Un TRS capté directement depuis vos machines, sans saisie manuelle ?
Voir en directLe terme IA est appliqué aux technologies de maintenance en production de façon si large qu'il est devenu presque dénué de sens dans le marketing des fournisseurs.
Toute plateforme disposant d'un algorithme revendique des capacités d'IA.
Tous les algorithmes ne sont pas de l'IA au sens significatif.
Voici une définition utile pour les besoins de la maintenance industrielle.
L'IA dans la maintenance industrielle fait référence aux modèles d'apprentissage automatique et aux techniques associées qui apprennent des motifs à partir des données historiques de maintenance et de production et utilisent ces motifs appris pour produire des résultats améliorant les décisions de maintenance, prédire les défaillances d'équipement ou automatiser les flux de travail de maintenance.
Le mot clé est apprendre.
Une alerte par seuil qui se déclenche lorsque l'amplitude des vibrations dépasse une valeur configurée n'est pas de l'IA.
C'est une règle.
Un modèle qui apprend les signatures vibratoires spécifiques qui précèdent les défaillances de roulements sur un modèle de moteur donné dans les conditions d'exploitation d'une installation spécifique, et qui prédit que le roulement de ce moteur va lâcher dans un délai de 14 à 21 jours en fonction de la tendance actuelle, est de l'IA.
La distinction importe parce que les exigences en données, la complexité de mise en œuvre et les caractéristiques de performance de la surveillance basée sur des règles et de la prédiction basée sur l'IA sont fondamentalement différentes.
Application 1 : Prédiction de panne
La prédiction de panne est l'application d'IA la plus couramment décrite dans le marketing de la maintenance industrielle.
Un modèle d'apprentissage automatique est entraîné sur des données historiques d'un actif spécifique ou d'une classe d'actifs, incluant des mesures de capteurs, des tendances de performance OEE, des enregistrements d'ordres de travail de maintenance et des événements de panne documentés.
Le modèle apprend les motifs dans ces données historiques qui précèdent les événements de panne.
Appliqué aux données d'exploitation actuelles, le modèle estime quand la prochaine panne est susceptible de se produire et avec quelle probabilité.
La sortie est une estimation de la durée de vie utile restante ou une probabilité de panne sur une fenêtre temporelle définie.
Cette sortie permet à l'équipe de maintenance de planifier une intervention au moment optimal : suffisamment tard pour exploiter pleinement la durée de vie du composant actuel, suffisamment tôt pour réaliser l'intervention avant qu'une défaillance fonctionnelle ne survienne.
Le besoin en données pour la prédiction de panne est le plus exigeant des quatre applications.
Le modèle a besoin d'événements de panne documentés avec les données de condition qui ont précédé chaque événement.
Un moteur qui n'a échoué que deux fois dans son histoire ne peut pas soutenir un modèle de prédiction fiable.
Un moteur qui est tombé en panne 20 fois avec des données de condition connectées et propres pour chaque panne fournit la base d'entraînement dont la prédiction fiable a besoin.
Application 2 : Classification des défauts
La classification des défauts utilise l'apprentissage automatique pour catégoriser automatiquement les événements de panne à partir de données brutes de capteurs, de signaux machine ou des descriptions des ordres de travail de maintenance.
Lorsque une machine s'arrête, son automate programmable (PLC) génère un code d'arrêt.
Ce code d'arrêt peut être suffisamment spécifique pour indiquer directement le mode de défaillance, ou il peut s'agir d'un code générique qui nécessite un diagnostic par un technicien pour être interprété.
Les modèles de classification des défauts par IA apprennent à distinguer les modes de défaillance à partir des signatures de données brutes associées à chaque mode, attribuant automatiquement des classifications de défaut spécifiques aux événements d'arrêt sans nécessiter le diagnostic manuel d'un technicien.
Cette application est précieuse car elle réduit le temps de diagnostic, améliore la cohérence des codes de défaut entre techniciens et équipes, et produit l'historique de maintenance spécifiquement classifié dont les modèles de prédiction de panne et l'analyse des équipements problématiques ont besoin.
Le module de vision par ordinateur de Fabrico inclut une capacité de classification des causes par IA qui est actuellement en développement et inscrite sur la feuille de route produit pour cette application spécifique.
