Maintenance prédictive
Les membres du groupe
● AVOGBE Elysée
● BABATOUNDE Omer
● BALOGOUN Christian Sous la supervision du docteur
● d’ALMEIDA Régistia CAPO CHICHI Gilbert
● HOUESSOU Roger
PLAN
Aperçu de la
Introduction maintenance
Définition
prédictive
Concevoir des
algorithmes prédictifs
Importance de Fonctionnement
l’analyse de la maintence
prédictive prédictive et
Essor du big data, l’analytique IoT
augmentation de la
concurrence,
Maintenance prédictive
technologies de pointe
avec MATLAB
de Big data, exemples
CONCLUSION
01
Introductio
n
DEFINITION
La maintenance prédictive vise à éviter les pannes
et les temps d'arrêt des équipements en
connectant les actifs de l'entreprise intégrant la
technologie IoT, en appliquant l'analytique
avancée aux données en temps réel fournies par
ces appareils, et en utilisant les insights qui en
découlent pour obtenir des protocoles de
maintenance documentés, rentables et
efficaces.
Aperçu de la maintenance prédictive
Les technologies de maintenance prédictive vous permettent de comprendre les
données transmises par les actifs de votre entreprise. Ces machines dans vos
usines, votre flotte de camions, vos équipements industriels envoient
constamment des signaux depuis des années. Ils montrent des signes avant-
coureurs de pannes et de besoins auxquels vous devez répondre pour prolonger
leur durée de vie ou améliorer leur fonctionnement.
La maintenance prédictive permet aux entreprises d'anticiper les défaillances et de
planifier la maintenance où et quand elle est immédiatement nécessaire. Elle
fournit aux entreprises les informations requises pour optimiser les performances
de leurs actifs stratégiques tout en veillant à ne pas repousser trop loin les limites
des performances des équipements afin d'éviter tout risque de panne onéreuse.
L’analyse prédictive permet de prévoir des événements futurs à partir de données
historiques. Les données historiques sont généralement utilisées pour créer un
modèle mathématique permettant de capturer les tendances importantes. Ce
modèle prédictif est ensuite utilisé sur les données actives pour prévoir ce qui va
se produire, ou encore pour suggérer des mesures à prendre afin d’optimiser les
Concevoir des
algorithmes
prédictifs
La création d'un algorithme prédictif fiable ne se limite pas à l'IA : accédez à vos
données, nettoyez-les et explorez-les, puis utilisez votre expertise en ingénierie pour
extraire les meilleures caractéristiques afin d'entraîner des algorithmes
prédictifs. Familiarisez-vous rapidement avec des fonctions spécifiques aux applications
et des exemples de référence.
Accédez aux données en streaming et archivées via des interfaces prédéfinies pour le
stockage sur le cloud (Le cloud est un ensemble distribué de serveurs qui hébergent
des logiciels et des infrastructures, et auquel on accède par l'internet.), les bases de
données, les systèmes d'historisation de données et les protocoles industriels
Nettoyez et explorez les données à l'aide de techniques statistiques et de traitement du
signal interactives
Extrayez et classez les caractéristiques dans les domaines temporel et fréquentiel, ainsi
que les caractéristiques spécifiques aux applications avec Diagnostic Feature Designer
Identifiez les défauts et prédisez le temps de fonctionnement avant défaillance grâce à
des méthodes basées sur l'IA low-code, les statistiques et des modèles
Pourquoi l’analyse prédictive est importante
Essor du Big Data
On entend souvent parler de l’analyse prédictive dans le contexte du big data. Les données
d’ingénierie, par exemple, proviennent de capteurs, d’instruments et de systèmes
connectés du monde entier. Dans une entreprise, les données système peuvent inclure des
données transactionnelles, des résultats commerciaux, des réclamations clients et des
informations marketing. Les entreprises s’appuient de plus en plus sur ces informations
précieuses pour prendre des décisions. Augmentation de la concurrence
Confrontées à une concurrence de plus en plus rude, les entreprises sont à la recherche de
solutions pour commercialiser leurs produits et services sur des marchés saturés. Les
modèles prédictifs reposant sur des données peuvent aider les entreprises à trouver de
nouvelles méthodes pour résoudre ces problèmes de longue [Link] fabricants
d’équipements, par exemple, peuvent être confrontés à des difficultés pour innover au
niveau du matériel. Les développeurs de produits peuvent ajouter des fonctionnalités
prédictives aux solutions existantes afin d’augmenter la valeur ajoutée proposée au client.
L’utilisation de l’analyse prédictive dans le cadre de la maintenance des équipements, ou
maintenance prédictive, peut permettre d’anticiper les pannes des équipements, de prévoir
les besoins en énergie et de réduire les coûts d’exploitation. Par exemple, les capteurs qui
mesurent les vibrations dans les composants automobiles peuvent signaler un besoin de
maintenance avant que le véhicule ne tombe en panne sur la route.
Technologies de pointe pour le Big Data et le
Machine Learning
Pour tirer de la valeur du Big Data, les entreprises appliquent des algorithmes à de
grands ensembles de données à l’aide d’outils tels que Hadoop et Spark. Les sources
de données peuvent être composées de bases de données transactionnelles, de
fichiers de log d’équipements, d’images, de vidéos, d’audio, de données de capteurs
ou d’autres types de données. C’est bien souvent l’association de données provenant
de plusieurs sources qui rend possible l’innovation.
