Internet Industriel des Objets IIOT : Passer à l'industrie 4.0 avec des solutions de maintenance prédictive

Par
Giuseppina Tomarchio, Alessandro Faulisi, Werner Neumann, Vladimir Janousek

11.14.2018

0

Le monde de la fabrication évolue. Appelez-le Industry 4.0, la 4e révolution industrielle ou l'Internet industriel des objets (IIoT), il s'agit de faire les choses juste à temps, simultanément, plus efficacement, avec une plus grande flexibilité et de manière plus sûre et plus respectueuse de l'environnement.
L'introduction de nouvelles technologies et de nouveaux services associés à l'Internet des objets révolutionne de nombreuses applications industrielles. Des initiatives telles que celles des usines concernant l'automatisation et la maintenance prédictive industrielle et les initiatives visant à créer des environnements de travail plus intelligents créent des opportunités pour les nouveaux entrants et les acteurs traditionnels d'offrir des solutions innovantes qui changent les modèles commerciaux.
Pour garantir le haut niveau d’automatisation requis dans les applications industrielles actuelles, les équipements doivent être plus efficaces, intelligents, conscients du contexte et plus connectés; il doit également être plus robuste et assurer une plus grande sécurité pour les humains interagissant avec eux.
1. Qu'est-ce que la maintenance prédictive et quels sont ses avantages?
Quiconque dirige une usine souhaite la faire fonctionner à une vitesse optimale avec un temps d'arrêt minimal. Ils savent également que toute machine avec des pièces mobiles souffre d'usure et nécessite inévitablement un entretien et des réparations.
Une approche consiste à planifier simplement les tâches de maintenance à intervalles fixes, quelle que soit la condition réelle de l'équipement. Ceci est simple à planifier, mais la maintenance peut ne pas avoir lieu à temps pour éviter des dommages à l'équipement et des situations dangereuses, ou elle peut être effectuée lorsqu'elle n'est pas nécessaire.
Une approche plus intelligente est la maintenance conditionnelle. Cette approche entraîne des actions de maintenance en fonction de l'état observé de la machine. La maintenance est donc effectuée avant les pannes et uniquement lorsque cela est nécessaire. L'inconvénient est que le fait de ne pas mettre en œuvre la maintenance avant qu'une machine ne montre des signes de défaillance est souvent risqué et peut interrompre les cycles de production à des moments très incommodes.
Une approche encore meilleure est la maintenance prédictive, où les exigences de maintenance sont prédites bien à l'avance. La maintenance prédictive combine la surveillance des conditions avec un modèle prédictif dynamique pour les modes de défaillance. Cette approche promet une protection maximale des machines et un impact minimal sur la productivité, sans nécessairement augmenter la complexité globale du système.
Selon une étude de McKinsey, l'utilisation de techniques de maintenance prédictive dans les usines peut réduire les temps d'arrêt jusqu'à 50% et économiser entre 10 et 40% sur les coûts de maintenance des équipements.
La maintenance prédictive repose sur la surveillance de l'état par la mesure et l'analyse des caractéristiques physiques telles que le son, l'inspection visuelle, la température ou les vibrations.
Les vibrations étant en effet le symptôme le plus courant de déséquilibre, de désalignement et d'autres anomalies, la maintenance prédictive est souvent basée sur l'analyse des vibrations de machines tournantes telles que moteurs, pompes, broches, convoyeurs, machines de fabrication et ventilateurs.
Habituellement, l'état d'une machine se détériore avec le temps, ce qui se reflète dans le changement progressif des valeurs mesurées. La figure 1 montre comment différents types de signaux reflètent la détérioration d'un moteur au fil du temps. En principe, plus un défaut peut être détecté tôt, plus le coût de maintenance et le temps de production potentiellement perdu seront faibles.

