Apprentissage automatique dans la maintenance prédictive

Nous examinons comment le machine learning (ML) contribue à perturber les modèles traditionnels de maintenance prédictive, en générant de nouveaux niveaux de productivité et de performances des équipements dans les organisations centrées sur les actifs.

Maintenance prédictive de l'apprentissage automatique (ML)

Les temps d'arrêt imprévus des équipements représentent un risque opérationnel de plus en plus élevé pour les organisations centrées sur les actifs, nécessitant des informations plus approfondies sur la santé des actifs que l'IoT et la maintenance prédictive traditionnelle peuvent faciliter.

Dans ce contexte, nous avons vu les systèmes informatisés traditionnels de gestion de la maintenance (GMAO) faire place à la gestion des actifs d'entreprise (EAM), à la gestion des performances des actifs (APM) et, plus récemment, à une toute nouvelle génération d'outils axés sur la maintenance prédictive. Il est juste de dire que la fiabilité et la performance des actifs ont bel et bien fait leur chemin à l'ordre du jour.

Cependant, le rythme des changements est tel que ces outils de maintenance prédictive ne répondent déjà pas aux exigences de granularité et de performances des entreprises d'aujourd'hui. Perturbée par la convergence de l'IoT et du Cloud, qui, ensemble, offrent une acquisition de données plus complète et en temps réel, la maintenance prédictive de l'apprentissage automatique peut identifier une défaillance potentielle de l'équipement bien avant qu'elle ne se manifeste autrement. De même, il peut prolonger la durée de vie utile restante (RUL) des actifs grâce à une surveillance et une maintenance dédiées, plutôt que de s'en tenir à un calendrier rigide basé sur une utilisation typique.

Maintenance prédictive héritée versus maintenance prédictive de machine learning

Les modèles traditionnels d'apprentissage automatique de la maintenance prédictive sont basés sur l'ingénierie des fonctionnalités. Ces modèles sont créés manuellement en fonction de l'expérience, de l'expertise et des mesures et méthodes standard. Bien que cette approche puisse être extrêmement efficace, en particulier dans les opérations de fabrication, les modèles sont spécifiques à une machine au sein d'une organisation et deviennent donc redondants une fois que cette machine est remplacée. En appliquant l'apprentissage automatique à grande échelle, les réseaux peuvent automatiquement extraire les bonnes fonctionnalités des données, identifier les modèles de défaillance les plus courants et éliminer le besoin de recréer manuellement un modèle chaque fois qu'un nouvel actif est introduit.

Machine Learning Predictive Maintenance applique des algorithmes pour apprendre des données historiques et utilise des données en direct pour analyser les modèles de défaillance. Les données sont collectées au fil du temps, à travers un réseau d'actifs dans un certain nombre d'organisations, ce qui permet de détecter des modèles qui prédisent les pannes d'équipement et d'appliquer des algorithmes d'apprentissage en profondeur.

En combinant des données en temps réel avec des tendances historiques et des variables telles que les facteurs environnementaux actuels, l'apprentissage automatique peut prendre des décisions sur le moment où une action doit être entreprise et faire des suggestions sur ce que cette action devrait être. L'équipe de production peut alors prendre les mesures appropriées sans avoir besoin de comprendre les algorithmes nécessaires.

La maintenance prédictive par apprentissage automatique permet aux ingénieurs de l'atelier d'obtenir les données dont ils ont besoin pour éviter qu'une panne ne se produise, plutôt que de collecter manuellement des indicateurs clés tels que la température et la pression, qui non seulement risquent des inexactitudes et prennent du temps à télécharger, mais présentent un risque pour la sécurité du personnel. Stratégiquement, cette approche permet aux ingénieurs de concentrer pleinement leurs compétences là où elles comptent le plus :le plan de maintenance et les actifs qui nécessitent leur attention.

Exemples de bonnes pratiques

Prenons l'exemple d'une entreprise de transport qui est informée qu'un de ses bus est en panne. La maintenance prédictive héritée peut indiquer que son moteur doit être réparé. Par conséquent, l'action recommandée consiste à accélérer ce service et à identifier le problème. Machine Learning Predictive Maintenance pourrait tirer parti de sa richesse d'informations pour identifier que le type de moteur utilisé dans le bus est sujet à un défaut commun, permettant des diagnostics rapides, le déploiement des bonnes compétences et des mesures correctives pour résoudre le problème. Non seulement cela minimise le « temps d'arrêt » du véhicule, mais cela minimise l'utilisation des ressources et contribue à la réputation de fiabilité de l'entreprise.

Interruption tardive ; innovation continue

L'apprentissage automatique peut être utilisé pour atteindre rapidement de nouveaux objectifs, qu'il s'agisse d'augmenter le débit pour répondre à une demande accrue dans une certaine zone, ou de s'adapter à la production juste à temps en cas de baisse ou de changement de l'offre ou de la demande. Fondamentalement, cela peut être réalisé en un changement plutôt qu'en investissant dans une équipe de science des données, nécessitant un investissement et une formation substantiels.

Compte tenu des temps incertains auxquels nous nous sommes habitués ces dernières années, il n'est pas étonnant que son approche, qui est enracinée dans l'utilisation d'algorithmes pour trouver des modèles dans les données afin de prédire les événements futurs, ait été adoptée dans un large éventail d'industries. Machine Learning Predictive Maintenance a des raisons évidentes de perturber le secteur de la maintenance prédictive héritée.

Non seulement le marché mondial de l'apprentissage automatique devrait passer de 17,1 milliards de dollars en 2021 à 90,1 milliards de dollars d'ici 2026, mais l'élan derrière cette perturbation est tel que d'ici 2026, 60 % des solutions de maintenance prédictive compatibles avec l'IoT seront fournies dans le cadre de l'entreprise. produits de gestion d'actifs.

Prédire le succès

Accessible à toutes les organisations, et avec un minimum de ressources en personnel nécessaires pour la mise en place ou pour la surveillance continue, et la flexibilité d'évoluer selon les besoins, la seule chose qui s'oppose à l'obtention d'un impact de cette manière est l'ambition d'une organisation de s'éloigner du manuel traditionnel. opérations.

L'introduction de l'apprentissage automatique dans une usine libère le potentiel de ses actifs et de ses indicateurs d'état clés. L'apprentissage automatique n'a pas un nombre maximum d'actifs à surveiller, il est capable de gérer aussi peu ou autant de données qu'il contient. Et ses informations deviennent plus précises au fil du temps, car les données supplémentaires enrichissent son expérience de modélisation et d'analyse. En fournissant des informations plutôt qu'une simple surveillance des seuils, les ingénieurs de l'usine peuvent se concentrer là où leur temps est le plus nécessaire et être plus efficaces grâce à la réduction des temps d'arrêt imprévus et à la prolongation de la durée de vie des machines.

Les avantages de cette approche approfondie et basée sur les connaissances de la gestion des actifs s'étendent à tous les recoins d'une organisation, car son impact habilite et met le personnel au défi d'identifier et de saisir de nouvelles opportunités.

Livre blanc :Augmenter l'expertise humaine grâce à l'apprentissage automatique

Téléchargez notre livre blanc gratuit pour en savoir plus sur l'importance de tenir les utilisateurs du système informés, pourquoi Asset Health en tant que concept est trompeur et comment Attention Index fournit un moyen plus efficace de hiérarchiser les actifs avec des gains de productivité importants.