Maintenance Prédictive avec IoT : Réduction des Temps d'Arrêt dans l'Industrie

La maintenance prédictive avec l'IoT implique l'utilisation de données collectées à partir de capteurs et de dispositifs connectés pour prédire quand une panne est susceptible de se produire ou quand un entretien est nécessaire sur un équipement ou un système. Les algorithmes d'apprentissage automatique (Machine Learning) jouent un rôle crucial dans ce processus, car ils permettent d'analyser les données historiques et en temps réel pour identifier des modèles et des tendances indiquant la nécessité d'un entretien.

Certains des algorithmes d'apprentissage automatique les plus couramment utilisés pour la maintenance prédictive avec l'IoT sont :

Régression : Les algorithmes de régression, comme la régression linéaire, la régression logistique et la régression par vecteurs de support (SVR), sont utilisés pour prédire des valeurs continues, comme le temps restant avant la panne ou l'usure d'un composant.

Classification : Les algorithmes de classification, tels que les arbres de décision, les machines à vecteurs de support (SVM), les réseaux neuronaux et les forêts aléatoires, sont utilisés pour classer les données en catégories, telles que "panne imminente" ou "fonctionnement normal".

Apprentissage profond : Les réseaux neuronaux profonds, tels que les réseaux neuronaux convolutifs (CNN) et les réseaux neuronaux récurrents (RNN), sont efficaces pour le traitement des données de séries temporelles et l'extraction de caractéristiques complexes des données de capteurs.

Regroupement (Clustering) : Les algorithmes de regroupement, tels que K-means et DBSCAN, sont utilisés pour identifier des motifs et des anomalies dans les données, ce qui peut aider à détecter des conditions anormales pouvant indiquer la nécessité d'une maintenance.

Détection des anomalies : Les algorithmes de détection des anomalies, tels que l'analyse en composantes principales (PCA) et les modèles de forêt d'isolement (Isolation Forest), sont utilisés pour identifier des motifs de données qui s'écartent significativement de ce qui est attendu, ce qui peut indiquer une défaillance imminente.

Modèles de survie : Les modèles de survie, comme le modèle de risques proportionnels de Cox, sont utilisés pour estimer la probabilité qu'un composant ou un système survive (fonctionne correctement) pendant une période de temps déterminée.

Le choix de l'algorithme d'apprentissage automatique le plus approprié dépend de plusieurs facteurs, tels que le type de données disponibles, la nature du problème de maintenance prédictive et les exigences de précision et de performance. Dans de nombreux cas, des approches d'apprentissage automatique hybrides ou assemblées sont utilisées, combinant plusieurs algorithmes pour tirer parti de leurs forces individuelles et améliorer les performances globales.

En outre, il est important de noter que le processus de maintenance prédictive avec l'IoT implique non seulement la sélection et l'entraînement des algorithmes d'apprentissage automatique, mais aussi la collecte et la préparation de données de haute qualité, l'intégration avec les systèmes IoT et la mise en œuvre de flux de travail efficaces pour la prise de décision et la planification de la maintenance.

Ci-dessous, différents articles scientifiques sont cités en fonction de leurs algorithmes :

G. A. Susto, A. Schirru, S. Pampuri, S. McLoone et A. Beghi,
"Machine Learning for Predictive Maintenance: A Multiple Classifier Approach," in IEEE Transactions on Industrial Informatics, vol. 11, no. 3, pp. 812-820, juin 2015, doi: 10.1109/TII.2014.2349359.

Dans cet article, nous présentons une méthodologie d'apprentissage automatique (ML) avec plusieurs classificateurs pour la maintenance prédictive (PdM). La PdM est une stratégie importante pour aborder les problèmes de maintenance étant donné le besoin croissant de minimiser les temps d'arrêt et les coûts associés. L'un des défis de la PdM est de générer les "facteurs de santé", ou indicateurs quantitatifs, de l'état d'un système associé à un problème de maintenance donné, et de déterminer leur relation avec les coûts opérationnels et le risque de défaillance. La méthodologie PdM proposée permet d'adopter des règles de décision dynamiques pour la gestion de la maintenance, et peut être utilisée avec des problèmes de données de haute dimension et censurées. Cela est réalisé en entraînant plusieurs modules de classification avec différents horizons de prédiction pour fournir différentes compensations de performance en termes de fréquence d'interruptions inattendues et de durée de vie non exploitée, puis en utilisant cette information dans un système de décision de maintenance basé sur les coûts opérationnels pour minimiser les coûts attendus. L'efficacité de la méthodologie est démontrée en utilisant un exemple simulé et un problème de maintenance de fabrication de semi-conducteurs de référence.

La disponibilité croissante des données est en train de changer la manière dont les décisions sont prises dans l'industrie dans des domaines importants tels que la planification, la gestion de la maintenance et l'amélioration de la qualité. Il a été démontré que les approches d'apprentissage automatique (ML) fournissent des solutions de plus en plus efficaces dans ces domaines, facilitées par les capacités matérielles croissantes, les solutions basées sur le cloud et les nouveaux algorithmes de pointe récemment introduits. En même temps, la gestion efficace des activités de maintenance devient essentielle pour réduire les coûts associés aux temps d'arrêt et aux produits défectueux, en particulier dans les industries manufacturières avancées et hautement compétitives comme la fabrication de semi-conducteurs.