Avec toutes ces données, des outils sont nécessaires pour tirer des enseignements et
des tendances. Des techniques de Machine Learning sont utilisées pour identifier des
caractéristiques dans les données et concevoir des modèles qui prédisent les futurs
résultats. De nombreux algorithmes de Machine Learning sont disponibles,
notamment la régression linéaire et non linéaire, les réseaux de neurones, les
machines à vecteurs de support, les arbres de décision, etc.
Exemples d’analyses prédictives
L’analyse prédictive aide les équipes dans des secteurs d’activité aussi divers que la finance, la
santé, les produits pharmaceutiques, l’automobile, l’aérospatiale et la production industrielle.
Automobile – Faire preuve d’innovation avec les véhicules autonomes
Les entreprises qui développent des technologies d’aide à la conduite et des nouveaux
véhicules autonomes utilisent l’analyse prédictive pour analyser les données de capteurs des
véhicules connectés et créer des algorithmes d’aide à la conduite.
Aérospatiale – Surveiller l’état des moteurs d’avions
Pour améliorer le temps de disponibilité des avions et réduire les coûts de maintenance, un
fabricant de moteurs a créé une application d’analyse en temps réel afin de prévoir les
performances des sous-systèmes dans les domaines suivants : huile, carburant, décollage, état
mécanique et commandes.
Production d’énergie – Prévoir les prix et la demande en électricité
Les applications de prévision complexes utilisent des modèles qui permettent de surveiller la
disponibilité des centrales, les tendances historiques, la saisonnalité et la météo.
Services financiers – Développer des modèles de risque de crédit
Les institutions financières utilisent des techniques de Machine Learning et des outils
quantitatifs pour la prévision du risque de crédit.
Automatisation industrielle et machinerie – Prévoir les pannes de
machines
Un producteur de films plastiques et de films minces économise 50
000 euros par mois en utilisant des applications de contrôle d’état et
de maintenance prédictive qui permettent de réduire les temps
d’arrêt et le gaspillage.
Appareils médicaux – Utiliser des algorithmes de reconnaissance de
formes pour la détection de l’asthme et de la bronchopneumopathie
chronique obstructive
Un appareil de gestion de l’asthme enregistre et analyse la respiration
des patients et assure un retour instantané par l’intermédiaire d’une
application pour smartphone qui aide les patients à gérer leur asthme
et leur bronchopneumopathie chronique.
Maintenance prédictive : cette maintenance n'est possible que si des
réseaux d'IoT (Internet des Objets) intègrent tous les actifs de
l'entreprise à un écosystème accessible en temps réel. La possibilité
de transmettre et d'analyser les données en temps réel signifie que
Comment
fonctionnent la
maintenance
prédictive et
l'analytique IoT ?
La première étape du processus de maintenance prédictive implique la collecte de
données et d'informations en temps réel issues des actifs de réseaux IoT connectés
dans l'ensemble de l'entreprise. Ces données doivent ensuite être stockées et
gérées pour pouvoir être facilement traitées, analysées et accessibles. La
composante « prédictive » entre en jeu lors de l'application des technologies d'
intelligence artificielle (IA) et de Machine Learning aux données pour en tirer des
informations utiles et exploitables.
L'architecture de la maintenance prédictive et du réseau IIoT (IoT industriel)
comporte quatre étapes fondamentales :
Détection et collecte des données à l'aide de technologies de maintenance
prédictive (imagerie thermique ou vibrations, par exemple)
Transmission des données en temps réel vers un système de gestion centralisé sur
l'ensemble du réseau
Application de technologies intelligentes comme l'analytique optimisée par l'IA et le
Machine Learning à ces données pour en tirer les insights les plus pertinents et
utiles possibles
Mise en œuvre rapide de mesures basées sur ces insights pilotés par les données
pour établir les protocoles de maintenance et de réponse (humains et automatisés)
nécessaires
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.
Intégrer le modèle dans le système de
prévision de charge d’un environnement
de production.
Une fois que vous avez trouvé le modèle
permettant de prévoir la charge de façon
précise, vous pouvez le transférer dans votre
système de production afin de rendre les
analyses disponibles pour les programmes
logiciels ou les appareils (y compris les
applications Web, les serveurs ou les appareils
mobiles).
Extraction et classement
de caractéristiques de
manière interactive sans
écrire de code avec
l'application Diagnostic
Feature Designer dans
MATLAB.
Conclusion
La maintenance prédictive intelligente pour l’industrie
4.0 constitue une stratégie de maintenance qui bénéficie des
nouveaux développements de la quatrième révolution
industrielle. Pour atteindre avec succès son principal objectif,
prédire l’instant d’occurrence de la défaillance, sa mise en
œuvre requiert une maîtrise de très nombreux concepts et
outils associés (Internet des objets industriels, analyse de
données, data mining, cloud, big data, intelligence
artificielle…). C’est la raison pour laquelle ce sont
principalement les grandes entreprises disposant des
compétences en data science qui l’utilisent avec succès
actuellement pour des parcs importants d’équipements
(ascenseurs, moteurs d’avion…). Ceci s’explique par le fait
que pour être efficace et fournir un retour d’investissement
approprié, il est nécessaire de disposer de grandes quantités
de données sur les comportements des équipements.
DEBAT