Maintenance prédictive

 

Introduction à la maintenance prédictive

3 choses à savoir

La maintenance prédictive est une approche de la maintenance des équipements industriels (moteurs à réaction, éoliennes, pompes à pétrole, etc.) utilisant des modèles prédictifs. Ces modèles prédictifs exploitent des données issues de capteurs et d'autres informations pertinentes pour détecter des anomalies, surveiller l'état des composants et estimer la durée de vie restante utile (RUL). Grâce à la maintenance prédictive, vous pouvez programmer la maintenance au moment opportun — ni trop tôt, ni trop tard.

Importance de la maintenance prédictive

Pour comprendre l'intérêt de la maintenance prédictive, il est important de se pencher sur les défauts des autres approches : la maintenance réactive et la maintenance préventive.

Maintenance réactive et maintenance préventive

Dans une approche de maintenance réactive, vous n'intervenez qu'une fois que l'équipement est tombé en panne. Cette approche peut convenir pour une ampoule électrique, mais dans le cas des équipements industriels, les pannes imprévues et les temps d'immobilisation qu'elle occasionne se traduisent par un coût très élevé.

La plupart des opérateurs adoptent donc une stratégie préventive, en planifiant la maintenance à intervalles réguliers sans tenir compte de l'état réel de la machine. Cette approche atténue certes le risque de défaillance par rapport à une stratégie de maintenance réactive, mais elle entraîne des coûts de maintenance plus élevés, un temps d'immobilisation globalement plus long et une augmentation des stocks et des pièces de rechange. Elle ne permet pas non plus de prévenir les pannes, car l'état de l'équipement n'est évalué que périodiquement, au lieu d'être continuellement suivi et analysé en temps réel.

Les trois types de maintenance et leur approche de la gestion des défaillances

Maintenance prédictive

La maintenance prédictive comble les lacunes des deux autres approches car elle permet de surveiller en permanence l'état de l'équipement et fournit des estimations en continu du temps de fonctionnement avant que ce dernier ne tombe en panne ou n'exige une maintenance. Cette approche minimise les temps d'immobilisation imprévus et réduit les coûts d'exploitation en garantissant que les opérations de maintenance sont réalisées en temps utile et si nécessaire. En outre, le développement d'une solution de maintenance prédictive performante permet de générer une nouvelle source de revenus en proposant la maintenance comme un service supplémentaire aux clients.

Les types d'algorithmes utilisés dans les solutions de maintenance prédictive et les questions auxquelles ils répondent.

Fonctionnement de la maintenance prédictive

Au cœur d'une solution de maintenance prédictive se trouve un algorithme qui analyse les données issues des capteurs de l'équipement en question et exploite ces données pour détecter les anomalies, établir un diagnostic des problèmes ou prédire la durée de vie restante utile (RUL) de l'équipement.

Pour développer cet algorithme, les ingénieurs doivent rassembler les données appropriées, puis utiliser des outils comme MATLAB®  pour les prétraiter et en extraire des caractéristiques. Ces dernières serviront ensuite de données d'entrée à un modèle de Machine Learning ou de Deep Learning formant des prédictions. Cet algorithme sera ensuite déployé à grande échelle dans des systèmes IT/OT vers lesquels seront envoyées les données provenant de multiples ressources et équipements. Cette dernière étape est indispensable pour bénéficier pleinement des avantages de la solution de maintenance prédictive.

Workflow de développement d'algorithmes pour une solution de maintenance prédictive.

Données de défaillance

La collecte de données est la première étape du développement d'un algorithme de maintenance prédictive. La précision des modèles de Machine Learning et de Deep Learning dépend de la qualité des données d'apprentissage représentant les différents types de défaillance que vous souhaitez pouvoir prédire. Il est donc important de collecter des données qui correspondent à un fonctionnement correct ou défaillant de l'équipement.

Cependant les données associées à des événements de défaillance sont souvent difficiles à obtenir, l'objectif de tout programme de maintenance étant de prévenir les pannes. Les ingénieurs et les data scientists peuvent donc avoir du mal à obtenir des données pertinentes pour commencer à élaborer leur algorithme.

