La maintenance révolutionnée par l'intelligence artificielle

L'IA est capable de reconnaître et de repérer les situations anormales

Les progrès de l'IA sont plus rapides que ses créateurs ne l'auraient jamais imaginé. Alors que les outils d'IA dans l'industrie (de transformation) étaient initialement principalement utilisés dans l'automatisation (de transformation), la robotique et l'optimisation des processus, le phénomène a maintenant également fait son apparition dans le monde de la maintenance. Grâce aux informations en temps réel fournies par l'IA sur l'état et les performances des machines et des équipements, l'IA change véritablement la donne, car les professionnels de la maintenance sont de plus en plus en mesure d'anticiper les problèmes majeurs liés aux actifs.

L'avance

L'intelligence artificielle (ci-après "IA") désigne les systèmes qui tentent d'imiter la prise de décision humaine grâce aux capacités de réflexion de l'ordinateur. Les réseaux neuronaux (voir encadré) sont capables de traiter de grandes quantités de données, de générer des connaissances à partir de celles-ci et donc de surveiller, prédire et optimiser des processus en interaction en temps réel. Cela n'est d'ailleurs pas vrai dans tous les cas: il existe également un grand nombre de techniques d'IA qui ne peuvent pas traiter de grandes quantités de données et/ou qui sont incapables d'apprendre à partir de ces données.

L'application de l'IA est un processus d'apprentissage, non seulement pour les machines - éventuellement par la combinaison de l'apprentissage automatique, y compris l'apprentissage profond, et de la puissance de traitement toujours croissante des systèmes informatiques - mais aussi pour l'entreprise elle-même.

Cadre de référence
Algorithme: un ensemble cohérent et fini d'instructions en langage de programmation qui permet d'accomplir une tâche ou de résoudre un problème. Un algorithme classique est conçu comme une feuille de route descendante qui est étendue et/ou affinée à mesure que les règles deviennent plus complexes ou que des exceptions se produisent.
Intelligence artificielle (IA): algorithmes qui apprennent de manière indépendante des modèles et des corrélations à partir des données disponibles et qui peuvent les classer sur la base d'un réseau neuronal, entre autres choses. Plusieurs algorithmes d'IA peuvent être considérés comme des boîtes noires parce qu'il est difficile de déduire exactement comment la décision est prise. Il s'agit notamment de
- l'apprentissage machine (ML): il vise à construire des systèmes d'apprentissage capables d'utiliser les données pour obtenir de meilleures performances, via l'apprentissage supervisé, l'apprentissage non supervisé et l'apprentissage par renforcement. Avec l'apprentissage automatique, certains paramètres doivent encore être déterminés manuellement.
- L'apprentissage profond (DL), une composante de la ML: permet aux machines de traiter et de comprendre des masses de données, et de reconnaître des modèles pour prendre des décisions sur cette base. Les modèles d'apprentissage profond sont mis en œuvre avec des réseaux neuronaux; les paramètres peuvent être déterminés automatiquement sur la base de grandes quantités de données.
Internet des objets (IoT): machines/appareils qui peuvent échanger des informations en ligne grâce à la technologie des puces et des capteurs. Sa croissance rapide est en partie due à la communication avancée via l'informatique en nuage et la mise en réseau généralisée.
Internet industriel des objets (IIoT): l'utilisation de l'IoT dans les applications industrielles. Les données provenant des machines et des capteurs y sont utilisées pour améliorer la fabrication et d'autres processus industriels.
Traitement du langage naturel (NLP): composante de l'IA qui permet aux ordinateurs de comprendre, de générer et de manipuler le langage humain en utilisant le langage naturel, écrit ou oral.
Réseaux neuronaux: Modèles d'IA avec des nœuds interconnectés (nœuds) basés sur les cellules nerveuses du cerveau humain. Grâce à l'entraînement, ils apprennent à reconnaître des modèles et des connexions, puis à les regrouper et à les classer.
Overall Equipment Effectiveness: méthode permettant de déterminer la disponibilité, la performance et la qualité à l'aide de mesures clés, afin de contrôler l'efficacité des installations de production et de les améliorer structurellement lorsque cela est possible.

RENDU

L'efficacité de l'IA dépend des intrants. Une entreprise doit donc avant tout apprendre à évaluer (la qualité de) ses propres données. La méthodologie de mesure détermine en partie la qualité du résultat et il s'agit là aussi d'un processus d'apprentissage. En ce qui concerne les capteurs, par exemple, la question est de savoir combien et où ils sont nécessaires. Souvent, les capteurs supplémentaires sont considérés comme un élément de coût, et l'on accorde trop peu d'attention au rendement final. En outre, les données historiques sont souvent écrasées lors du remplacement d'un composant, ce qui entraîne la perte d'informations utiles pour identifier les composants susceptibles de tomber en panne.

L'IA progresse plus rapidement que ses créateurs ne l'auraient jamais imaginé

Parce qu'un système d'IA n'a pas, pour l'instant, la capacité humaine de comprendre une situation, il est moins apte à faire face au changement. Il est donc nécessaire d'évaluer régulièrement le score du modèle dans les circonstances données. Si le score diminue, il est conseillé d'alimenter le système avec des données plus nombreuses ou de meilleure qualité et/ou de recycler l'outil d'IA.