Figure 1 Courbe de détérioration et signaux associés pour un moteur électrique. Fréquences du signal de vibration Spectre et cause de panne relative (Source STMicroelectronics)

 
Jusqu'à récemment, les indicateurs de défaut comme les vibrations et les émissions sonores étaient surveillés presque exclusivement avec des sondes portatives discrètes basées sur des principes de détection piézoélectrique ou ultrasonore. Non seulement l'équipement de diagnostic basé sur ces technologies est relativement complexe et coûteux, mais il existe également des limites liées à la répétabilité, à la gestion et à l'analyse des données.
Une nouvelle approche est désormais possible grâce à une électronique de pointe et à des algorithmes avancés. Nous pouvons désormais appliquer de petits dispositifs de détection à faible consommation d'énergie directement sur les machines et surveiller plusieurs paramètres, prétraiter les données de signal acquises et envoyer les données à des installations d'analyse et de contrôle locales, distantes ou basées sur le cloud. Ces nœuds de capteurs intelligents compacts composés de capteurs, d'un microcontrôleur, de circuits de gestion de l'alimentation et d'une connectivité filaire ou sans fil offrent de nombreux avantages par rapport aux équipements de surveillance d'état traditionnels:

Coût: les nœuds de capteurs intelligents à fonctionnement autonome coûtent beaucoup moins cher que les sondes piézoélectriques portables et les techniciens qualifiés nécessaires pour les faire fonctionner.

Données reproductibles, fiables et opportunes: avec mesure et analyse continues pendant le fonctionnement de la machine, et non selon les calendriers de maintenance qui peuvent manquer des signes de défaillance précoces ou critiques.

Possibilité de déclencher une action locale immédiate: des algorithmes intelligents peuvent analyser les données localement sur le nœud et déclencher des actions immédiates pour protéger l'équipement et assurer la sécurité des travailleurs

Ajuster les paramètres de surveillance au fil du temps: le nœud du capteur peut être configuré pour tenir compte des tolérances croissantes des équipements vieillissants

En plus des avantages locaux que les nœuds de capteur offrent pour des machines individuelles, ils peuvent également être utilisés dans des réseaux cloud pour collecter de grandes quantités de données pour des analyses de maintenance prédictive plus approfondies.

2. Architecture et technologies de maintenance prédictive
Les systèmes de surveillance des conditions et de maintenance prédictive incluent un certain nombre de nœuds de capteurs intelligents connectés dans un réseau via une passerelle vers un serveur Edge ou un service cloud, comme illustré à la figure 2.

Figure 2 Architecture générale d'un système de maintenance prédictive et intégration avec ERP (Source STMicroelectronics)

Selon l'architecture de gestion des ressources d'entreprise, les données peuvent être traitées immédiatement sur les nœuds de capteurs à l'aide d'analyses intégrées et sur des serveurs distants ou une infrastructure cloud qui peuvent traiter et corréler de nombreux ensembles de données au fil du temps. Les systèmes de maintenance prédictive sont généralement connectés au composant Maintenance et approvisionnement des systèmes ERP pour commander en temps voulu des pièces de rechange.

Dans ces systèmes plus larges, il est essentiel de répartir l'analyse entre le cloud, les serveurs Edge et les nœuds de capteur pour une efficacité et une efficacité maximales. La capacité de détecter la détérioration de la machine au niveau du nœud permet une action corrective immédiate sur une machine, ce qui peut empêcher d'autres dommages et pannes. Des analyses et des actions à plus long terme peuvent être gérées sur le cloud, permettant des analyses plus complexes sur de grandes quantités de données prétraitées, ce qui peut être utile pour déterminer les tendances et optimiser les modèles d'analyse locaux.

La figure 3 montre les nombreux composants à l'œuvre dans un nœud de capteur intelligent.

Figure 3 Schéma fonctionnel d'un nœud de capteur (filaire ou sans fil) pour l'analyse des vibrations (source STMicroelectronics)

