IOT et industrie : Maintenance prédictive et gestion des actifs à l'aide de l'IoT

La maintenance prédictive est essentielle dans divers domaines d’application, tels que l’industrie manufacturière, l’information et la technologie, l’aérospatiale, l’industrie des machines lourdes, etc. pour estimer les performances futures d’un sous-système ou d’un composant afin d’estimer la RUL (durée de vie utile restante). Si nous pouvons prédire avec précision quand un actif (qui peut être n’importe quelle machine ou un serveur ou une turbine) tombera en panne, alors nous serons en mesure de prendre la décision de maintenance planifiée à l’avance pour éviter les pannes soudaines, réduire les coûts de maintenance et rationaliser les activités opérationnelles.

Cela peut sembler un peu théorique, mais cela est possible en utilisant les technologies de données modernes disponibles. Nous pouvons surveiller nos actifs (il peut s’agir de n’importe quel appareil ou machine, ce qui peut entraîner une panne) en temps réel via des capteurs et en fonction des modèles de données des capteurs, nous pouvons prédire quand nous allons avoir une ventilation des actifs.

La maintenance préventive est la maintenance qui est effectuée régulièrement sur un équipement afin de réduire la possibilité de panne ou d’augmenter la durée de vie de l’équipement.Cette maintenance est planifiée en fonction de l’utilisation ou du temps écoulé depuis la dernière maintenance. Un exemple typique de maintenance préventive temporelle est un climatiseur qui est entretenu chaque année avant le début de l’été.La maintenance préventive est une méthode de maintenance primitive qui est coûteuse car nous ne pouvons pas prédire la durée de vie utile restante d’un actif ou d’un équipement. Nous effectuons des contrôles de maintenance régulièrement en fonction de l’utilisation ou du temps écoulé depuis le dernier contrôle, même lorsque la maintenance n’est pas du tout nécessaire.

C’est là qu’intervient le concept d’analyse prédictive. En utilisant l’IoT et l’apprentissage automatique, nous pouvons prédire quand un actif va tomber en panne, et donc nous pouvons effectuer un contrôle de maintenance sur lui quand et dans quelle partie il est nécessaire.

Les avantages de la maintenance prédictive par rapport aux pratiques de maintenance préventive sont les suivants:

La maintenance prédictive aide à identifier les paramètres clés et à déterminer la probabilité de résultats de panne.

La maintenance prédictive aide à optimiser systématiquement la prise de décision commerciale à l’aide de données pertinentes en temps réel et anciennes.

Aide à une meilleure planification de l’inventaire des pièces détachées, afin que l’équipe d’inventaire ou de maintenance ne soit pas confrontée à des phases de pression.

La maintenance prédictive dépend du processus de surveillance de l’équipement en effectuant des actions sur l’appareil pour atteindre l’objectif requis.

L’analyse des données pour la maintenance prédictive est classée en trois catégories:

  • Prédictif
  • Descriptif
  • Prescriptif

Cette analyse particulière est effectuée pour découvrir les détails exploitables d’un équipement spécifique en utilisant les données historiques de cet équipement particulier. Il est utilisé pour améliorer le processus de maintenance et réduire les inefficacités concernant le fonctionnement de l’équipement. Voici des exemples:

Détection de dégradation des performances: dans ce cas, les performances de l’équipement sont surveillées afin que l’alerte précoce de défaillance puisse être détectée et que l’équipement puisse être restauré dans un état pratique et rentable.

Estimation de l’efficacité de la maintenance: il s’agit de l’analyse statistique des équipements réalisée avant et après les actions de maintenance. Ceci est utile pour le client afin de déterminer si le processus de maintenance appliqué par lui est efficace ou s’il est nécessaire de les modifier.

Il couvre la prédiction d’événements futurs tels que les échecs en apprenant à partir de données historiques. Les techniques incluent la prédiction de défaillance basée sur les événements, la prédiction de défaillance basée sur les capteurs et la prédiction de défaillance basée sur le modèle.