Sherien Elkateb, Ahmed Métwalli, Abdelrahman Shendy, Ahmed E.B. Abu-Elanien,

Approche de maintenance prédictive basée sur l'apprentissage automatique et l'IoT pour les applications industrielles,

Alexandria Engineering Journal, Volume 88, 2024, Pages 298-309, ISSN 1110-0168,

L'article présente un système de maintenance prédictive qui utilise l'apprentissage automatique pour classifier différents types d'arrêts de machine en temps réel pour les machines à tisser dans l'industrie textile. Le système collecte des données de capteurs compatibles avec l'IoT sur les machines, y compris les vitesses et les étapes de la machine. Ces données sont prétraitées et alimentées à un modèle d'apprentissage automatique AdaBoost pour classifier six types d'arrêts de machine : arrêt de porte, arrêt d'alimentation, arrêt d'aiguille, arrêt de rouleau complet, arrêt d'inactivité et arrêt de lycra. Le modèle a été optimisé par le réglage des hyperparamètres et la validation croisée, atteignant une précision de 92% sur l'ensemble de test. Le système proposé vise à permettre des actions de maintenance opportunes en prédisant avec précision les arrêts de la machine, améliorant ainsi l'efficacité et la productivité dans le processus de fabrication textile. Les avantages clés incluent la réduction du temps d'arrêt, l'augmentation de la disponibilité de la machine et les interventions de maintenance spécifiques basées sur l'identification des causes profondes des arrêts.

Détection d'anomalies pour la maintenance prédictive dans l'industrie 4.0 - Une enquête

Pooja Kamat et Rekha Sugandhi, E3S Web Conf., 170 (2020) 02007

DOI : https://doi.org/10.1051/e3sconf/202017002007

L'article analyse l'importance de la maintenance prédictive (PdM) pour améliorer la disponibilité des actifs et éviter les temps d'arrêt imprévus dans les industries manufacturières. Les stratégies de maintenance traditionnelles impliquent des compromis entre faire fonctionner l'équipement jusqu'à ce qu'il tombe en panne ou remplacer prématurément des pièces encore en bon état. La PdM vise à optimiser la durée de vie restante tout en minimisant le temps d'arrêt grâce à la détection précoce des anomalies. Le cœur de la PdM réside dans l'identification des anomalies dans le fonctionnement de l'équipement à un stade précoce en utilisant des techniques de détection d'anomalies. L'article décrit les défis des méthodes traditionnelles de détection d'anomalies et propose une approche novatrice d'apprentissage profond pour prédire les anomalies avant la panne réelle de la machinerie. Il met en évidence comment l'Internet Industriel des Objets (IIoT) et les données des capteurs permettent l'analyse prédictive pour la surveillance de l'état de l'équipement. Cependant, les processus de fabrication complexes rendent difficile la définition des règles d'alerte. Le document motive la nécessité d'une détection efficace des anomalies en utilisant l'intelligence artificielle pour permettre la maintenance prédictive et réduire les coûts associés aux temps d'arrêt imprévus.

D. Jung, Z. Zhang et M. Winslett,
"Analyse des vibrations pour la maintenance prédictive activée par l'IoT," 2017 IEEE 33ème Conférence Internationale sur l'Ingénierie des Données (ICDE), San Diego, CA, USA, 2017, pp. 1271-1282, doi: 10.1109/ICDE.2017.170.

L'article analyse l'importance croissante des capteurs de vibration pour la maintenance prédictive dans les systèmes industriels de l'Internet des Objets (IoT). Les capteurs de vibration connectés à des équipements tels que des moteurs et des tuyaux peuvent fournir des informations sur leur état de fonctionnement. Cependant, l'échantillonnage non continu et la difficulté d'interpréter les données de vibration posent des défis.

Les auteurs proposent un nouveau cadre analytique conçu spécifiquement pour l'analyse des vibrations permettant une estimation précise de la durée de vie restante (RUL) de l'équipement. Cela peut optimiser la planification des remplacements et de la maintenance. Leurs évaluations empiriques sur des sites de fabrication ont montré que le cadre permettait de prolonger la durée de vie moyenne de l'équipement de 1,2 fois et de réduire les coûts de remplacement de 20%.

Les avantages clés des nouveaux capteurs de vibration basés sur les MEMS sont mis en évidence : ils sont légers, économes en énergie, bon marché et peuvent révéler l'état de l'équipement à travers des motifs de vibration indépendants des facteurs externes. L'analyse des vibrations permet la maintenance prédictive en surveillant la santé de l'équipement en temps réel plutôt que par des périodes de remplacement fixes.

Cependant, les données de vibration sont de haute dimensionnalité et nécessitent une sélection efficace des caractéristiques. Le moteur analytique doit également gérer des données asynchrones et incomplètes provenant de capteurs à bande passante/énergie limitée pour la modélisation prédictive.