Débloquer la vraie valeur business avec la data science pour la maintenance d'actifs industriels

Prévenir les pannes en prédisant l'état et les besoins maintenance des actifs industriels est un défi massif. Le monde de la data science est plein de modèles qui peinent à délivrer des résultats en environnements réels. Quelle est donc la meilleure approche ?

Théorie et pratique

En théorie, théorie et pratique sont les mêmes. En pratique, elles ne le sont pas. Nulle part cela n'est plus vrai qu'en essayant de traduire des modèles d'actifs industriels en insights actionnables délivrant des améliorations sur le shop floor. Les papiers académiques sur la data science peuvent inclure des analyses démontrant comment tel algorithme peut améliorer tel autre d'un point ou deux de pourcentage, mais en environnement usine, couper à travers des signaux bruités pour découvrir ne serait-ce qu'un pattern peut être un défi.

Pourtant, ce n'est que le premier obstacle majeur que les développeurs de modèles DIY doivent surmonter s'ils espèrent que leurs efforts permettront la Maintenance Prédictive ou d'autres résultats business. Ceux qui parviennent à développer un modèle robuste qui fonctionne sous conditions réelles se heurtent immédiatement au prochain gros problème : les modèles utiles doivent être déployés, pas seulement développés.

Le déploiement signifie naturellement faire tourner les modèles à l'échelle. Mais cela signifie aussi fournir une interface qui présente les résultats de façon conviviale et satisfait les utilisateurs en permettant à différents groupes de prioriser les alertes, collecter le feedback, etc. Si vous avez 20 000 robots travaillant dans une usine majeure, même déployer une interface utilisateur pour afficher des graphiques interactifs pour tous est loin d'être trivial. En fait, les modélisateurs DIY trouvent typiquement qu'ils essaient en fait de développer leurs propres apps. Cela peut être extrêmement gourmand en ressources et coûteux.

Demandez aux experts

Pour ces raisons, il est presque toujours mieux de s'associer à un fournisseur spécialiste, complet avec sa propre expertise data science et le support de déploiement nécessaire pour assurer que les utilisateurs shop floor peuvent facilement accéder à l'information dont ils ont besoin. Les entreprises peuvent penser que leurs propres modèles custom peuvent performer mieux que les algorithmes génériques générés par les fournisseurs. Cependant, toute différence est souvent marginale et peut être largement compensée par les aspects négatifs de faire cavalier seul.

Par exemple, les modèles utilisés dans la solution de Maintenance Prédictive de Senseye, Senseye PdM, sont souvent à niveau avec les modèles custom et peuvent même performer mieux. Ses algorithmes uniques de machine learning transforment les données en une prédiction précise de la Durée de Vie Utile Restante (RUL) des actifs manufacturiers — technique connue sous le nom de pronostics.

Une raison pour laquelle Senseye PdM surpasse régulièrement les attentes est que les algorithmes traitent chaque machine comme unique — même si elles sont du même make et modèle. Des machines qui démarrent identiques se comporteront et s'useront différemment avec le temps car elles sont soumises à des différences dans leur environnement immédiat ou dues au travail qu'elles effectuent. Traiter chaque actif comme un individu avec une « empreinte comportementale » unique booste considérablement la précision des pronostics de Senseye PdM et soutient mieux les équipes en charge des actifs de production pour maximiser la disponibilité.

Outre la performance prouvée d'algorithmes testés et éprouvés, s'associer avec Senseye élimine tous les maux de tête accompagnants autour de la performance robuste, le scaling, le déploiement, l'utilisabilité et la sécurité.

Si un utilisateur potentiel a déjà développé un modèle custom et voudrait l'utiliser, Senseye peut l'intégrer dans le système via une API. Même si le modèle custom lui-même n'est pas intégré dans Senseye PdM, la solution peut encore accepter les résultats de modèles custom comme input utile.

Cependant, il reste beaucoup plus courant pour Senseye de déployer ses propres algorithmes génériques sophistiqués. Les data scientists de Senseye se concentrent sur le monde réel tel qu'il est, pas comme nous voudrions qu'il soit, donc les modèles sont extrêmement robustes même dans les environnements de données les plus bruités.

Quand les utilisateurs visent à implémenter pronostics et Maintenance Prédictive, cette approche robuste est particulièrement importante lors de la capture de données depuis des défaillances. Dans ce qui peut être un moment relativement chaotique, il est vital d'extraire de l'information significative sous le bruit pour que le système puisse identifier une défaillance approchante et lever une alerte avant que l'actif ne défaillle à nouveau.

Travailler ensemble

Même si faire appel à une expertise externe est la façon la plus efficiente en ressources de déployer des modèles pour la surveillance d'état et la Maintenance Prédictive, les utilisateurs jouent un rôle important pour tirer le meilleur des modèles de données génériques.

Pour commencer, il y a toujours une courbe d'apprentissage lors du déploiement d'un modèle générique. Par exemple, Senseye PdM prend initialement 14 jours pour délivrer des résultats, construisant une « empreinte » du comportement unique de chaque actif sous conditions normales d'opération.

L'expertise et l'expérience internes de nos équipes clients incluant spécialistes surveillance d'état et ingénieurs mécaniques combinées avec nos experts technologiques peuvent alimenter ce processus, permettant à Senseye de configurer le système en amont pour prioriser certaines des données et événements qui intéressent le plus les utilisateurs. Cela accélère le processus d'apprentissage initial pour les algorithmes. Sur le long terme, un système de feedback régulier permet aux algorithmes de construire une image de quels événements et tendances importent aux utilisateurs et lesquels sont non pertinents. C'est utile quand on déploie des modèles génériques qui s'adaptent progressivement pour prédire le comportement de chaque machine de plus en plus précisément avec le temps.

Résultats réels

Faites-le bien et les bénéfices business sont extrêmement impressionnants. Senseye PdM réduit typiquement les arrêts machine non planifiés de 50%, augmente la productivité du personnel maintenance de 55% et booste la précision de prévision des arrêts de 85%.

Typiquement, ces bénéfices sont difficiles à égaler avec des algorithmes custom, donc une approche distinctive est hautement recommandée pour atteindre des résultats réels.

Découvrez plus en lisant notre livre blanc « Harness The Power of Prediction » ou essayez notre Calculateur ROI pour voir comment vous pourriez bénéficier.