Internet Industriel des Objets IIOT : Preuve de concept (POC) de la maintenance prédictive IoT

Introduction

Cet exemple montre comment une grande entreprise gérant un parc de 50 000 distributeurs automatiques peut exploiter la puissance de l’IoT (Internet des Objets) et de l’apprentissage automatique pour prédire les risques de panne de chaque machine. L’entreprise a investi pour équiper tous ses distributeurs automatiques afin de collecter des points de données spécifiques, renvoyés à un référentiel de données central à des fins d’analyse. Pour les besoins de cet exemple, nous utilisons un fichier de données brutes pour simuler le référentiel de collecte de données IoT. Avec le fichier de données en entrée, nous allons utiliser les fonctionnalités de l’apprentissage automatique de Talend pour créer un modèle capable de prédire les besoins en maintenance d’une machine pour éviter qu’elle ne tombe en panne.


Temps forts

Exploitez la puissance des fonctionnalités de l’apprentissage automatique de Talend pour créer un modèle Forêt aléatoire (Random Forest).

Utilisez Spark pour exécuter vos tâches et bénéficier de son architecture évolutive et de la puissance de son informatique distribuée.

Icône IoT

Regardez comment nous utilisons les données IoT pour exploiter la maintenance prédictive.


Exécution

Accédez au portail de cas d’usage d’optimisation de la maintenance prédictive IoT depuis la page de chargement de la sandbox, avec des instructions rapides et une interface Web interactive.

Sandbox - Page de chargement Maintenance prédictive IoT

Ouvrir Talend Studio au sein de l’environnement sandbox. Pour cet exemple, nous allons travailler dans le dossier IoTPredictiveMaintenance se trouvant dans la vue du référentiel. Nous allons explorer des tâches dans les conceptions Standard et Big Data Batch. Lorsque vous êtes prêt, procédez comme suit :

  1. Ouvrez le dossier IoTPredictiveMaintenance sous les tâches Standard. Exécutez la tâche Step_01_SetupEnvironment. Cette tâche initialise l’environnement de démo basé sur la plateforme Big Data que vous avez choisi. Plus précisément, il charge les données en HDFS et crée un dataset d’apprentissage et un autre de test, ainsi qu’un troisième pour notre page Web de démonstration.Sandbox - Environnement de configuration de maintenance prédictive IoT
  2. Ouvrez le dossier IoTPredictiveMaintenance sous les tâches Big Data Batch. Exécutez la tâche Step_02_Train_PredictiveMaintenance. Dans cette étape, vous allez éduquer un modèle sur la base d’un dataset existant à l’aide de notre composant tRandomForestModel. Le modèle sera stocké en HDFS.Sandbox - Modèle d’apprentissage de maintenance prédictive IoT
  3. Facultatif : Ouvrez le dossier IoTPredictiveMaintenance sous les tâches Big Data Batch. Exécutez la tâche Step_02bis_Test_PredictiveMaintenance. Les résultats de cette tâche permettent de voir le taux de prévisions justes par rapport aux prévisions erronées. Dans la terminologie de l’apprentissage automatique, cela s’appelle Confusion ou Matrice d’erreur, la synthèse des résultats de prévisions sur un problème de classification. Vous devriez obtenir un taux de précision supérieur à 90 %. Cette tâche sert de test pour notre modèle éduqué sur un dataset distinct. Sandbox - Modèle de test de maintenance prédictive IoT
  4. Ouvrez le dossier IoTPredictiveMaintenance sous les tâches Big Data Batch. Exécutez la tâche Step_03_PredictMachinesMaintenance. Cette tâche va prédire la maintenance nécessaire d’un distributeur automatique, basée sur le modèle déjà éduqué et testé à l’aide d’un dataset « Live » simulé. Sandbox - Machines de prévisions de maintenance prédictive IoT
  5. Ouvrez le dossier IoTPredictiveMaintenance sous les tâches Standard. Exécutez la tâche Step_04_WebService. Cette tâche ne fait que fournir une API Web à la page du portail de démo et vous permet de voir les résultats. Sandbox - Services Web de maintenance prédictive IoT
  6. Avec le service Web en cours d’exécution, accédez à (ou rechargez) la page du portail Maintenance prédictive IoT pour voir tous les distributeurs que notre modèle a identifiés pour une panne prochaine. Ces distributeurs ont besoin d’une maintenance préventive. Tableau de bord des distributeurs automatiques

Conclusion

Cet exemple met en évidence l’utilisation des données de capteurs IoT, associée à l’apprentissage automatique pour réaliser des prévisions intelligentes. La plate-forme Talend Big Data Integration, combinée au traitement Spark, est la solution idéale et robuste pour atteindre rapidement des performances fiables. Dans ce cas, nous anticipons la maintenance d’un distributeur automatique avant qu’il ne tombe en panne.

Laisser un commentaire