Des capteurs de différents types peuvent être utilisés, notamment des capteurs de température, de pression et d'humidité pour les données environnementales, des accéléromètres pour la mesure des vibrations, des dispositifs de détection de courant et des microphones pour les ultrasons. Dans les systèmes de surveillance d'état et de maintenance prédictive, il est essentiel de vérifier périodiquement le bon fonctionnement du capteur, et la fonction d'auto-test permet de vérifier la fonctionnalité de tout capteur, quel que soit son emplacement, sans le déplacer.
Les accéléromètres sont particulièrement adaptés à la détection de pannes dans les machines tournantes où l'accélération, la vitesse et l'amplitude d'une vibration peuvent fournir des signes d'avertissement de pannes imminentes. Un autre paramètre d'avertissement est l'émission d'ultrasons, qui peut précéder les vibrations (voir figure 1).
La technologie MEMS capacitive, largement déployée dans les smartphones et autres appareils grand public, gagne du terrain dans les applications industrielles. Les appareils MEMS coûtent moins cher et offrent plus de flexibilité, et comblent l'écart avec les capteurs piézoélectriques en termes de précision, de stabilité, de bande passante, de température et de plage dynamique. Ils sont également beaucoup plus résistants aux chocs d'accélération élevés.
Pour les émissions sonores, l'analyse peut être effectuée à la fois dans les spectres acoustique et ultrasonique (au-dessus de 20 kHz), ce qui permet une détection très précoce de la détérioration et peut être utilisé pour détecter plusieurs causes de panne, y compris les fuites de gaz et le déséquilibre du ventilateur et du moteur.
Les microcontrôleurs offrent une capacité de traitement des données locales avec capture, traitement et gestion des communications. Les microcontrôleurs offrent différentes fonctionnalités en termes de puissance de traitement, de mémoire et d'interfaces et peuvent être sélectionnés en fonction des besoins de l'application.
L'une des principales tâches de traitement du microcontrôleur consiste à effectuer des analyses intégrées: généralement à la fois une analyse du domaine temporel et du spectre de fréquences (FFT), ainsi que d'autres analyses intégrées.
En intégrant l'analyse FFT près du capteur, les décalages de vibration peuvent être immédiatement isolés à des sources spécifiques. De plus, la FFT et des prétraitements et analyses supplémentaires peuvent être développés pour filtrer le bruit des signaux réels et définir des seuils d'alarme précis. Un exemple est illustré à la figure 4.

Figure 4 Un exemple de filtrage du domaine fréquentiel avec des seuils programmables pour les paramètres d'alarme (Source STMicroelectronics)

L'intelligence artificielle (IA) sous la forme d'apprentissage automatique et d'apprentissage en profondeur est une percée technologique rendue possible par de grandes quantités de données disponibles (nécessaires à l'apprentissage automatique), des techniques de programmation modernes et des outils open source pour la formation aux réseaux de neurones, puissants (cloud ) des centres de calcul et des systèmes de traitement intégrés en constante amélioration.
L'intelligence artificielle peut être définie comme la capacité d'une machine à effectuer une analyse logique, à acquérir des connaissances et à s'adapter à un environnement qui varie dans le temps ou dans un contexte donné. Cette définition correspond exactement à ce que nous aimerions faire avec les données capturées par des capteurs embarqués sur des machines d'usine.
L'IA est un moyen d'extraire des informations utiles et de déclencher des actions à partir des données. Plutôt que de s'appuyer sur des programmeurs spécialisés pour créer des algorithmes détaillés spécifiant chaque étape analytique pour une application cible, l'IA permet aux machines «d'apprendre» et de développer leur propre façon d'analyser les données. Le résultat de cet «apprentissage» peut être distillé dans ce qu'on appelle un réseau neuronal.
Lorsque nous examinons l'architecture des systèmes de maintenance prédictive, nous pouvons voir que l'IA peut être appliquée à différents niveaux: des centres de cloud computing, qui traitent de grandes quantités de données et développent des réseaux de neurones appropriés, jusqu'aux microcontrôleurs où des versions compressées de ces réseaux de neurones peut être utilisé pour effectuer des analyses intégrées locales. Nous pouvons même déployer les réseaux neuronaux directement dans les nouvelles générations de capteurs intelligents.
La connectivité est gérée via des protocoles filaires et industriels standard (IO-Link, Industrial-Ethernet, Modbus, etc.), ainsi que sans fil (Bluetooth Low Energy, Wi-Fi, Cellular). Il n'y a pas de solution unique et le choix est souvent déterminé par l'infrastructure de l'usine et d'autres circonstances.
La sécurité dans un environnement industriel nécessite que les nœuds de capteurs intelligents soient sécurisés pendant le traitement des données et la communication pour empêcher tout accès non autorisé et assurer une liaison de confiance entre les capteurs et le système central. La sécurité doit être mise en œuvre à différents niveaux, depuis les appareils individuels comme les microcontrôleurs jusqu'aux liaisons de communication intersystèmes.
La gestion de l'alimentation dans un capteur fonctionnant sur batterie est essentielle et les systèmes de gestion de l'alimentation doivent être conçus pour permettre aux capteurs de surveillance d'état de fonctionner pendant de longues périodes (en termes d'années) sans intervention.