Prévision des défaillances basée sur les événements: les données sur les événements de l’équipement sont économiques, elles sont donc facilement disponibles pour effectuer une analyse. Les données sont collectées et transmises à la base de données opérationnelle. Après cela, l’exploration de données est effectuée pour trouver les occurrences importantes d’événements dans les fenêtres de temps spécifiées. Une fois cela fait, des règles temporelles sont définies pour prédire les pannes futures. Par conséquent, les règles définies sont appliquées aux événements entrants pour prédire les occurrences potentielles de pannes dans une fenêtre de temps.

Prédiction de défaillance basée sur un modèle: cette technique est utilisée pour prédire les défaillances qui ne se produisent pas fréquemment sur le terrain. Par conséquent, des modèles physiques sont développés pour simuler ces échecs. Les modèles physiques sont développés à l’aide d’équations mathématiques représentant les détails électriques et mécaniques de l’équipement. Ces modèles incluent les modes de défaillance et le degré de défaillance. Par conséquent, ces modèles peuvent facilement être simulés avec les données par les nœuds de défaillance et le degré de défaillance spécifiés.

Prédiction de défaillance basée sur les capteurs: les données des capteurs sont utiles pour obtenir les informations sur les conditions de pré-défaillance. Pour l’implémenter, le modèle est développé en le formant à l’aide de données de capteur historiques. Une fois terminé, le modèle est appliqué aux données en temps réel pour prédire les pannes.

Prédiction des défaillances par détection d’anomalies: l’écart par rapport au comportement standard de l’équipement est déterminé en appliquant le modèle formé. Le modèle est formé en utilisant les données historiques où un grand nombre de mesures sont liées au fonctionnement normal, et peu d’entre elles représentent les incidents de pannes. Au moment de la détection, un score d’anomalie pour chaque nouvelle mesure est calculé sur la base de la distance des mesures des clusters d’apprentissage précédents. Si un score inhabituel est obtenu, il est conclu comme un échec.

Prédiction des défaillances à l’aide de la classification: cette méthode particulière est utilisée pour prédire la défaillance de données complexes. Dans ce cas, un modèle est formé à l’aide de données historiques constituées d’échantillons suffisants d’incidents historiques pour chaque type de défaillance. Lorsque le modèle obtenu est appliqué, les partitions partitionnent les données en données normales et pré-défaillance et les classent ensuite binomiales en différentes classes de défaillances.

Il comprend la génération de recommandations par les résultats obtenus afin que les taux d’échec puissent être réduits tout en atteignant les objectifs opérationnels. Lors de la maintenance de l’équipement, il devient difficile de déterminer et de comprendre l’impact global de la technique appliquée. Par conséquent, un cadre d’optimisation global est développé qui prend en compte les sorties des algorithmes de maintenance prédictive ainsi que différentes estimations de coûts et contraintes d’exploitation et recommande un plan de maintenance complet qui se traduit par une efficacité de fonctionnement maximale et un coût de maintenance minimal.

Il s’agit de la combinaison du modèle physique et de la partie analyse statistique des événements et opérations effectués par l’équipement. Un modèle physique peut simuler un comportement normal et défectueux. Une fois qu’un modèle statistique est appris à partir de données simulées et sur le terrain, il peut prédire la gravité du mode de défaillance par rapport aux données en temps réel. Lorsque la panne est prédite par les actifs, la maintenance réactive est effectuée en produisant une alerte indiquant que le moteur doit être réparé ou remplacé en fonction du type de panne.

L’analyse prédictive pose divers défis tels que:

Nous avons des capteurs connectés avec des actifs pour surveiller les paramètres critiques en temps réel tels que la température, la tension, l’utilisation du processeur, etc.

Traitez les données des capteurs et analysez-les en temps réel pour identifier et signaler les événements critiques sans perdre de temps (par exemple, augmentation soudaine de la température, changement de tension irrégulier) et prenez des mesures préventives en conséquence.

Après avoir traité les données, stockez les données dans l’entrepôt de données afin que l’analyse puisse se faire sur ces données pour une analyse prédictive afin de calculer l’estimation RUL (durée de vie utile restante) des actifs.

Construire un algorithme d’apprentissage automatique pour prévoir à l’avance les conditions de panne à partir des données collectées.

