IOT et industrie : IIoT et maintenance prédictive

C'est le cauchemar de chaque responsable de chaîne de production – certaines machines tombent en panne, arrêtant la production en usine. Dans une fab, si une seule pièce d'équipement de fabrication de semi-conducteurs tombe en panne et est hors service pendant des heures, la fabrication des plaquettes peut s'arrêter. De tels arrêts sont coûteux, surtout si l'usine fonctionne 24 heures sur 24 pour répondre à la demande.
Un argument de vente pour l'Internet des objets industriel (IIoT) est qu'il permet de détecter les pannes d'équipement avant qu'elles ne surviennent en utilisant la maintenance prédictive. Ce qui rend la technologie IIoT bonne pour automatiser les planchers d'usine et simplifier la collecte de données à partir de compteurs intelligents et d'autres produits, elle est bonne pour maintenir le fonctionnement de l'équipement d'usine.
La maintenance prédictive peut fournir aux usines de fabrication de plaquettes et à d'autres installations industrielles la capacité de savoir quand une certaine machine peut tomber en panne, sur la base de la surveillance des vibrations, de la consommation d'énergie et d'autres moyens pour détecter les anomalies de fonctionnement. Être en mesure de rester en avance sur les arrêts d'équipement dans une mine, une aciérie ou une usine peut économiser de l'argent et du temps pour une entreprise occupée. La maintenance prédictive peut être utilisée pour surveiller et mettre à jour les appareils.
Bien que la maintenance prédictive soit liée à la maintenance préventive, elles ne sont pas les mêmes. Les opérateurs effectuent les deux types de maintenance avant que l'équipement ne tombe en panne, mais ils utilisent différents ensembles de données pour déterminer quand et quelle forme de maintenance est nécessaire. La maintenance prédictive repose sur l'état réel de l'équipement en question, en utilisant des données en temps réel provenant de capteurs pour donner aux opérateurs une visibilité sur l'état actuel de l'équipement. La maintenance préventive utilise les calendriers de maintenance des fabricants basés sur les statistiques des cycles de vie moyens ou attendus pour cet équipement. La maintenance prédictive permet d'utiliser en temps opportun une maintenance corrective – souvent imprévue.
«Les programmes de maintenance existent depuis des décennies. Je suis sûr qu'il y a des gens qui ont été et se considèrent comme ayant fait partie de la maintenance prédictive avant même que l'IoT ne soit une chose », a déclaré Brett Burger, responsable marketing principal des solutions de surveillance chez National Instruments. Avec l'avènement de l'IIoT, «nous parlons de beaucoup d'automatisation».
"Avec l'avènement de l'industrie 4.0 pour la fabrication, les entreprises sont en mesure de tirer parti de nouvelles technologies, telles que l'Internet des objets, afin de surveiller et d'approfondir leurs opérations en temps réel, transformant une usine de fabrication typique en usine intelligente, »A déclaré Deloitte Consulting dans un rapport intitulé« Maintenance prédictive et usine intelligente ».« En termes simples, une usine intelligente est une usine dotée d'une technologie qui permet la communication de machine à machine (M2M) et de machine à homme (M2H). en tandem avec les technologies analytiques et cognitives afin que les décisions soient prises correctement et dans les délais. »

Fig.1: Stratégie de maintenance efficace. Source: Deloitte Consulting.
Détection d'anomalies et automatisation dans le cloud
«La détection des anomalies est au cœur de la maintenance prédictive», explique Scot Morrison, directeur général des solutions de plate-forme embarquée chez Mentor, une entreprise de Siemens. L'intelligence artificielle (IA) et la technologie d'apprentissage automatique (ML) sont souvent impliquées dans cet aspect de l'IIoT, et différents types de détection d'anomalies utilisent diverses techniques d'IA ou de ML pour trouver des anomalies. Par exemple, la surveillance acoustique, de la pression, de la température et des vibrations peut être utilisée pour établir une maintenance prédictive.
«L'une des principales choses dont vous devez vous inquiéter, ce sont les faux positifs», prévient Morrison.
