IOT et industrie : Maintenance prédictive: l'un des principaux atouts de l'IoT industriel

Un sous-ensemble de l'Internet des objets – l'IoT industriel – ajoute de nouvelles capacités à la technologie opérationnelle, y compris la gestion à distance et l'analyse opérationnelle, mais la valeur ajoutée numéro un jusqu'à présent a été la maintenance prédictive.

La combinaison de l'apprentissage automatique et de l'intelligence artificielle (IA) avec le pool profond de données générées par le flot d'appareils nouvellement connectés offre la possibilité de mieux comprendre le fonctionnement et l'interaction de systèmes complexes.

EN RELATION:

Et cela peut favoriser la maintenance prédictive – avec la capacité de localiser lorsque les composants des équipements industriels sont susceptibles de tomber en panne afin qu'ils puissent être remplacés ou réparés avant eux, évitant ainsi des dommages et des temps d'arrêt plus coûteux.

Modèles de maintenance prédictive IIoT à réglage fin

Selon Wael Elrifai, directeur principal de l'ingénierie des ventes et de la science des données chez Hitachi Vantara – la branche IoT de la société – l'une des complexités de la maintenance prédictive est que les modèles produits par l'IA pour le comportement du système doivent changer au fil du temps. Il a utilisé l'exemple d'un client ferroviaire Hitachi Vantara avec un contrat de maintenance de 27 ans et demi pour illustrer le problème.

À mesure que les pièces du train vieillissent, elles réagissent au stress différemment qu’elles ne le font quand elles sont nouvelles. Pour cette raison, les calendriers de maintenance doivent être ajustés au fil du temps pour tenir compte des taux de défaillance changeants. Ces calendriers peuvent être générés avec des modèles qui sont la sortie de l'apprentissage automatique, dit-il.

Il y a une "courbe de baignoire" à la défaillance de l'équipement, a déclaré Elrifai. Au début de sa durée de vie, les pannes sont fréquentes, mais les processus de maintenance sont déterminés au fil du temps, de sorte que les pannes deviennent beaucoup plus rares. "Et puis, bien sûr, la fin de vie – cela recommence à échouer", a expliqué Elrifai.

Ce type de modèle produit par l'IA peut également être créé pour d'autres industries, et Hitachi vient de publier une plate-forme appelée Lumeda qui extrait des données IIoT que les scientifiques des données peuvent utiliser pour ajuster plus précisément leurs modèles d'apprentissage automatique. «Il s'agit de pouvoir surveiller la précision du modèle d'apprentissage automatique après la mise en production d'un modèle», a déclaré Arik Pelkey, directeur principal du marketing produit.

Un exemple est un processus de fabrication chimique. Lumada crée un pool de données centralisé sur lequel les scientifiques des données peuvent expérimenter, de sorte que le processus de test de différents modèles les uns contre les autres signifie que la société peut modifier ses entrées et obtenir une prévision plus précise de ce qui va arriver aux produits chimiques à l'autre bout de la chaîne de production.

Elrifai et Pelkey ​​ont déclaré que le plus grand impact que l'évolution de la gestion du modèle d'apprentissage automatique aura sur les entreprises à faible marge et à capital élevé, comme l'industrie lourde et les transports.

Laisser un commentaire