Pronostic et management de la santé (PHM) est une méthode de maintenance des machines qui utilise les données temps réel et historiques, de capteurs pour informer et optimiser les décisions de maintenance.
Pronostic et management de la santé (PHM) est une approche globale qui combine deux concepts clés :
- Pronostic désigne une méthode de design d'algorithmes permettant d'estimer la durée de vie utile restante de systèmes ou de composants. Ce terme est souvent utilisé de manière interchangeable avec maintenance prédictive.
- Management de la santé est une méthode de maintenance globale qui utilise les informations fournies par les algorithmes de pronostic et de diagnostic, entre autres, pour garantir la santé et la fiabilité des systèmes.
Pourquoi Pronostic et management de la santé (PHM) est-il important ?
Pronostic et management de la santé (PHM) permet aux exploitants et aux fabricants d'équipements de :
- Réduire les temps d'arrêt des équipements : les algorithmes de PHM peuvent aider à détecter les anomalies des équipements, à déterminer la cause première des défauts et des pannes, et à prédire les problèmes potentiels avant qu'ils ne se produisent.
- Optimiser les plannings de maintenance : en ne planifiant les services de maintenance que lorsque cela est nécessaire, le PHM permet d'éviter les coûts de maintenance inutiles.
- Améliorer l'efficacité opérationnelle : le PHM permet d'identifier et d'atténuer les risques de panne des équipements, d'allonger leur durée de vie et d'améliorer la productivité globale.
Pronostic et diagnostic
Pour bien comprendre toute la dimension du PHM, il est important de faire la différence entre deux approches qui sont souvent utilisées en parallèle mais qui ont des objectifs distincts : le pronostic et le diagnostic. Bien que le mot diagnostic ne soit pas directement mentionné dans le terme pronostic et management de la santé (PHM), il s'agit souvent d'une méthode clé pour la réussite du PHM.
Le diagnostic se concentre sur l'identification, l'isolement et la détermination des causes des défauts ou des pannes qui se sont déjà produits au sein d'un système. Il répond à la question « Qu'est-ce qui n'a pas fonctionné ? ». Le diagnostic est un élément des programmes de maintenance conditionnelle (CBM), qui constituent une stratégie de PHM basée sur la surveillance de l'état de santé actuel de l'équipement.
Le pronostic, en revanche, est tourné vers l'avenir. Il s'agit de prédire le moment où un système ou un composant ne remplira plus la fonction pour laquelle il a été conçu. Cette prédiction, connue sous le nom de durée de vie utile restante (RUL), permet une maintenance préventive pour éviter les pannes. Le pronostic implique une compréhension plus poussée du comportement de la machine mais a un impact plus important sur la réduction des temps d'arrêt non planifiés et des coûts de maintenance. Le pronostic répond à la question « Quand cela ne va-t-il plus fonctionner ? ».
En combinant diagnostic et pronostic, le PHM offre une vue d'ensemble de l'état des machines, ce qui permet de prendre des décisions plus éclairées en matière de maintenance et d'exploitation.
Maintenance conditionnelle ou maintenance prédictive
La maintenance conditionnelle est une stratégie de maintenance basée sur l'état actuel de l'équipement. Découvrez comment fonctionne la maintenance conditionnelle et ce qui la différencie de la maintenance prédictive.
Management de la santé
Le management de la santé dans le contexte du PHM fait référence aux stratégies visant à maintenir ou à améliorer la santé et la fiabilité des systèmes opérationnels. Cette approche intègre diverses activités, notamment la surveillance, le diagnostic, le pronostic, la planification de la maintenance et l'exécution de mesures correctives pour résoudre les problèmes potentiels et actuels. Le management de la santé est une approche globale visant à garantir que les systèmes fonctionnent de manière efficiente et efficace tout au long de leur cycle de vie, en utilisant des données pour éclairer les décisions relatives à la maintenance et aux pratiques opérationnelles.
Un management de la santé efficace repose sur un cycle continu de surveillance, d'analyse et d'action. Cela commence par la surveillance temps réel des données de capteurs de l'équipement opérationnel. Les données collectées sont ensuite analysées à la fois par diagnostic pour comprendre les états de santé actuels et par pronostic pour prédire les états futurs. Sur la base de cette analyse, des décisions peuvent être prises concernant les actions de maintenance les plus appropriées, qu'elles soient préventives, correctives ou prédictives.