«Lorsque nous pensons en termes d'IoT, nous pensons aux termes de capteurs et actionneurs intelligents, que nous appelons généralement les nœuds d'extrémité, qui sont orchestrés d'une manière ou d'une autre», explique Morrison. Dans un environnement classique, un certain type de fonction de contrôle, comme un contrôleur de cellule, s'exécute sur un automate central [programmable logic controller], une banque d'ordinateurs robuste située dans l'usine, conçue pour l'environnement hostile d'une usine. Une architecture IIoT peut s'éloigner de ce modèle et placer des données dans le cloud.
«Ce que nous voyons de plus en plus, ce sont les dispositifs d'agrégation qui sont déployés dans des environnements industriels», explique Morrison. «L'un des objectifs est l'agrégation d'informations. Centraliser cela, l'agréger, l'aligner et le rendre accessible pour un certain type d'application, quel qu'il soit. Et puis également télécharger cela dans le cloud, afin que vous puissiez obtenir votre traitement local, votre traitement basé sur la périphérie ou la passerelle, le traitement dans le cloud ou une sorte d'hybride des deux. Lorsque nous pensons à l'IIoT, nous pensons à ce type d'architecture. »
Dans le cloud, les données agrégées des capteurs peuvent être interprétées via des programmes AI / ML qui peuvent produire une action ou une recommandation (une alarme) aux opérateurs qui regardent les données. Les actions peuvent même être automatisées. Le concept de cloud et d'intelligence artificielle transforme le modèle commercial en service. C'est «quelque chose en tant que service», note Morrison.
L'IoT, quant à lui, contribue à automatiser la collecte, la livraison et le traitement des données de ces programmes de maintenance, ajoute Burger. «Cela améliore vraiment la productivité et, au-delà de cela, améliore la disponibilité globale du système que vous regardez.»
Parcours d'automatisation
Les technologies de mesure qui extraient les données des capteurs sur les machines évoluent et s'améliorent. «Il y a beaucoup de discussions sur la communication bord à bord, comme sur le cloud», explique Burger. "S'agit-il d'une communication en couche mince, pour les appareils mobiles, ou s'agit-il d'une communication plus lourde qui va déplacer de grandes charges utiles de données? Il y a tellement plus d'outils qui existent, et des technologies qui peuvent être intégrées et intégrées dans ces systèmes plus vastes, qui vont aider à automatiser la collecte et la communication des données. Il y a toute l'analyse logicielle, et plusieurs bus à ce sujet, à venir. Toutes ces données sont déplacées et connectées à ce back-end, où beaucoup d'apprentissage machine, d'intelligence artificielle, tout cela entre en jeu. Cela commence maintenant, ce qui contribue à la productivité. Et puis, dans le futur, vous pouvez le rendre automatisé à grande échelle. »
Dans une large mesure, c'est une évolution plutôt que révolutionnaire. «De mon point de vue, lorsque vous parlez de maintenance prédictive, vous regardez le parcours de maintenance et de fiabilité, ou la pyramide de maintenance, ces concepts existent depuis un certain temps», explique Burger. «S'ils étaient refaits aujourd'hui, les gens les regarderaient et la technologie IIoT y ajouterait encore plus de couches. Du point de vue de l'automatisation des processus et de l'analyse, il y a des gens, des entreprises, des utilitaires qui utilisent ces outils avancés qui aident leurs programmes de maintenance existants à être plus efficaces. »
Le défi consiste à trouver des modèles dans les enregistrements de données de capteur qui peuvent indiquer une défaillance avant qu'elle ne se produise. Cela pourrait impliquer un apprentissage automatique entièrement autonome, où il est personnalisé pour un équipement spécifique, ou à travers une flotte d'actifs que la fab possède. Il pourrait également être adapté à une ligne spécifique où des puces sont fabriquées en Arizona, mais l'algorithme de détection fonctionne sur du matériel en Malaisie.
«Ce pourrait être la météo, ce pourraient être les opérateurs humains qui sont impliqués, mais le logiciel va détecter automatiquement les nuances subtiles et aider à prédire quand ces machines ont besoin de service et de maintenabilité», ajoute-t-il.
Une alternative à l'IA dans la maintenance prédictive est l'utilisation de jumeaux numériques – des modèles de l'équipement surveillé. De tels modèles pourraient être introduits dans un réseau neuronal évolutif et une cellule de production ou une chaîne de montage pourrait être créée en version numérique. Un jumeau numérique haute fidélité peut être préférable à une boîte noire basée sur l'IA.