Pour surmonter cette difficulté, ils peuvent utiliser des modèles virtuels, tels que ceux définis dans Simulink®, pour représenter la dynamique de l'équipement et simuler des pannes. Un ingénieur peut par exemple modéliser une pompe à pétrole et simuler les pannes dues à une vanne qui fuit ou à une conduite bouchée. Il devient alors possible, et économiquement intéressant, de recueillir des données sur les défaillances sans impact sur le fonctionnement de la véritable pompe. En réalité, générer des données de défaillance pour le développement d'algorithmes de maintenance prédictive est l'un des avantages d'un investissement dans les jumeaux numériques.

Extraction de caractéristiques

Une fois que vous disposez de données pertinentes, l'étape suivante consiste à les prétraiter et les réduire à un ensemble de caractéristiques pouvant être utilisées comme « indicateurs d'état ». Ces indicateurs d'état capturent les informations pertinentes pour évaluer l'état d'un équipement. Cette étape s'appuie en général sur une combinaison de techniques statistiques, de traitement du signal et basées sur l'utilisation de modèles, implémentées dans des outils d'analyse et de design comme MATLAB et Simulink. La contribution des ingénieurs est essentielle à ce stade du développement des algorithmes, en raison de leur maîtrise approfondie du fonctionnement de l'équipement en question.

L'identification d'indicateurs d'état pertinents est indispensable à la mise au point d'un algorithme de maintenance prédictive performant. Cette étape permet de restreindre les données à un sous-ensemble pertinent pour surveiller de manière optimale le fonctionnement de l'équipement. Les avions commerciaux, par exemple, génèrent près d'un téraoctet de données par vol. Comme il est quasi impossible d'analyser de tels volumes de données, l'extraction de caractéristiques prend donc une importance croissante dans la surveillance des équipements. De plus la réduction des coûts de stockage et de transmission des données qu'elle procure, est un avantage supplémentaire

Modèles prédictifs

Les solutions de maintenance prédictive se différencient d'une approche traditionnelle de surveillance basée sur l'état des équipements par le recours à des modèles de Machine Learning et de Deep Learning. Ces modèles utilisent les indicateurs d'état comme données d'entrée pour détecter la cause première d'une anomalie ou prédire le moment où un équipement pourrait tomber en panne. La surveillance basée sur l'état peut donner des indications en temps réel sur l'état d'un équipement, mais ne permet pas de prédire son état futur.

Si les ingénieurs et les data scientists disposent de données mettant en correspondance les valeurs prises par les indicateurs d'état et les types de défaillance, ils peuvent s'appuyer sur des méthodes d'apprentissage supervisé pour entraîner des modèles prédictifs capables de différencier ces types de défaillance. Ces modèles peuvent ensuite être déployés sur le terrain, pour aider à identifier la cause première d'un problème affectant les performances d'un équipement.

Les méthodes d'apprentissage non supervisé conviennent bien à des applications comme la détection d'anomalies, où l'objectif est de lier les valeurs des indicateurs d'état provenant de l'équipement à un « fonctionnement normal » ou un « fonctionnement anormal ». Ces méthodes d'apprentissage non supervisé ne nécessitant pas de disposer de données d'apprentissage labellisées correspondant aux différents types de défaillance, sont appréciées des ingénieurs qui développent des algorithmes de maintenance prédictive pour la première fois.

D'autres méthodes basées sur les probabilités et les séries temporelles peuvent être utilisées pour calculer la durée de vie restante utile (RUL) d'une machine. Ces modèles partent de la valeur actuelle d'un indicateur d'état et estiment le temps de fonctionnement avant panne dans un intervalle de confiance défini.  Ces modèles de calcul de la RUL sont en quelque sorte des jumeaux numériques car ils modélisent la dégradation progressive d'un équipement particulier. Avec ces estimations sur le temps de fonctionnement avant panne, les ingénieurs peuvent planifier la maintenance au moment opportun, commander des pièces de rechange ou limiter l'utilisation de l'équipement pour prolonger sa durée de vie.

Algorithmes de calcul de la durée de vie restante utile disponibles dans MATLAB, classés par type de données disponibles pour réaliser des prévisions.

Déploiement et mise en service

Une solution de maintenance prédictive ne se limite pas au développement d'algorithmes. Après la phase de développement de l'algorithme vient celle du déploiement dans un environnement de production, comme un système basé sur l'Internet des objets (IoT), pour permettre aux entreprises de se rendre compte des bénéfices comme la réduction des temps d'immobilisation, la diminution des coûts de maintenance et l'amélioration de l'efficacité opérationnelle.

