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

Aujourd'hui, les entreprises de nombreux secteurs industriels lourds tels que la fabrication, la production d'énergie, le pétrole et le gaz, les énergies renouvelables, les métaux, les produits chimiques et l'exploitation minière 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 aux pannes et aux dommages critiques inattendus des machines.

À bien des égards, la relation médecin-patient est comparable à la relation technicien-machine lorsqu'il s'agit de comprendre la signification d'un phénomène observé. Imaginons qu'un patient ait une température corporelle supérieure à la normale. Cela peut être dû à plusieurs facteurs : certains normaux (par exemple, un effort physique intense) et d'autres indiquant une maladie (par exemple, de la fièvre) nécessitant un traitement.

Une fois l'élévation de la température corporelle identifiée, il est judicieux d'examiner d'autres facteurs pour établir un pronostic précis. Dans ce cas, la température corporelle constitue ce que j'appelle un bon « signal précurseur » pour la surveillance du corps humain. Les signaux précurseurs sont également une solution pertinente pour la maintenance prédictive des machines industrielles, mais avant d'aborder ce point, revenons au contexte du problème.

L’industrie 4.0 et l’évolution de la maintenance prédictive

L'industrie 4.0, ou « usine intelligente », atteint sa pleine maturité grâce à des investissements massifs prévus dans les systèmes cyberphysiques, le cloud computing et l'Internet des objets. Aujourd'hui, la demande mondiale de systèmes d'automatisation industrielle est en hausse, les entreprises manufacturières cherchant à réduire leurs coûts de production tout en améliorant la qualité. Cette demande alimente également d'importants investissements 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, issue de l'analyse prédictive, est encore effectuée périodiquement par des techniciens qui inspectent les machines une à une et effectuent des prélèvements manuels. Par exemple, un technicien peut mesurer les vibrations d'une machine pour détecter la détérioration des roulements. Cette méthode reste supérieure à l'ancienne maintenance préventive, mais à l'instar de l'automatisation industrielle elle-même, de nouvelles avancées en matière d'analyse prédictive et d'apprentissage profond émergent, permettant la collecte et l'analyse continues des données en temps réel. Si la maintenance prédictive entièrement automatisée semble idéale en termes d'efficacité, ce scénario n'est pas sans défis.

Défis et obstacles liés à la maintenance prédictive automatisée

Les entreprises qui adoptent la maintenance prédictive automatisée s'appuient sur IoT qui enregistrent des volumes massifs de données et appliquent des méthodes de seuillage ou d'apprentissage automatique pour identifier les anomalies. Le problème réside dans le fait que, une fois ces systèmes de collecte de données déployés à grande échelle, le déluge de données qui en résulte complexifie l'extraction d'informations exploitables pour une maintenance prédictive pertinente. Ce problème est inhérent à toutes les situations où le « big data » est omniprésent. L'IA est de plus en plus utilisée pour résoudre ce problème, mais même ces algorithmes d'IA apprenants ont besoin de contexte et d'instructions pour produire des informations pertinentes.

Lorsque des anomalies sont détectées par la maintenance prédictive automatisée – même enrichie par certaines IoT utilisant l'apprentissage automatique –, il reste difficile d'en comprendre la cause et la signification, car les échantillons n'ont pas été prélevés par un expert. La détection d'anomalies par les techniques traditionnelles de surveillance manuelle de l'état des équipements permettait au technicien d'établir un diagnostic précis. IoT visent à améliorer la communication entre les machines et les professionnels. Cependant, avec la maintenance prédictive automatisée, une partie de cette relation privilégiée entre le technicien et la machine est rompue, ce qui rend l'interprétation des anomalies détectées à distance très complexe.

Les « signaux précurseurs » comme solution viable

Une solution proposée à ces défis, qui évite le recours aux diagnostics manuels et tire parti de l'automatisation, consiste à se concentrer sur un nombre limité de « signaux précurseurs » tout en recherchant les anomalies révélatrices de problèmes liés à l'état de la machine. L'intérêt des signaux précurseurs est d'avoir une vision d'ensemble grâce à des indicateurs clairs, facilement interprétables, qui nous alertent en cas de problème. À l'inverse, si nous tentons d'intégrer simultanément toutes les données disponibles, nous risquons d'être submergés par un flot de fausses alertes concernant des anomalies mineures ne nécessitant aucune intervention.

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

Les signaux précurseurs sont particulièrement efficaces lorsqu'ils sont facilement compréhensibles et stimulent instantanément notre intuition (comme la température corporelle d'un patient). Lorsque ces signaux sont perceptibles par l'ouïe, la vue ou le toucher, la validation de la signification des anomalies est grandement facilitée et accélérée, notamment pour les personnes déjà confrontées à une surcharge cognitive due aux systèmes automatisés.

Le rôle du son dans la maintenance prédictive automatisée

Pour la maintenance prédictive des machines industrielles, de nombreux signaux précurseurs sont facilement interprétables. Jusqu'à présent, la maintenance prédictive s'est principalement appuyée sur le contact (déplacement d'une machine à l'autre avec un capteur) et détecte les anomalies grâce à des signaux précurseurs tels que les vibrations, la température et la consommation d'énergie. Les vibrations, par exemple, constituent un bon signal précurseur. Cependant, dans le cas d'une maintenance prédictive automatisée, leur détection dépend fortement de l'emplacement du capteur. Par conséquent, pour couvrir intégralement une machine vaste et complexe, plusieurs capteurs sont nécessaires, ce qui contribue au problème de la surcharge de données.

Dans le cadre de la maintenance prédictive des machines, le son constitue un excellent signal précurseur pour identifier les anomalies, car il est facilement compréhensible par l'humain, même à distance de la machine. Une anomalie sonore peut être localisée à sa source une fois identifiée. Ainsi, la couverture de la machine est nettement améliorée, même avec un seul capteur, et le signal reflète l'état normal ou anormal de l'ensemble de la machine.

Le son, en tant que signal précurseur pour la maintenance prédictive automatisée, permet la détection et la classification d'une large gamme de phénomènes mécaniques, souvent plus rapidement que d'autres méthodes de détection. Ceci s'explique par le fait que les pièces en mouvement – ​​qu'elles soient solides, liquides ou gazeuses – produisent une signature sonore unique, et que toute modification, même minime, de ce mouvement entraîne une modification du son produit. Prenons l'exemple d'un roulement mécanique soumis à des contraintes dynamiques extrêmes. Dès l'apparition d'une première fissure, le roulement émet une signature ultrasonore caractéristique annonçant un problème imminent.

Conclusion

Avec l'arrivée de nouvelles technologies sur le marché, la maintenance prédictive automatisée (PdM) continuera d'évoluer. Cependant, les défis liés à l'exploitation des données et au maintien de la communication entre humains et machines pour un diagnostic optimal demeureront inchangés. Comme pour tous les problèmes de mégadonnées, la meilleure solution consiste à se concentrer sur de petits volumes de données compréhensibles, puis à élargir progressivement le champ d'analyse. S'appuyer sur les signaux précurseurs – ceux que l'humain reconnaît instantanément – ​​est essentiel pour optimiser la PdM automatisée, et le son constitue un signal pertinent qui permet de relever ces défis de manière significative et mesurable.

Cet article a été initialement publié sur IoT World et rédigé par Amnon Shenfeld , ingénieur logiciel de formation et développeur expérimenté, passionné par la création d'applications logicielles innovantes. Amnon est actuellement PDG et cofondateur de IoT , une entreprise pionnière dans l'application de la maintenance prédictive basée sur le son pour les équipements industriels et de production.