Application 3 : Détection d'anomalies
La détection d'anomalies utilise l'apprentissage automatique pour identifier quand le comportement de fonctionnement d'une machine s'écarte de son motif normal appris de façon à indiquer un défaut en développement.
Contrairement à la surveillance de condition basée sur des seuils qui se déclenche lorsqu'un paramètre spécifique dépasse une valeur configurée, la détection d'anomalies apprend le motif de fonctionnement multivarié normal de chaque machine spécifique et identifie des écarts à ce motif qu'aucun seuil unique ne pourrait capturer.
Un moteur qui présente simultanément une augmentation de 3 % de la consommation de courant, une hausse de 2 % de la température du roulement et une réduction de 1,5 % de la vitesse d'arbre peut ne déclencher aucune alarme de seuil individuelle.
Un modèle de détection d'anomalies qui a appris la signature de fonctionnement multivariée normale de ce moteur reconnaîtra le motif combiné comme anormal et génèrera une alerte.
La valeur de la détection d'anomalies réside dans sa sensibilité à des motifs multivariés subtils que la surveillance basée sur des règles manque, et dans sa capacité à détecter des modes de défaillance nouveaux qui n'ont pas été préalablement catégorisés dans la configuration de seuils.
Application 4 : Optimisation des flux de travail de maintenance
La quatrième application de l'IA en maintenance est moins visible que la prédiction de panne mais applicable de façon plus large à un stade antérieur de maturité des données.
L'optimisation des flux de travail de maintenance utilise l'apprentissage automatique pour améliorer l'efficacité de la planification de la maintenance, de la gestion des pièces de rechange et de l'étalonnage des intervalles de maintenance préventive (PM).
Les modèles d'optimisation de la planification apprennent les motifs dans la charge de travail historique de maintenance, la disponibilité des techniciens, les contraintes de planification de production et les résultats de conformité aux PM qui prédisent quelles configurations de planification produisent la meilleure conformité aux PM et le ratio planifié/réactif le plus faible.
Les modèles d'optimisation des pièces détachées apprennent les schémas de consommation à partir des enregistrements de pièces des ordres de travail pour améliorer les paramètres de quantité minimale et réduire à la fois les ruptures de stock et les excédents d'inventaire.
Les modèles d'optimisation des intervalles de PM apprennent à partir des constats de PM quels intervalles produisent des interventions de maintenance pertinentes et lesquels entraînent des interventions inutiles sur des actifs qui ne se rapprochent pas encore de leur seuil de maintenance.
Cette application nécessite moins de profondeur historique de données que la prédiction de panne et apporte de la valeur plus tôt dans le parcours d'accumulation des données.
Toute application d'IA en maintenance nécessite une base de données.
La base comporte trois composantes.
Connectivité. Données connectées machines provenant de l'intégration PLC, de capteurs IoT ou de matériels de surveillance de condition. Les modèles d'IA ne peuvent pas être entraînés sur des données qui n'ont jamais été capturées.
Les données OEE rapportées par les opérateurs et les enregistrements d'ordres de travail manuels sont insuffisants comme source d'entraînement primaire pour les modèles d'IA car ils sont incomplets, enregistrés de manière incohérente et manquent de la résolution temporelle requise par l'apprentissage automatique.
Exhaustivité. Données historiques couvrant l'ensemble des conditions d'exploitation, des modes de défaillance et des interventions de maintenance dont le modèle doit apprendre. Un ensemble de données qui manque 40 % des événements de panne parce qu'ils n'ont pas été enregistrés dans la GMAO produira un modèle avec des angles morts systémiques qui se manifesteront dans ses prédictions par des pannes manquées sur les modes sous-représentés lors de l'entraînement.
Cohérence. Données étiquetées de manière cohérente dans le temps et entre différents techniciens. Un code de panne qui signifie une chose pour un technicien et quelque chose de différent pour un autre produit un ensemble d'entraînement avec du bruit dans les étiquettes de classe qui dégrade la performance du modèle.
L'application cohérente des codes de panne, l'enregistrement de la consommation de pièces et les pratiques de clôture des ordres de travail sont des prérequis à la qualité des données d'entraînement.
La règle des 12 mois reflète ces trois exigences.
Douze mois de données connectées, complètes et étiquetées de manière cohérente fournissent suffisamment d'exemples des motifs de fonctionnement normaux, de la variation saisonnière et des événements de panne pour entraîner des modèles qui généralisent de façon fiable à de nouvelles situations.