Automatisez toutes les étapes ci-dessus dans un pipeline continu, sans aucune aide humaine.

Construire un outil de visualisation des données pour visualiser toutes les données collectées dans un format lisible par l’homme.

Pour la mise en œuvre ci-dessus, notre objectif devrait être d’identifier les problèmes uniques qui affectent les impacts opérationnels et de production tout en gérant les risques. Il est important de comprendre les mesures sur lesquelles l’organisation se concentre. Répondre à ces questions pour déterminer les objectifs critiques d’un projet PdM et garantir son achèvement:

La solution de maintenance prédictive fournit une prédiction basée sur les événements en apprenant à partir des données historiques ainsi que des nouvelles données en temps réel.

Prédiction basée sur les données directement des capteurs et apprentissage du comportement normal des actifs et identification de tout comportement anormal.

Prédiction des événements d’échec à l’aide de modèles de classification pour différents événements d’échec.

  • Collecte d’une quantité massive de données en temps réel à partir de plusieurs actifs à différents emplacements géographiques dans différentes formes de données.
  • Stocker une énorme quantité de données de manière structurée afin qu’elles puissent être utilisées pour l’analyse via des algorithmes d’apprentissage automatique.
  • Sélection et formation d’un modèle d’apprentissage automatique efficace (pour divers actifs), sur les différentes sources de données.
  • Construire un pipeline de données évolutif, suffisamment solide pour accepter d’énormes quantités de données et les traiter de manière structurée.
  • Quels actifs importants sont susceptibles de tomber en panne? Quand et pourquoi acceptons-nous qu’ils échoueront
  • Quel serait l’impact du crash des actifs sur l’organisation, les opérations ou les coûts des produits? Combien coûte un temps d’arrêt?
  • Comment les décisions basées sur les données peuvent-elles être intégrées dans les contraintes de vos pratiques de maintenance existantes?

Pour l’analyse prédictive basée sur Iot, nous avons des capteurs pour surveiller les données à différents endroits, tous les actifs à savoir A1, A2, A3, A4 sont connectés à un réseau commun via le CoT (nuage de choses). Le nuage de choses transfère les données en temps réel à nifi qui est un logiciel d’ingestion de données qui via Kafka crée un flux de données qui peut être consommé directement.

Maintenant, nous avions deux options disponibles pour traiter le flux de données:

  • Le traitement par lots
  • Traitement de flux

Dans le traitement par lots, nous stockons les données dans un entrepôt de données et appliquons plus tard des algorithmes d’apprentissage automatique et un autre outil d’analyse pour prédire la répartition de nos actifs.

Traitement In-Stream, le flux de données est consommé par les services de streaming spark et il analyse le temps réel des données et sur la base des données en temps réel, il fait des prédictions et identifie les événements de panne et les signale. Les données sont ensuite stockées dans l’entrepôt de données.

Enfin, nous avons un tableau de bord qui peut être utilisé pour visualiser toutes nos données et collecter des informations commerciales.

L’augmentation de la connectivité des actifs et l’utilisation des appareils intelligents peuvent avoir généré de grands volumes de données disponibles. Il n’est pas nécessaire ni conseillé de traiter cet univers entier de données possibles. Au lieu de cela, commencez à prévoir les défaillances sur un seul actif en vous concentrant sur les sources de données existantes utilisables qui lui sont spécifiquement liées.

Les données ciblées peuvent résider dans des emplacements distants et les acheminer vers le pipeline d’analyse, notamment des capteurs, des compteurs, un contrôle de supervision, etc. Une solution efficace doit être suffisamment flexible pour collecter des données de toutes ces sources de données distantes pour apprendre et s’améliorer continuellement des décisions commerciales plus éclairées.

Établir un pipeline d’analyse avancé basé sur l’opération spécifique. Par exemple, l’analyse cloud doit être suffisamment équilibrée pour réduire la charge de streaming des données PdM périssables sur notre déploiement cloud. Une approche distribuée est suivie pour détecter et répondre aux événements locaux à l’étape de la diffusion en continu au fur et à mesure qu’ils se produisent, en agissant immédiatement sur les données en streaming, tout en intégrant simultanément des sources de données supplémentaires dans le cloud. Spark Streaming est utilisé pour analyser les données de streaming en mémoire pour une réponse en temps réel et filtrer les données inutiles plutôt que de les relayer vers le cloud.

