Existe-t-il une interface homme-machine pour la maintenance prédictive ?

Aujourd'hui, les entreprises de nombreux secteurs lourds tels que la fabrication, la production d'électricité, le pétrole et le gaz, les énergies renouvelables, les métaux, les produits chimiques et les mines appliquent des techniques de maintenance prédictive (PdM) à leurs opérations mondiales de plusieurs millions de dollars afin de réduire les coûts et les temps d'arrêt associés à pannes et dommages critiques inattendus de la machine.

À bien des égards, la relation médecin-patient constitue une bonne analogie avec la relation technicien-machine lorsqu’il s’agit de tenter de comprendre la signification d’une condition observée. Imaginez que la température corporelle d'un patient soit supérieure à la normale. Cela peut être dû à plusieurs facteurs : certains sont normaux (par exemple, un exercice intense) et d'autres indiquent une maladie (par exemple, de la fièvre) qui doit être traitée.

Une fois la température corporelle plus élevée identifiée, il est logique d’examiner d’autres facteurs pour parvenir à un pronostic clair. Dans ce cas, la température corporelle est ce que j’appelle un bon « signal précurseur » dans le cas de la surveillance du corps humain. Les signaux avancés constituent également une bonne solution pour le PdM dans les machines industrielles, mais avant d'en arriver là, prenons du recul et examinons le problème dans son contexte.

Industrie 4.0 et évolution de la maintenance prédictive

L’industrie 4.0 ou ce que l’on appelle « l’usine intelligente » commence à mûrir avec des investissements massifs prévus dans les systèmes cyber-physiques, le cloud computing et l’Internet des objets. Aujourd'hui, la demande mondiale de systèmes d'automatisation industrielle est en hausse alors que les entreprises manufacturières cherchent des moyens de réduire les coûts de production tout en améliorant la qualité. Cette demande alimente également des investissements majeurs dans les logiciels d'automatisation industrielle et plus particulièrement dans l'analyse prédictive basée sur l'IA, un marché qui atteindra $ d'ici 2021 selon Research and Markets .

Cependant, dans de nombreux cas, la maintenance prédictive, qui découle de l'analyse prédictive, est toujours effectuée de manière périodique par des techniciens allant de machine en machine et prélevant manuellement des échantillons d'état. Par exemple, un technicien peut prendre des mesures de vibrations sur une machine pour détecter une détérioration de l'état des roulements. Cette méthode est toujours meilleure que l'ancien style de maintenance préventive, mais tout comme l'automatisation industrielle elle-même évolue, de nouvelles avancées en matière d'analyse prédictive et d'apprentissage profond émergent où les données sont continuellement collectées et analysées en temps réel. Bien que la PdM entièrement automatisée semble idéale en termes d'efficacité, ce scénario n'est pas sans ses propres défis.

Défis et obstacles liés à la maintenance prédictive automatisée

Les entreprises qui adoptent la maintenance prédictive automatisée tirent parti des solutions I IoT qui enregistrent d'énormes quantités de données et appliquent des méthodes de seuillage ou d'apprentissage automatique pour identifier les anomalies. Le défi ici est qu’une fois ces systèmes de collecte de données mis en œuvre à grande échelle, il en résulte un tsunami de données qui rend difficile la recherche d’informations exploitables pour une PdM significative. C'est le problème inhérent à toutes les situations où le « big data » est répandu. L’IA est de plus en plus utilisée pour résoudre le problème du Big Data, mais même de tels algorithmes d’apprentissage s’appuient sur le contexte et des conseils pour produire des informations significatives.

Lorsque des anomalies sont détectées grâce à la maintenance prédictive automatisée – même lorsqu'elle est complétée par certaines solutions I IoT qui utilisent l'apprentissage automatique, il est toujours difficile de comprendre la cause et la signification de l'anomalie car les échantillons n'ont pas été collectés par un expert. La détection des anomalies avec les techniques manuelles traditionnelles de surveillance conditionnelle a en fait aidé le technicien à établir un pronostic spécifique. IoT visent à améliorer les flux de communication entre les machines et les professionnels. Cependant, avec la PdM automatisée, une partie de la relation intime entre le technicien et la machine est rompue, ce qui rend très difficile la compréhension des anomalies détectées à distance.