Des jeux de données plus courts peuvent contenir suffisamment d'exemples pour entraîner un modèle, mais celui-ci rencontrera en production des conditions d'exploitation qu'il n'a pas vues à l'entraînement et produira des résultats peu fiables.
La règle des 12 mois est une ligne directrice plutôt qu'une garantie.
Les actifs à forte fréquence de panne peuvent accumuler des données d'entraînement suffisantes plus rapidement.
Les actifs à très faible fréquence de panne peuvent nécessiter des périodes d'accumulation de données plus longues avant que les modèles de prédiction de panne ne soient fiables.
Étant donné l'étendue des revendications d'IA dans le marketing de la maintenance industrielle, il vaut la peine d'être direct sur ce que l'IA en maintenance n'est pas.
L'IA n'est pas une alerte par seuil.
Configurer un seuil d'amplitude de vibration et générer une alerte lorsqu'il est dépassé, c'est de la surveillance de condition basée sur des règles.
C'est utile. Ce n'est pas de l'IA.
L'IA n'est pas un tableau de bord avec des courbes de tendance.
Un tableau de bord montrant les tendances OEE, les tendances des coûts de maintenance et les tendances de conformité aux PM est de l'intelligence d'affaires.
C'est utile. Ce n'est pas de l'IA.
L'IA n'est pas réalisable sans la base de données.
Tout fournisseur affirmant que sa plateforme d'IA produira des prédictions de panne fiables dès le premier jour de déploiement dans une usine sans données historiques connectées décrit soit de la détection d'anomalies avec une fiabilité très faible, soit il surestime les capacités réelles de ses modèles.
L'IA en maintenance exige la base de données avant de fournir des résultats fiables.
Les fournisseurs qui prétendent le contraire doivent être invités à démontrer la précision des prédictions sur des données historiques de leurs clients existants avant d'être considérés comme dignes de confiance sur la fiabilité de leur capacité d'IA.
L'IA ne remplace pas l'ingénierie de maintenance.
Les modèles d'IA mettent en évidence des motifs et des prédictions sur lesquels les ingénieurs de maintenance agissent.
Ils ne remplacent pas le jugement technique nécessaire pour évaluer si une panne prédite justifie une réponse immédiate, une maintenance planifiée ou des investigations supplémentaires avant de s'engager dans une intervention.
L'ingénieur de maintenance qui comprend les modes de défaillance, les intervalles P‑F et le contexte opérationnel spécifique de chaque actif reste le décideur.
L'IA est l'outil qui fournit à cet ingénieur une meilleure information plus rapidement que ne le ferait une analyse manuelle.
Les capacités IA actuelles de Fabrico et sa feuille de route reflètent la séquence réaliste requise par une mise en œuvre responsable de l'IA en maintenance industrielle.
La plateforme actuelle fournit la connectivité machine et la surveillance OEE qui génèrent les données propres, connectées et structurées de façon cohérente que les modèles d'IA exigent comme base d'entraînement.
La classification des causes par IA au sein du module de vision par ordinateur est actuellement en développement et inscrite sur la feuille de route produit, visant l'application de classification des défauts décrite plus haut.
Le Fabrico Agent, un assistant de flux de travail de maintenance propulsé par l'IA, est actuellement en développement et inscrit sur la feuille de route produit, visant l'application d'optimisation des flux de travail de maintenance.
Des modules de maintenance prédictive par IA sont en cours de développement et inscrits sur la feuille de route produit, visant l'application de prédiction de panne à mesure que la base de données mûrit chez les clients.
Cette séquence est intentionnelle et honnête.
Construire d'abord la base de données produit les données d'entraînement dont les modèles d'IA ont besoin.
Déployer des modèles d'IA sur un jeu de données mature, propre et connecté produit des résultats fiables.
Déployer des modèles d'IA avant l'établissement de la base de données produit des résultats qui ont l'air confiants mais qui ne sont pas fiables, ce qui nuit à la confiance dans la technologie et dans le programme de maintenance qui en dépend.
La plupart des fabricants qui s'informent sur l'IA en maintenance se trouvent à des stades différents du parcours préalable.
Étape 1 : Établir la connectivité machine et la capture de données propres.
Sans données connectées, l'IA en maintenance n'est pas réalisable. Cette étape est le prérequis pour tout ce qui suit.
