Partager

La smart maintenance, pour optimiser le fonctionnement de son outil de production

En assurant le suivi continu et automatisé du fonctionnement d’équipements et de processus industriels, la maintenance intelligente permet de prévenir ou minimiser les risques de dysfonctionnement en production. Pour ce faire, les systèmes développés au CEA-List reposent tout à la fois sur des technologies d’analyse de données, d’apprentissage automatique et de modélisation des connaissances.

Se rapprocher du fonctionnement nominal

Un outil de production qui fonctionne de façon nominale, c’est un outil plus sûr, moins consommateur en énergie et en matière première, dont la durée de vie s’allonge et dont le risque d’arrêt non prévu se réduit.

La promesse de la maintenance intelligente est d’optimiser à la fois le fonctionnement de l’outil de production, pour qu’il tende vers un mode nominal, et le processus de maintenance lui-même pour limiter les indisponibilités et renforcer la sécurité des opérations de terrain.

Le suivi en continu et automatisé des équipements

La maintenance intelligente couvre toutes les étapes d’un processus de maintenance :

  • la détection des dysfonctionnements et des pannes,
  • l’identification de leurs causes (diagnostic) et de leurs effets sur l’environnement de production (pronostic),
  • et bien sûr, la prescription d’actions correctives et/ou préventives.

Les technologies numériques permettent d’automatiser ce processus complexe et de le dérouler en continu, au plus proche des opérations de production, de manière plus sûre et plus précise.

Le suivi en continu des données disponibles – collectées par des capteurs installés sur l’outil de production ou générées par l’outil lui-même – rend ainsi possible la détection à un stade précoce des dérives de fonctionnement et la prévention des pannes. Ce qui permet d’optimiser et de sécuriser les interventions.

La mise en œuvre d’outils de data science, capables d’analyser de grandes quantités de données et de croiser des signaux de nature différente (mesures physiques, mécaniques ou électriques et données machines, par exemple) permet d’adopter des stratégies de détection sophistiquées qui élargissent le champ d’investigation des opérateurs humains. En établissant des dépendances entre les données et en tirant parti des historiques, ces outils permettent d’anticiper les pannes et d’en établir les causes probables.

Des bénéfices dans tous les secteurs industriels

Tous les secteurs industriels peuvent bénéficier du potentiel de la maintenance intelligente. La nature des données peut varier d’un secteur à l’autre, mais les stratégies à mettre en œuvre sont similaires et les outils très proches (moyennant l’adaptation de leur paramétrage et de leur entraînement).

 

Exemples de cas d’usage :

  • Surveillance des machines tournantes, dans l’industrie mécanique ;
  • Suivi de la stabilité d’un process, en chimie ;
  • Surveillance d’un processus d’injection plastique (plasturgie) ;
  • Cybersurveillance des serveurs ; informatiques (analyse des journaux) ;
  • Etc.

Notre réponse

Données exploitables

  • Mesures physiques variées (température, humidité…), électriques, acoustiques et mécaniques (vibrations, pression…) provenant de capteurs placés à proximité ou sur les machines ;
  • Images fournies par des caméras (visibles, infrarouges, …) ;
  • Données de production transmises par les superviseurs de production ;
  • Données techniques contenues dans les journaux des serveurs informatiques (les logs) ;
  • Etc.

Outils d'analyse

  • Systèmes d’IA par apprentissage automatique/profond (machine/deep learning)
    Ils apprennent à prédire les dysfonctionnements en reconnaissant les défaillances passées (mode d’apprentissage supervisé) ou en détectant des déviations par rapport aux comportements jugés « nominaux » (mode d’apprentissage non supervisé). Ces outils requièrent un historique important. Le List a développé deux briques pour faciliter la construction de ce type de systèmes :
  • Streamer, une plateforme open source dédiée à la gestion des flux de données : elle est essentiellement tournée vers la conception et l’évaluation de briques d’IA dédiées à l’analyse et à l’apprentissage de modèles en continu, à partir de signaux physiques (électriques, audio ou vibratoires…) ou de séquences d’évènements (logs machines)
  • DNAi (Distributed and Networked AI), une plateforme d’IA distribuée, permettant de mutualiser les informations extraites et les modèles appris localement, par chaque machine, sans qu’il lui soit nécessaire de partager directement ses données.
  • IA symbolique et systèmes experts
    Ces technologies permettent d’automatiser un raisonnement construit par la modélisation de la connaissance d’experts. Ils sont adaptés aux environnements où l’expertise humaine est bien établie et/ou les données historiques sont rares. Contrairement aux outils de deep learning, ils ont le mérite de fournir un résultat explicable. Le List propose :
  • ExpressIF®, une plateforme d’IA symbolique permettant tout à la fois de modéliser des connaissances humaines, d’extraire ou de mettre à jour des connaissances à partir d’observations, et enfin, sur la base de ces connaissances, d’automatiser des raisonnements de différentes natures pour traiter des données.
Illustration

La RATP vise l’excellence opérationnelle grâce à la maintenance prédictive

Dans le cadre de sa mission d’opérateur du réseau de métro parisien, la RATP s’est fixé comme objectif d’assurer une disponibilité de service de 97 %.

Le fonctionnement du réseau est piloté par un système de supervision. Celui-ci gère le trafic à partir des milliers de données qu’il reçoit des équipements d’infrastructure installés sur les lignes (signalisation, aiguillage, portes dans les stations, etc.).

Pour atteindre son objectif d’excellence opérationnelle, la RATP s’est rapprochée du List. Ensemble, les deux partenaires ont conçu un système de maintenance prédictive de tout l’appareillage d’infrastructure mais aussi du système de supervision lui-même. Ce dernier est, en effet, susceptible de s’engorger en cas d’afflux d’un grand nombre d’alertes.

Le système développé repose sur une adaptation au contexte de l’industriel des technologies d’analyse de données par apprentissage machine du List. Il traite une grande variété de données terrain, mais aussi des données techniques contenues dans les logs du superviseur. Sa fonction est de caractériser l’état du superviseur et de prédire son évolution en vue de prévenir les pannes.

Le système a été évalué à partir de trois années de données rétrospectives. Résultat : 90 % des pannes étiquetées ont été détectées, avec une anticipation de quelques heures. Dans le même temps, les milliers de fausses alarmes déclenchées en cascade par des seuils fixes (proposés nativement par le fournisseur du superviseur) ont été réduits à quelques unités par semaine. Cela contribue à faciliter l’exploitation de l’outil par les collaborateurs intervenant sur le terrain.

Véolia modélise les connaissance de ses experts

Pour optimiser le fonctionnement de ses stations d’épuration, Veolia a fait appel au List pour automatiser la supervision de ses propres traitements des eaux usées. Le système développé utilise la technologie Expressif du List pour modéliser les connaissances de ses experts afin :

  • d’assurer le suivi du bon fonctionnement de la station ;
  • de diagnostiquer les problèmes détectés ;
  • de formuler des recommandations face à ces derniers.

Le démonstrateur développé pour Veolia, disponible en SaaS et en local, a mis en œuvre de nouvelles capacités d’interactivité de l’outil avec les experts métiers : si une information est manquante et compromet le processus de décision, l’outil peut solliciter les opérateurs humains afin de débloquer la situation.

Cette interaction logicielle a pu être mise en place grâce aux fonctionnalités avancées d’ExpressIF® dans la prise de décision et la prise en compte de l’incertitude dans cette prise de décision.