Les « signaux avancés » comme solution viable

Une solution proposée à ces défis, qui ne s'en remet pas aux diagnostics manuels et qui tire parti des avantages de l'automatisation, consiste à se concentrer sur un nombre limité de « signaux avancés » tout en recherchant les anomalies qui signifient des problèmes avec l'état de la machine. L’intérêt des signaux avancés est d’abord d’avoir une vue d’ensemble avec des signaux clairs que nous comprenons facilement et qui nous alertent que quelque chose ne va pas. À l’inverse, si nous essayons d’ingérer toutes les données disponibles en même temps, nous nous noyons dans une mer d’alertes faussement positives concernant des anomalies mineures qui ne nécessitent pas d’attention.

Une fois qu'une anomalie est identifiée avec un signal principal et est facilement comprise comme une anomalie significative, des informations et des données supplémentaires peuvent alors être analysées à partir d'autres signaux collectés pour faciliter les diagnostics à distance et les processus de causes profondes.

Les signaux avancés sont meilleurs lorsqu'ils sont quelque chose que les humains comprennent facilement et déclenchent instantanément notre intuition (comme la température corporelle d'un patient). Lorsque ces signaux sont humainement identifiables par des sens comme l’ouïe, la vision ou le toucher, le processus de validation de l’importance des anomalies est beaucoup plus facile et plus rapide pour les humains qui sont déjà confrontés à une surcharge cognitive avec les informations provenant de systèmes automatisés.

Le rôle du son dans la PdM automatisée

Pour le PdM des machines industrielles, il existe de nombreux types de signaux avancés que les humains peuvent facilement comprendre. Encore une fois, jusqu'à présent, le PdM était principalement basé sur le contact (passant de machine en machine avec un capteur) et détectait les anomalies avec des signaux avancés tels que les vibrations, la température et la consommation d'énergie. La vibration, par exemple, est un bon signal avancé, mais dans le cas d'un PdM automatisé, elle dépend beaucoup plus de l'emplacement du capteur, donc pour couvrir entièrement une machine grande et complexe, plusieurs capteurs seront nécessaires. Cela contribue à son tour au problème du déluge de données.

Dans le cas du PdM des machines, le son constitue un excellent signal précurseur pour identifier les anomalies, car il est facile à comprendre pour les humains, même s'ils ne sont pas physiquement à proximité de la machine. Une anomalie dans le son peut être localisée à sa source une fois identifiée. Par conséquent, la couverture de la machine est bien meilleure, même avec un seul capteur, et le signal représente l'état normal ou anormal de l'ensemble de la machine.

Le son, en tant que signal principal pour la PdM automatisée, permet la détection et la classification d'un large éventail de phénomènes mécaniques, souvent plus tôt que les autres méthodes de détection. Cela est dû au simple fait que les pièces mobiles – qu’elles soient solides, liquides ou gazeuses – produisent un motif sonore unique, et lorsque quelque chose dans ce mouvement change, même légèrement, le son produit change également. Prenons par exemple un roulement mécanique soumis à des contraintes dynamiques extrêmes. Lorsque la première fissure apparaît, le roulement produit un motif ultrasonique unique qui indique le problème à venir.

Conclusion

À mesure que de nouvelles technologies arrivent sur le marché, la PdM automatisée continuera d'évoluer. Mais les défis consistant à récolter des informations à partir des données et à maintenir les humains et les machines connectés pour obtenir les meilleurs diagnostics ne changeront jamais. Comme pour tous les problèmes liés au Big Data, la meilleure solution est de se concentrer sur de petites quantités de données compréhensibles, puis d’élargir la portée de l’analyse. Commencer par des signaux avancés – ces éléments que les humains reconnaissent instantanément – ​​est la clé pour optimiser la PdM automatisée, et le son est un signal logique qui permet de relever ces défis de manière significative et mesurable.

Cet article a été initialement publié sur I IoT World et rédigé par Amnon Shenfeld , ingénieur logiciel de formation et développeur de logiciels expérimenté et passionné par la création d'applications logicielles perturbatrices. Amnon est actuellement PDG et co-fondateur de 3DSignals , une société pionnière dans l'application de la maintenance prédictive basée sur le son pour les équipements industriels et manufacturiers.