L'environnement de production implémentant l'algorithme doit intégrer une gestion sécurisée des données générées par les différents équipements et un ajustement des ressources de calcul en fonction des besoins, pour une exécution optimisée de l'algorithme sur les systèmes périphériques ou les systèmes IT/OT. L'environnement de production doit également comporter d'autres systèmes informatiques pour la gestion des stocks, l'émission de tickets de service et la préparation de tableaux de bord présentant les résultats de l'algorithme à l'équipe responsable des opérations, chargée de suivre les équipements.

Il est important de noter que dans ces environnements de production, les algorithmes de maintenance prédictive ne sont pas simplement exécutés dans le cloud ou sur des serveurs sur site. Certaines parties de l'algorithme, en particulier celles liées au prétraitement des données et à l'extraction des caractéristiques, peuvent être exécutées sur des dispositifs périphériques, comme les contrôleurs industriels, situés à côté des équipements surveillés et capables de traiter à grande vitesse les données qu'ils génèrent. Cette configuration permet de réduire les coûts de stockage et de transmission des données.

Composants d'une solution de maintenance prédictive déployée.

Témoignages clients

Safran a créé un environnement pour concevoir et développer des algorithmes destinés à la surveillance d'état des moteurs d'avion. Cette plateforme, utilisée avec MATLAB et Simulink, permet aux utilisateurs d'intégrer des applications algorithmiques comme le traitement de contenu textuel, l'entrée/sortie ou l'affichage, mais aussi l'optimisation des algorithmes de manière continue et automatique.
Afin d'optimiser le fonctionnement d'une nouvelle catégorie de trains connectés, la SNCF a utilisé des données télétransmises pour surveiller l'état des équipements, prédire les pannes et planifier la maintenance.

La maintenance prédictive avec MATLAB et Simulink

Les ingénieurs utilisent MATLAB, Simulink et Predictive Maintenance Toolbox™ pour développer et déployer des logiciels de surveillance d'état et de maintenance prédictive sur des systèmes IT et OT d'entreprise.

Ils peuvent :

  • Accéder à des données archivées et en streaming en utilisant des interfaces prédéfinies à des bases de données relationnelles et non relationnelles, des espaces de stockage sur le cloud, et des protocoles tels que REST, MQTT et OPC UA.
  • Prétraiter les données et réaliser l'extraction des caractéristiques pour surveiller l'état des équipements avec des applications interactives pour les techniques de traitement du signal et de statistiques.
  • Développer des modèles de Machine Learning pour identifier la cause principale des défaillances et estimer le temps de fonctionnement avant panne et la durée de vie restante utile (RUL).
  • Déployer des algorithmes et des modèles sur les systèmes opérationnels de leur choix. Générer automatiquement du code C/C++, HDL, PLC ou CUDA pour un déploiement sur des systèmes embarqués ou des appareils périphériques. Déployer des algorithmes dans le cloud sous forme de bibliothèques partagées C/C++, d'applications web, de conteneurs Docker ou d'assemblages .NET., de classes Java® ou de packages Python. 

Extraction et classement de caractéristiques de manière interactive sans écrire de code avec l'application Diagnostic Feature Designer dans MATLAB.

En savoir plus sur la maintenance prédictive

Découvrez les concepts et les workflows de la maintenance prédictive.
Découvrez comment utiliser des modèles de simulation de systèmes industriels et l'approche Model-Based Design pour couvrir l'ensemble d'un workflow de maintenance prédictive.
Apprenez à développer vos algorithmes de maintenance prédictive, de surveillance de l'état et de détection des anomalies avec MATLAB.
Apprenez les bases de la création de jumeaux numériques, notamment les principales méthodes de modélisation et leur implémentation avec MATLAB et Simulink.
Concevoir et tester des algorithmes de surveillance d'état et de maintenance prédictive
Découvrez comment utiliser MATLAB pour la maintenance prédictive à travers des exemples et des tutoriels vidéo.
Découvrez comment élaborer une solution de maintenance prédictive pour la fabrication intelligente à grande échelle. La présentation couvre le workflow complet, du design à la production en passant par le développement et les tests, en mettant l'accent sur les outils à disposition pour les data scientists, les architectes système, l'équipe IT et les directeurs d'usine.

Sujets connexes

Jumeaux numériques

Version d'essai gratuite de 30 jours

Des questions ?