Fabrication de semi-conducteurs
Pour les équipements de fabrication de semi-conducteurs, les enjeux sont si élevés que des efforts supplémentaires pour s'assurer que quelque chose ne se casse pas sont considérés comme des ressources bien dépensées. La maintenance prédictive prouve son efficacité avec le retour sur investissement, explique Burger, en particulier lorsqu'il s'agit de prévenir des événements catastrophiques dans la production qui peuvent ruiner les résultats d'un trimestre fiscal.
Cela est conforme à la pensée de Falkonry, un fournisseur de logiciels d'apprentissage en tant que service pour les opérations industrielles. La société propose «un scientifique des données dans une boîte», selon Crick Waters, vice-président directeur de la réussite client de la société. Les investisseurs de Falkonry sont Basis Set Ventures, Polaris Partners, Start Smart Labs et Zetta Venture Partners.
Falkonry est impliquée dans l'automobile, la chimie, l'électronique et les semi-conducteurs, l'exploitation minière et les métaux, le pétrole et le gaz, l'énergie et l'énergie. La technologie de l'entreprise détecte les tendances dans les données de séries chronologiques multivariées et prévoit les événements critiques.
Le logiciel est «un apprentissage automatique opérationnel prêt à l'emploi», explique Waters. «Avec l'avènement de l'informatique hautes performances et des logiciels dont nous disposons aujourd'hui, nous pouvons appliquer l'apprentissage automatique complexe à des ensembles de données complexes. Les données sombres qui se trouvent dans le stockage de données sont maintenant quelque chose, grâce à notre technologie, nos clients sont en mesure de voir ce qui se passe dans leurs processus en demandant à Falkonry de parcourir les données, de trouver des modèles qui se produisent au fil du temps », note-t-il.
La technologie est utile dans la fabrication de semi-conducteurs, l'examen des outils de fabrication de plaquettes et l'étude de leur étalonnage. Le logiciel de Falkonry identifie les couleurs et les motifs dans les données, indiquant «ce qui se passe à l'intérieur d'une machine», explique Waters. Falkonry découvre des valeurs en temps réel, évalue les conditions de qualité et fournit des alertes précoces sur les pannes possibles, en apprenant et en appliquant ce que le logiciel apprend, ajoute-t-il.
La maintenance prédictive implique un calendrier de maintenance proactif, selon Waters. Le contrôle de la qualité est important pour le processus. Les soudures doivent être inspectées, par exemple. Leur qualité dépend de la durée et du temps de soudage. "Il y a un motif pour une bonne soudure, et il y a un motif pour une mauvaise soudure", dit-il. Avec cette méthode et cette technologie, il n'est pas nécessaire d'inspecter chaque soudure, car les mauvaises soudures seront ramassées.
Les clients de Falkonry comprennent Ciner Resources, une société minière; EDP, une société d'énergie au Portugal; Moteurs Kawasaki; et Ternium, un fabricant d'acier en Amérique latine et en Amérique du Nord.
Conclusion
L'IIoT prouve son utilité grâce à la maintenance prédictive, qui peut éviter des pannes coûteuses dans les usines, les fabriques de wafers et autres installations. La technologie permet de maintenir la production sur une base régulière, ce qui profite au résultat net.
«Le coût opérationnel est le facteur déterminant», explique Morrison, de Mentor. «Ce n'est pas agréable à avoir. C’est un incontournable. Les entreprises industrielles visent une efficacité opérationnelle de classe mondiale de 80% ou plus, et bien plus de 90% est réalisable. »
Histoires connexes
Augmentation des menaces de sécurité IIoT
Augmentation de la valeur des données et complexité croissante, source de sens ou d'urgence.
Fuite de données et IIoT
La connexion d'équipements industriels à Internet offre de grandes améliorations en termes de disponibilité et d'efficacité, mais elle ajoute des problèmes de sécurité.
L'IIoT croît, mais les risques aussi
Les choses se rassemblent pour l'Internet industriel des objets, mais la sécurité est un problème énorme et croissant.

Laisser un commentaire