IOT et industrie : Ce que l'analyse prédictive peut (et ne peut pas) faire pour la maintenance prédictive

Les actifs doivent être entretenus afin qu'ils continuent à fonctionner comme prévu. Il y a eu plusieurs méthodologies qui ont été développées pour aider à la maintenance, et l'une des dernières à sortir a été #Predictive #Maintenance basée sur des capteurs industriels #IoT (#IIoT). De nombreuses déclarations ont été faites à ce sujet, mais qu'est-ce qui est vrai et qu'est-ce qui ne l'est pas? En fera-t-il autant que tout le monde le dit? Cet article a pour but de vous aider à comprendre les véritables possibilités de la technologie, et comment nous en sommes arrivés à ce point, afin que vous puissiez trouver la réponse vous-même. Tout d'abord, cependant… Que savez-vous de la technologie et comment en avez-vous appris l'existence? Pour de nombreux lecteurs, la principale voie d'apprentissage a été les médias et les fabricants eux-mêmes, qui ont produit des articles intéressants et des études de cas sur une nouvelle technologie merveilleuse. C'est ainsi que le battage médiatique est créé.
"Hype" et expectativas
Le battage médiatique est partout dans l'industrie. Cela aide à créer une prise de conscience et à créer un marché lorsqu'une nouvelle technologie sort. Parfois, cependant, il le fait dans une certaine mesure qu'il commence à entraver le progrès réel de la technologie à court terme. Laisse moi te donner un exemple:
«Technology X arrive sur le marché. Après quelques essais de validation de principe, il montre beaucoup de potentiel et constitue une réponse prometteuse à certains problèmes difficiles dans plusieurs secteurs. Les capital-risqueurs s'y intéressent de plus en plus et commencent à investir. C'est à ce moment que les choses commencent vraiment: des équipes de vente et de marketing sont créées et poussent de nouveaux produits sur le marché grand public. Les premiers succès commencent à huiler la machine à la mode, qui à son tour continue d'attirer de nouveaux clients avec de nouvelles demandes. Après un flux de premiers succès, des attentes élevées sont fixées et les gens commencent à croire que Technology X va résoudre de nombreux problèmes, y compris des affirmations farfelues qui accompagnent le cycle de battage médiatique. Lorsque Tech X ne parvient pas à répondre à ces demandes folles, une presse négative commence à se déployer et les gens perdent tout intérêt. Les VC cessent d'investir dans ce domaine et les gens commencent à abandonner la technologie. Si la technologie survit à cela, une deuxième vague d'implémentations plus matures survient, ayant appris des erreurs du passé. »
Sonne familier? Il s'agit essentiellement d'une paraphrase de la méthodologie Hype Cycle de Gartner, illustrée dans le graphique suivant.
(Source: Top Trends in the Gartner Hype Cycle for Emerging Technologies, 2017)
Ce que je crois important de garder à l'esprit à propos de cette version du Hype Cycle, c'est l'endroit où se trouvent les plates-formes #MachineLearning, #DeepLearning et #IIoT (toutes sur le «pic des attentes gonflées»). Je suis d’accord avec cette évaluation, dans la mesure où l’industrie de la maintenance commence à se rendre compte que ces technologies ne résoudront pas à elles seules leurs problèmes, comme le battage médiatique l’a fait croire. Les utilisateurs attendent des outils magiques qui identifient des modèles et recommandent des actions sans trop d'effort de leur part.
Je pense que le problème ne réside pas dans la technologie. Je crois que c'est dans l'état d'esprit des adoptants de la technologie, en ce sens que #AI n'est pas une solution miracle et qu'il ne se rapproche pas (encore?) De l'intelligence humaine, et même si c'était le cas, cela ne fournirait pas les réponses attendues. comme si. Permettez-moi de vous donner un autre exemple pour illustrer cela: pensez à un outil d'IA comme à un débutant à l'université. Même pour l'étudiant ayant le potentiel le plus élevé, si vous lui laissez des années et des années d'informations sur les capteurs IoT sans aucun contexte, aucune connaissance ou expertise préalable, ils ne peuvent pas faire grand-chose avec les données. Le manque d'expérience et de connaissance des processus et des équipements impliqués entrave la compréhension, et avec elle, la capacité à déduire des états futurs (ou, comme nous aimons l'appeler maintenant, des capacités prédictives).