Développement d'algorithmes de pronostic avec MATLAB
Les programmes de maintenance prédictive ont pour but d'élaborer des algorithmes de pronostic. Pour développer des algorithmes de pronostic, il faut partir des données de votre machine ou de votre parc de machines. Ces données doivent représenter à la fois les états sains et les états dégradés. Il existe plusieurs approches du développement d'algorithmes de pronostic dans MATLAB® utilisant des outils tels que les algorithmes de durée de vie utile restante dans Predictive Maintenance Toolbox™.
Workflow de développement d'algorithmes de pronostic.
Données pour le Pronostic et management de la santé (PHM)
Les données nécessaires au développement d'algorithmes de pronostic, telles que les mesures de température, de pression, de tension, de bruit ou de vibration collectées au fil du temps, proviennent généralement des capteurs de la machine. Cependant, comme les programmes de maintenance planifiée sont souvent conservateurs, il peut être difficile d'obtenir des données sur les pannes pour le pronostic. Les données de capteurs peuvent être enrichies par des données de défaillances générées par des modèles basés sur la physique, qui sont ajustés pour correspondre aux paramètres de la machine.
Design d'indicateurs d'état
Les données machine pour le pronostic sont traitées à l'aide de diverses techniques statistiques et de traitement du signal afin d'extraire des caractéristiques importantes appelées indicateurs d'état. Les indicateurs d'état sont des caractéristiques qui changent de manière prédictible au fur et à mesure que la machine se détériore. Il peut s'agir de toute caractéristique utile pour distinguer les opérations saines des opérations défectueuses. Dans le cas du pronostic, les indicateurs d'état sont parfois appelés indicateurs de santé et sont utilisés comme données d'entrée pour entraîner les modèles de pronostic.
All Nippon Airways utilise MATLAB pour prédire des défaillances de composants d’avion
All Nippon Airways utilise MATLAB pour entraîner des modèles de Machine Learning, qui sont déployés dans un pipeline de données afin d'évaluer les données de capteurs temps réel.
Types d'algorithmes de pronostic
Il existe plusieurs approches pour concevoir des algorithmes de pronostic en fonction des données et des connaissances disponibles. Les ingénieurs peuvent utiliser les données historiques pour concevoir des algorithmes de pronostic basés sur les données, l'expertise du domaine pour créer des modèles basés sur la physique, ou une combinaison des deux. Il en résulte un algorithme de pronostic capable de prédire le moment où la prochaine panne est susceptible de se produire.
Algorithmes basés sur les données
Les modèles de régression sont un type d'algorithme de Machine Learning souvent utilisé pour les pronostics de base. Les modèles de régression décrivent la relation entre une variable de sortie (telle que le temps de panne) et une ou plusieurs variables d'entrée (indicateurs d'état). Cette approche peut être utile lorsque l'objectif est de prédire de manière statique la durée de vie d'un équipement, tel qu'une batterie, sur la base de son état actuel.
Résultats d'un modèle de régression simple pour le pronostic, prédisant le cycle de vie d'une batterie. (Voir l'exemple de code MATLAB.)
Cependant, dans de nombreuses applications de pronostic, l'objectif est de prédire avec précision le temps de fonctionnement avant panne d'un équipement particulier sur la base de son historique de fonctionnement. Pour cela, nous nous tournons vers les algorithmes de durée de vie utile restante.
Les modèles de durée de vie utile restante (RUL) sont des algorithmes spécialisés pour le pronostic, tels que les modèles de similarité, de dégradation ou de survie. Le modèle utilisé dépend de la quantité de données historiques disponibles. Ces modèles nécessitent une ingénierie des caractéristiques pour concevoir un indicateur d'état représentatif. Ils peuvent fournir un pronostic continuellement mis à jour dans un intervalle de confiance défini au fur et à mesure de l'acquisition de données.
Estimation de RUL pour le pronostic des roulements à l'aide d'un modèle de dégradation dans MATLAB. (Voir l'exemple de code MATLAB.)
Les modèles de Deep Learning sont particulièrement adaptés à l'apprentissage automatique de patterns complexes et à l'extraction de caractéristiques à partir de volumes importants de données. Les approches de Deep Learning pour le pronostic, telles que les réseaux LSTM (Long Short-Term Memory) ou les réseaux de neurones à convolution (CNN), peuvent fonctionner avec des données brutes et ne nécessitent donc pas d'expertise du domaine pour concevoir des indicateurs d'état précis et des caractéristiques. Cependant, les modèles de Deep Learning requièrent des quantités considérables de données et de ressources informatiques et peuvent ne pas être suffisamment explicites pour être utilisés dans un contexte de sécurité critique.
