Introduction à la maintenance prédictive

Importance de la maintenance prédictive

Afin de comprendre ce qui rend la maintenance prédictive si attrayante, il est essentiel de distinguer les deux types de maintenance couramment utilisées : 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 être adéquate pour une simple ampoule électrique, mais les défaillances non planifiées et les temps d'arrêt peuvent s'avérer très coûteux et risqués pour les machines industrielles.

De nombreux 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.

Acquisition de données

La collecte de données est la première étape du développement d'un algorithme de maintenance prédictive. La précision des algorithmes d'IA 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 sur les défaillances sont souvent difficiles à obtenir. En effet l'objectif de tout programme de maintenance est de prévenir les pannes ! Les ingénieurs peuvent donc avoir du mal à obtenir des données pertinentes pour initier la création d’un algorithme précis.

Une approche prometteuse pour résoudre ce problème consiste à générer des données synthétiques à partir de modèles basés sur la physique, comme ceux élaborés dans Simulink^® et Simscape™. 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. Cette méthode permet de générer des données de défaillance de manière sûre et économique, sans altérer les performances de la véritable pompe à huile. Ces modèles, qui reposent sur des principes physiques, peuvent ensuite être exploités comme de véritables jumeaux numériques. Ils offrent ainsi la possibilité de prédire les performances futures avec précision.

Identification des indicateurs d'état

Une fois que vous disposez de données pertinentes, l'étape suivante consiste à les réduire à un ensemble de caractéristiques pouvant servir d'indicateurs d'état sur lesquels entraîner un algorithme prédictif. Ces indicateurs d’état permettent de distinguer un fonctionnement normal d'un fonctionnement défectueux. Ils sont typiquement extraits en utilisant une combinaison de techniques basées sur des modèles, statistiques et de traitement du signal, avec des outils d'analyse et de design comme MATLAB. L'expertise de l'équipe d'ingénierie est primordiale à cette étape, car cette équipe possède une connaissance approfondie du fonctionnement des machines et peut ainsi aider à identifier les caractéristiques pertinentes.

L'identification de ces caractéristiques est indispensable à la mise au point d'un algorithme de maintenance prédictive performant. Des caractéristiques appropriées permettent en effet d'entraîner des algorithmes pour détecter des tendances qui sont difficilement observables. De plus, l'extraction de ces caractéristiques permet de réduire la taille du jeu de données brut. Les avions commerciaux, par exemple, génèrent près d'un téraoctet de données par vol. Comme il est difficile de transmettre, de stocker et d'analyser de tels volumes de données, l'extraction de caractéristiques prend donc une importance croissante dans la surveillance des équipements.

Développement des algorithmes

Une fois que vous avez extrait les caractéristiques les plus pertinentes, la prochaine étape consiste à entraîner votre algorithme prédictif. Ces algorithmes peuvent être classés en trois catégories principales : la détection des anomalies, l'identification des défaillances (diagnostics) et l'estimation de la durée de vie utile restante (pronostics). L'objectif ultime des algorithmes de maintenance prédictive est de convertir les données des capteurs en décisions de maintenance.

Si les données sont étiquetées avec des modes de défaillance, les ingénieurs peuvent utiliser des méthodes d'apprentissage supervisé pour entraîner des modèles prédictifs et différencier ces modes de défaillance. Ces modèles peuvent ensuite être connectés aux systèmes opérationnels sur le terrain, où ils aident à identifier la cause première des performances altérées.

Les méthodes d'apprentissage non supervisé sont particulièrement adaptées aux applications comme la détection d'anomalies, où l'objectif est de classer les valeurs des indicateurs d'état provenant de l’équipement, comme « normales » ou « anormales ». 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.

Une autre catégorie de méthodes basées sur les probabilités et les séries temporelles peut être utilisée pour calculer la durée de vie utile restante (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. En connaissant le moment probable de défaillance de la machine, les ingénieurs peuvent planifier la maintenance, commander les pièces de rechange nécessaires ou limiter le fonctionnement de l'équipement afin de prolonger sa durée de vie.

Déploiement des algorithmes en opération

Une solution de maintenance prédictive ne se résume pas qu'à des algorithmes. Il est essentiel de déployer ces algorithmes sur les équipements en fonctionnement pour bénéficier de la réduction des temps d’arrêt et des coûts de maintenance ainsi que d’une efficacité opérationnelle améliorée.

L'environnement opérationnel doit être en mesure de gérer les données de manière sécurisée et d'adapter les ressources informatiques afin que les algorithmes puissent s'exécuter de manière optimale dans des systèmes embarqués ou IT/OT. Il doit également s'intégrer avec d'autres systèmes informatiques pour la gestion des stocks, l'émission de tickets de service et la présentation de tableaux de bord affichant les résultats de l'algorithme à l'équipe d'exploitation.

Dans de nombreuses applications opérationnelles, les algorithmes de maintenance prédictive ne s'exécutent pas uniquement dans le cloud mais aussi sur des serveurs locaux. Certaines parties de l'algorithme, comme le traitement du signal et l'extraction des caractéristiques, peuvent être directement déployées sur des dispositifs périphériques tels que des contrôleurs industriels, qui peuvent traiter rapidement et en temps réel des données de capteurs à haute fréquence. Cette configuration permet de réduire les coûts de stockage et de transmission des données.

La maintenance prédictive avec MATLAB et Simulink

Les ingénieurs utilisent MATLAB, Simulink et Predictive Maintenance Toolbox™ pour concevoir, tester et déployer des algorithmes personnalisés de surveillance d'état et de maintenance prédictive.

Avec MATLAB et Simulink, vous pouvez :

• Accéder aisément aux données en streaming et archivées à partir du stockage sur le cloud, des bases de données, des systèmes d'historisation de données et des protocoles industriels.
• Explorer, extraire et classer les caractéristiques de manière interactive avec Diagnostic Feature Designer.
• Développer des modèles prédictifs pour détecter les anomalies, identifier les défaillances et prédire la durée de vie utile restante (RUL).
• Créer des modèles basés sur la physique afin de générer des données de capteurs synthétiques et de déployer des jumeaux numériques.
• Générer du code C/C++ pour un traitement temps réel en périphérie.
• Intégrer vos systèmes IT/OT sans nécessiter de recodage : mettez à l'échelle les algorithmes dans le cloud sous forme de bibliothèques partagées, de packages, d'applications web, de conteneurs Docker, et bien plus encore.

Sujets connexes