Détection précoce de la dégradation des performances en surveillant les changements des principaux indicateurs de performance au fil du temps par rapport à la performance idéale.

Évaluation de l’efficacité des activités et actions de maintenance en comparant avant et après la performance pour une meilleure planification de la maintenance.

Réactif: Alerte sur la base d’un bien réparé ou remplacé.

Analyses normatives: Recommandation d’exploitation et optimisation de la maintenance.

Approche de classification: cette approche est utilisée pour prédire la possibilité d’échec dans les prochaines étapes spécifiées.

Approche de régression: cette approche est utilisée pour la prédiction de RUL (durée de vie utile restante), c’est-à-dire la prédiction du temps avant la prochaine défaillance.

Les modèles Deep Learning et Machine Learning pour la maintenance prédictive:

  • Réseau de croyances profondes
  • Codeurs automatiques
  • Réseau de neurones récurrents (LSTM)
  • Réseau de neurones convolutifs
  • Machine Boltzmann restreinte
  • Modèles d’auto-organisation par consensus (COSMO)

Nous commençons par analyser les données disponibles pour établir les paramètres de fonctionnement normal d’une machine. Cela permet la formulation de règles grâce à la surveillance des conditions pour analyser les données en temps réel provenant directement des capteurs de l’appareil sur le flux d’étincelles via le pipeline de collecte de données. Après avoir analysé les données en temps réel, nous avons ajouté des données historiques et tierces telles que des modèles de fiabilité et des journaux pour découvrir des corrélations, des modèles et des tendances significatifs avec les anomalies générées par les règles de données en temps réel, pour signaler les défaillances potentielles. Ces modèles peuvent être utilisés pour affiner davantage nos règles et offrir des informations exploitables en temps réel.

Transformer les informations fournies par l’analyse des données en action livrable en intégrant une évaluation des risques pour tous les actifs dans nos opérations via un tableau de bord unique.

Par exemple, dans le cas où un problème potentiel est découvert, le tableau de bord d’analyse déclenche un événement qui nous permet d’envoyer des alertes automatisées aux parties concernées, telles que l’emplacement, les composants de remplacement estimés et les mesures correctives suggérées pour éviter un événement catastrophique. Ensuite, en capturant les données sur les caractéristiques d’usure des pièces remplacées, nous pouvons continuellement affiner nos modèles d’apprentissage automatique et tirer parti des nouvelles perspectives de performance.

  • Nous pouvons réduire les temps d’arrêt imprévus des actifs à 3,5%
  • Améliorer la qualité de l’efficacité des équipements
  • Réduisez les coûts de maintenance des actifs
  • Augmentation du retour sur investissement des actifs, d’où une augmentation des bénéfices

XenonStack suit l’approche de développement pilotée par les tests dans le développement d’applications de niveau entreprise suivant la méthodologie Agile Scrum.

Nos services de science des données fournissent des solutions d’analyse de texte pour extraire des données de sources de texte pour l’analyse des sentiments, le regroupement de texte et la catégorisation à l’aide d’algorithmes de traitement du langage naturel. Prédisez l’avenir, anticipez le changement, nourrissez l’agilité qui booste vos résultats. Créez des modèles prédictifs et statistiques pour les produits de données.

Chez XenonStack, nous proposons des solutions de science des données aux scientifiques et chercheurs en matière de données pour créer, déployer des algorithmes d’apprentissage automatique et d’apprentissage en profondeur à l’échelle avec des solutions automatisées sur site et de cloud hybride.

XenonStack Data Visualization & Artificial Intelligence Services vous permet de développer un tableau de bord interactif, un produit de données sous forme de chat bots, d’agents numériques et de cadre décisionnel, des systèmes de recommandation avec des applications Web progressives utilisant Angular.JS, React.JS et une programmation réactive – Scala, Aller.

Laisser un commentaire