Étape 2 : Constituer 12 mois d'historique de maintenance connecté et étiqueté de façon cohérente.
La qualité des données d'ordres de travail, la spécificité des codes de panne et l'enregistrement de la consommation de pièces sont les disciplines de qualité des données qui rendent cet historique exploitable comme données d'entraînement IA.
Étape 3 : Déployer la détection d'anomalies sur les actifs de niveau 1.
La détection d'anomalies nécessite moins de profondeur historique de données que la prédiction de panne et apporte de la valeur plus tôt. C'est la première application d'IA en maintenance appropriée pour la plupart des fabricants.
Étape 4 : Déployer l'optimisation des flux de travail de maintenance.
L'optimisation de la planification, l'optimisation des pièces détachées et l'étalonnage des intervalles de PM par apprentissage automatique peuvent être déployés une fois que la qualité des données GMAO et les données de production connectées sont matures.
Étape 5 : Déployer la prédiction de panne sur les actifs disposant d'un historique de pannes suffisant.
La prédiction de panne sur des actifs spécifiques dont l'ensemble de données historique inclut suffisamment d'événements de panne documentés pour entraîner des modèles fiables est la dernière étape du parcours IA en maintenance.
Cette étape survient à des moments différents selon les actifs en fonction de la fréquence des pannes et de la qualité des données.
Ai‑je besoin d'un data scientist pour implémenter l'IA en maintenance industrielle ?
Pas pour les plateformes commerciales de maintenance par IA qui fournissent des modèles préconstruits entraînés sur de larges jeux de données industriels.
Les modèles préconstruits des plateformes établies peuvent être appliqués aux données d'une installation avec l'accompagnement de l'équipe d'implémentation de la plateforme plutôt que d'exiger une capacité interne en data science.
Pour le développement de modèles personnalisés entraînés spécifiquement sur des données de panne propres à une installation, une capacité en data science est requise soit en interne soit via des partenaires spécialisés.
Quelle est la précision des modèles de prédiction de panne en pratique ?
La précision varie fortement selon le type d'actif, le mode de défaillance, la qualité des données et la maturité du modèle.
Des modèles de prédiction de panne bien implémentés sur des actifs disposant d'un riche historique de pannes atteignent typiquement entre 70 et 90 % de précision sur les prédictions de panne dans leur horizon de prédiction déclaré.
Cela signifie que 10 à 30 % des prédictions sont des fausses alertes qui génèrent des interventions de maintenance inutiles.
La comparaison alternative n'est pas prédiction parfaite contre prédiction imparfaite.
Il s'agit de prédiction précoce imparfaite contre absence de prédiction, avec des pannes non planifiées comme résultat.
Même à 80 % de précision, la prédiction de panne par IA élimine 80 % des pannes non planifiées qu'elle était conçue pour prévenir, ce qui représente une amélioration significative par rapport à la surveillance de condition sans modèles prédictifs.
Quelle est la différence entre la maintenance prédictive par IA et la maintenance conditionnelle ?
La maintenance conditionnelle déclenche des interventions de maintenance lorsqu'un paramètre de condition surveillé franchit un seuil configuré.
La maintenance prédictive par IA utilise l'apprentissage automatique pour estimer quand une panne se produira en fonction de motifs dans les données historiques, fournissant des estimations de durée de vie utile restante plutôt que des alertes de franchissement de seuil.
La maintenance conditionnelle est le prérequis à la maintenance prédictive par IA et apporte une valeur significative de manière indépendante.
La maintenance prédictive par IA ajoute la capacité de prédire le moment de la panne plutôt que de détecter uniquement la dégradation actuelle, permettant une planification de maintenance plus précise dans une fenêtre temporelle de panne prédite spécifique.
L'IA dans la maintenance industrielle n'est pas une solution technique de raccourci. C'est l'étape suivante naturelle pour les programmes de maintenance qui ont construit la base de données requise par leurs modèles.
Les fabricants qui tirent le plus profit de la maintenance par IA ne sont pas ceux qui l'ont déployée le plus tôt. Ce sont ceux qui ont instauré la discipline de qualité des données qui rend les résultats d'IA suffisamment fiables pour être dignes de confiance.
Transformez les arrêts en un indicateur exploitable par vos équipes.
Demander une démo
Connexion
Blog