3. Accélérer la conception du système et tester sur le terrain les solutions de maintenance prédictive
La mise en place d'une solution de maintenance prédictive basée sur un système de capteur intelligent peut prendre de 1 à 2 ans, impliquant plusieurs étapes importantes:

Définition de l'architecture du système

Trouver des capteurs avec la bonne précision et la stabilité, au bon coût et à la bonne disponibilité,

Définition des spécifications requises pour le microcontrôleur, y compris la puissance de calcul, la mémoire et les interfaces

Choisir les technologies de connectivité

Conception de l'étage de gestion de l'alimentation et facteur de forme approprié

Mettre en œuvre les analyses requises ainsi que caractériser le système

Valider tout dans un scénario d'application réel

Conclusions
La maintenance prédictive est l'un des principaux catalyseurs des usines intelligentes et les technologies à mettre en œuvre pour y arriver sont déjà là: détection, connectivité, sécurité, gestion de l'énergie et traitement intégré avec des capacités d'intelligence artificielle. Ajoutez le cloud computing et la connectivité et vous avez tous les ingrédients pour créer des systèmes sophistiqués et hautes performances qui peuvent offrir tous les avantages des applications de maintenance prédictive.
à propos des auteurs
Giuseppina Tomarchio est le gestionnaire de programme de développement de plates-formes de solutions système dans le domaine de la maintenance prédictive pour l'équipe système et d'application de recherche de STMicroelectronics. Elle a un doctorat en analyse de données ig sur les systèmes financiers.
Alessandro Faulisi est responsable de l'équipe des applications de détection et de connectivité chez STMicroelectronics. Il est situé à Catane, en Italie, et est diplômé en génie électronique.
Werner Neumann est responsable marketing technique pour les MEMS et analogiques au sein du groupe EMEA de ST. Werner identifie et développe des opportunités pour les MEMS de mouvement, les capteurs environnementaux et les produits analogiques, y compris les RF et la gestion de l'alimentation dans la région Europe centrale. Il a un diplôme en génie électrique avec un accent sur la technologie d'automatisation et aime les voitures tout-terrain et la photographie.
Vladimir Janousek est ingénieur de terrain pour le support des applications client pour les signaux analogiques et mixtes chez STMicroelectronics. Il est situé à Prague, en République tchèque et a obtenu sa maîtrise en électrotechnique à Prague.

Consultez les autres articles de ce projet intelligent:

Le rôle des capteurs dans l'IoT industriel (IIoT)
Le concept d'une Smart Factory est composé de nombreux sous-systèmes physiques et informationnels différents, tels que des actionneurs et des capteurs, des systèmes de contrôle, des systèmes de gestion de produits et des systèmes de fabrication qui fonctionnent tous ensemble. Dans ce projet spécial, nous adopterons une vue large et diversifiée de l'architecture globale du système IIoT en ce qui concerne le rôle important des capteurs

Guide du concepteur des systèmes de capteurs IoT industriels
Les capteurs sont fondamentaux pour le contrôle industriel, mais transformer les capteurs en systèmes IIoT peut être un défi majeur.

Déploiement de capteurs IIoT dans la Smart Factory
Les appareils intelligents en usine sont capables de gérer indépendamment les processus de fabrication. Les données des capteurs, dans tous les aspects d'un environnement de fabrication, sont une source très importante d'informations critiques. Ces informations sont ensuite acheminées vers un système décisionnel de niveau supérieur. Cet article examine quelques-unes des dernières applications utilisant des capteurs intelligents dans l'article suivant, dans lequel les exemples d'architecture système suivent l'approche IIoT pour Smart Factory.
.

Laisser un commentaire