Prédiction d'erreur critique pour la maintenance prédictive
Introduction
La maintenance prédictive, d'importance capitale pour les fabricants (Hashemian (2011); Salfner et al. (2010)) permet d'une part de réduire les coûts liés à l'immobilisation des systèmes après dysfonctionnement et d'autre part anticiper des commandes des pièces de rechange.
De nos jours, la plupart des machines modernes de l'industrie sont équipées de capteurs qui mesurent diverses propriétés physiques telles que la pression de l'huile ou la température du liquide de refroidissement. Après nettoyage et traitement, le signal issu de ces capteurs permet d'identifier au fil du temps les indicateurs d'un fonctionnement anormal (Wang et al. (2015)). La richesse de ces données permet de visualiser l'état du système dans le temps sous la forme d'une estimation de la durée de vie utile restante (Guo et al. (2017)).
En parallèle, les machines livrent régulièrement des journaux consignant les différents événements qui permettent de suivre l'usage et les anomalies. Ainsi, la prédiction basée sur les événements est un sujet de recherche clé dans la maintenance prédictive (Wang et al. (2017); Gmati et al. (2019)).
Dans ce cadre, nous nous attachons à prédire l'occurrence des erreurs critiques, qui sont fortement corrélées à la survenue des pannes.
Méthodologie
Pour répondre à notre objectif, notre approche est présentée en trois temps :
- Extraction et sélection de l'historique des données : Les données sont nettoyées et triées afin d'extraire l'échantillon le plus représentatif possible de la population.
- Collecte du jeu d'entraînement : les exemples sont générés en appliquant une combinaison d'intervalles temporels.
- Application d'un modèle de classification : le jeu d'apprentissage est utilisé pour entraîner un modèle de classification binaire : présence/absence d'erreur critique.
Originalité / perspective
La méthode est appliquée sur une population de machine variée en terme d'usure, qui ne sont pas soumise aux même conditions d'usage ni aux même conditions d'environnement.
La méthode s'appuie entièrement sur des logs, et l'information est gardée la plus brute possible.
Les travaux ont été appliqués sur un jeu d'erreur critiques, dont les causes et les localisations associées sur la machine sont diverses.
Télécharger les slides
Revoir le live :
