétences spécialisées, mais la barrière à l'entrée plus basse et les coûts décroissants favorisent une adoption plus large. Dans les années à venir, des solutions ML grand public pourraient entrer dans l'atelier, démocratisant davantage l'analytique avancée.