Le contexte est roi
Pour comprendre la maintenance et la fiabilité de l'usine, l'analyste doit d'abord comprendre les actifs à entretenir. Il est essentiel de savoir comment fonctionne un équipement et doit fonctionner pour pouvoir en déduire comment il fonctionnera (ou ne fonctionnera pas) dans différentes circonstances.
Comment obtenez-vous ces connaissances? Eh bien, contrairement à de nombreux autres domaines dans lesquels l'apprentissage automatique est mis en œuvre, la maintenance des usines est fermement basée sur l'ingénierie, ce qui signifie qu'il existe un énorme corpus de connaissances à utiliser sous la forme de lois physiques. Non seulement les systèmes mécaniques sont bien caractérisés, mais ils sont déterministes et, dans de nombreuses occasions, linéaires. Les data scientists n’ont pas besoin de réinventer la roue pour réussir la maintenance des usines. Une approche par force brute de ce problème serait comme demander à une étudiante de comprendre le fonctionnement d'une plante en alimentant ses années de données de capteurs, sans avoir d'abord étudié ses cours d'ingénierie. Les connaissances d'un ingénieur chevronné sont d'une immense aide dans un scénario de maintenance prédictive. Souvent, l'intuition et l'expertise sont plus précises que vos modèles car l'ingénieur de maintenance comprend le contexte dans lequel la machine fonctionne et comprend comment les facteurs internes et externes affectent les opérations de l'usine.
Auge de la désillusion
Un élève sans contexte peut néanmoins donner des résultats intéressants lorsqu'il est aidé par un pair bien informé. Il existe des cas dans lesquels l'apprentissage automatique peut vous aider en informant l'algorithme de la survenue d'un échec. Si la machine tombe en panne de manière prévisible et qu'il y a suffisamment de données pour permettre à l'élève de trouver un modèle avec confiance, un bon résultat est obtenu pour cet échec.
Désormais, lorsque le nouveau modèle est déployé, le taux de défaillance de la machine diminue, car vous commencez à éviter la défaillance identifiée par votre modèle. À mesure que les échecs commencent à être évités, un nouvel ensemble de données est créé où cet échec se produit si peu de fois qu'il n'y a pas assez de données pour détecter un modèle qui vous permet d'éviter d'autres occurrences de l'échec. Au fil des années, ce nouvel ensemble de données sera votre source de données pour réentraîner les modèles, et comme l'échec n'est pas là, le #AI ne trouvera pas en lui-même un échec à éviter. La maintenance prédictive est victime de son propre succès. Si vous ne faites pas attention et n’incluez pas le modèle précédent dans votre nouveau modèle, vous réduirez l’efficacité de votre propre modèle!
Même si vous incluez les modèles précédents et améliorez le modèle, les informations deviendront plus rares. Cela réduira la croyance et la confiance dans le projet, ce qui lui fera perdre son parrainage et tombera dans une spirale descendante, et vous ne pouvez pas faire grand-chose pour le relancer.
Des connaissances commerciales à la rescousse
L'échec de votre projet à fournir de nouvelles informations au fil du temps est dû au fait qu'il était entièrement basé sur le traitement des données des capteurs. Nous pensons que le meilleur moyen de résoudre ce problème est de combiner connaissances commerciales, expertise en ingénierie, expérience d'experts et science des données dans une seule équipe et une seule discipline. De cette façon, votre stratégie de maintenance tire le meilleur parti de tous les mondes, ayant la science des données et l'analyse prédictive comme outils qui vous avertissent des pannes prévisibles imminentes et vous aident à prendre de meilleures décisions au lieu d'un oracle omniscient qui ne vous aide pas autant . Quatre piliers qui soutiennent votre opération, au lieu d'un.
Grâce à la combinaison de nos compétences, de l'utilisation de notre modèle d'équipement unique et de notre moteur de reconnaissance de formes pour les informations des capteurs, chez Uptime Analytics, nous comprenons l'importance d'avoir une vue à 360 ° de la maintenance et de la prévision des pannes. Ayant une approche interarmes, nous pouvons vous aider à atteindre et à surpasser vos objectifs de maintenance, en diminuant vos temps d'arrêt ainsi que vos coûts de maintenance.

Laisser un commentaire