Pour continuer à explorer ce sujet
Modèles basés sur la physique
Les modèles basés sur la physique, tels que ceux qui sont inclus dans Simulink® et Simscape®, peuvent être utilisés pour le pronostic en simulant le comportement d'une machine dans le temps. Il est possible de valider et de calibrer ces modèles à l'aide des données de capteurs de la machine réelle, puis de les utiliser pour simuler le comportement futur à des fins de pronostic dans différentes conditions de fonctionnement. L'utilisation de ces modèles pour le pronostic nécessite une connaissance détaillée du design de la machine et de la façon dont les composants se détériorent avec le temps.
Modèle basé sur la physique d'une pompe défectueuse pour le pronostic développé dans Simscape. (Voir le modèle Simulink.)
Algorithmes hybrides
Les estimateurs d'état et les modèles identifiés sont des algorithmes hybrides qui combinent la connaissance de la physique du système et des données opérationnelles. Lorsque vous créez un modèle dynamique identifié qui décrit le comportement d'une machine, tel qu'un modèle de représentation d'état ou un modèle autorégressif, vous pouvez l'utiliser à des fins de pronostic en le propageant dans le temps et en analysant le comportement d'un indicateur d'état connu. De même, vous pouvez utiliser des estimateurs d'état, tels que les filtres de Kalman, pour le pronostic, et prédire les états futurs lorsqu'une panne se produira.
De plus, les méthodes basées sur les données et sur la physique peuvent souvent être combinées pour obtenir une approche de pronostic robuste qui utilise à la fois des données opérationnelles et une expertise approfondie du domaine. Par exemple, la combinaison de caractéristiques spécifiques à un domaine et de techniques standard d'ingénierie des caractéristiques peut améliorer la précision des modèles d'IA. L'analyse des sources de connaissances dont vous disposez sur les systèmes et les composants en question augmente la fiabilité de votre approche de PHM.
Déploiement et opération
Les algorithmes de PHM sont inutiles tant qu'ils ne sont pas déployés dans un environnement opérationnel réel. Il existe plusieurs approches pour rendre opérationnels les algorithmes de pronostic, en fonction des besoins.
Les algorithmes peuvent être déployés dans un environnement informatique tel qu'un serveur sur site ou une plateforme cloud. Les déploiements dans le cloud peuvent s'adapter rapidement aux différents besoins de calcul et de stockage à la demande. Cela est particulièrement utile pour traiter de grands volumes de données et réaliser des analyses complexes sur plusieurs sites ou sur de grands parcs d'équipements. Les déploiements sur site, même s'ils demandent un investissement initial dans l'infrastructure plus important, permettent de mieux contrôler la sécurité des données et les performances du système, ce qui est crucial pour les applications dans les secteurs sensibles ou très réglementés.
Alternativement, des algorithmes de pronostic peuvent être implémentés dans un système embarqué directement sur l'équipement. Cette approche permet une surveillance et une prise de décision temps réel, en réduisant considérablement la latence associée à la transmission des données à un système centralisé pour analyse. En traitant les données localement, les systèmes embarqués peuvent aussi réduire considérablement le volume de données à transmettre sur le réseau, ce qui atténue les contraintes de bande passante et réduit les points de défaillance potentiels. Cela est particulièrement utile dans les scénarios où une action immédiate est nécessaire sur la base d’informations de pronostic, comme dans les véhicules autonomes ou les processus de fabrication critiques.
Quelle que soit la stratégie de déploiement, le fonctionnement des algorithmes de pronostic doit impliquer une surveillance et une maintenance continues pour faire en sorte qu'ils restent efficaces dans le temps. Cela comprend des mises à jour de l'algorithme pour refléter les nouveaux modes de défaillance ou les changements de conditions opérationnelles, ainsi que la surveillance et la détection des dérives pour garantir la précision continue des algorithmes. Le fonctionnement efficace d'algorithmes de pronostic nécessite une stratégie bien pensée pour le support et la maintenance en régulier, afin qu'ils continuent à apporter de la valeur tout au long de leur cycle de vie.
