La disponibilité des machines et des installations est une exigence fondamentale pour la productivité. Afin de transformer les temps d’arrêt non-planifiés des machines en temps d’arrêt planifiés, il est nécessaire de détecter les sources d’erreur à un stade précoce. Sur des systèmes complexes pour lesquels l’approche traditionnel n’apporte pas de résultat, la détection d’anomalies basée sur des algorithmes d’intelligence artificiels devient pertinente.
Il s’agit ici d’une détection d’anomalies non supervisées détectent les anomalies dans un ensemble de données non étiquetées en supposant que la majorité des instances de l’ensemble de données sont normales et en recherchant les instances qui ne correspondent pas au reste des données. On distingue donc deux phases de ce type de projets :
Cette technologie est une évolution majeure par rapport aux solutions d’analyse traditionnelle de données.
Nous retenons que cette solution se déroule en deux phases : apprentissage et détection.
L’algorithme a enregistré un type de défaut et est capable de reconnaitre les signaux précurseurs contrairement à une analyse traditionnelle.
La période d’apprentissage exige la mobilisation d’une équipe d’expert qui permette de valider les résultats et de caractériser le défaut détecté. Cette phase est très importante pour la réussite du projet puisque c’est durant cet étape que nous allons comprendre ce que l’algorithme a trouvé.
Ensuite le déploiement de l’algorithme sur les données en ligne se fait simplement grâce aux technologies Edge utilisées par Siemens.
Cette technologie appliquer à la détection d’anomalie sur des machines permet de passer d’une maintenance préventive à une maintenance prédictive, nous parons dans ce cas de modèles d’apprentissage prédictif.
Retours d’expériences