AVANTAGES

Non seulement l'IA maximise l'approximation de la réalité, mais le système peut également effectuer des comparaisons plus objectives et de meilleure qualité avec des événements antérieurs. Dans la pratique, il peut même être combiné à un modèle de processus (simulation) afin d'évaluer rapidement, objectivement et correctement toute situation. En outre, l'utilisateur est en mesure d'anticiper l'évolution des conditions externes, par exemple les changements dans les exigences de production et/ou de qualité. Les avantages sont évidents:

• L'IA est capable de reconnaître et de repérer les situations anormales. Ainsi, un problème peut être détecté avant même qu'il ne se manifeste;
• L'IA contribue de manière générale à l'amélioration des processus de production, grâce à l'IIoT (voir encadré) et parce que les performances peuvent être suivies dans le temps afin d'identifier les endroits où les défaillances sont les plus susceptibles de se produire;
• L'IA contribue à la longévité des équipements: les défaillances soudaines et graves peuvent être fatales aux équipements de production. L'IA contribue à la longévité des équipements: les pannes soudaines et graves peuvent être fatales aux équipements de production. Les signaux subtils qui précèdent presque toujours ces pannes peuvent être reconnus à temps grâce à l'IA.

Toutefois, les modèles d'IA dits non supervisés restent moins performants à cet égard que les modèles supervisés formés sur de multiples exemples.

MAINTENANCE

Si l'IA a d'abord été principalement utilisée dans l'automatisation (des processus), la robotique et l'optimisation des processus, elle est aujourd'hui de plus en plus utilisée dans des domaines tels que le développement de produits, la logistique et la gestion des comptes. Une application qui gagne rapidement du terrain est l'utilisation de l'IA dans les opérations de maintenance.

Maintenance productive totale et IA

Cette forme de maintenance (Total Productive Maintenance, TPM) implique une approche systématique de l'amélioration de la disponibilité, de la qualité et de la sécurité des machines par le biais d'une maintenance ciblée des machines et des équipements. De petites équipes multidisciplinaires améliorent ainsi progressivement l'efficacité globale des équipements (OEE, voir encadré) en mettant l'accent sur la prévention permanente des pannes. Le rôle de l'IA à cet égard diffère selon le type de maintenance.

Dans la maintenance cognitive

Dans ce cas - la maintenance cognitive (CM), également connue sous le nom de maintenance prescriptive - la maintenance est effectuée sur la base d'informations déjà traitées. Le traitement du langage naturel (voir encadré) sert d'interface entre l'opérateur et l'algorithme d'apprentissage automatique qui surveille l'état de l'application. Cela permet de communiquer avec les opérateurs et les techniciens, par exemple via des chatbots ou des interfaces vocales. Le système peut ainsi répondre rapidement aux questions et aux problèmes, fournir des instructions de maintenance aux opérateurs et soutenir ainsi les opérations de maintenance.

Dans la détection et le diagnostic des pannes

Dans cette forme de maintenance (détection et diagnostic des pannes, FDD), le point de départ est l'identification et l'analyse précoces des pannes ou des défauts afin d'en minimiser les conséquences autant que possible. Dans ce cas, l'outil d'IA utilise des algorithmes avancés pour détecter et diagnostiquer les défauts et les défaillances, en s'appuyant à nouveau sur des données provenant de divers capteurs et d'autres sources pour identifier des schémas et détecter des anomalies susceptibles d'indiquer des problèmes au niveau des actifs.

Dans la maintenance conditionnelle (TAO)

Dans ce type de maintenance (maintenance conditionnelle), après avoir examiné l'état des composants, il est décidé si une maintenance est souhaitable ou nécessaire. L'IA interprète les données provenant des capteurs et autres appareils de mesure qui surveillent les actifs. L'outil d'IA analyse les données en temps réel et génère des alertes lorsque des anomalies sont détectées. Cela permet aux équipes de maintenance d'intervenir rapidement avant que des dommages graves ou permanents ne se produisent.

Maintenance prédictive planifiée (PdM) et IA

Dans cette forme de maintenance (maintenance prédictive), basée sur les données relatives à l'état des actifs et utilisant l'IA comme moyen de prédiction - l'enregistrement visuel peut également jouer un rôle ici - la maintenance a lieu avant que le problème ne se produise. Des techniques d'apprentissage automatique sont utilisées pour identifier les modèles de données et détecter les anomalies. Ce faisant, l'IA offre les avantages suivants:

• prévenir les pertes de production en prédisant les défaillances potentielles sur la base des tendances d'utilisation;
• augmenter la productivité des employés en réduisant les temps d'arrêt des équipements
• accroître la sécurité en sachant quand une pièce d'équipement va mal fonctionner ou tomber en panne.

La maintenance prédictive peut contribuer à des opérations durables en réduisant la consommation d'énergie sur le site de production et la nécessité de recourir à des moyens de transport internes et externes coûteux, et en prolongeant la durée de vie utile de l'équipement.

SYSTÈME DE PLANIFICATION DE LA MAINTENANCE ET IA

Un système de planification de la maintenance permet de maintenir les actifs en état de fonctionnement aussi optimal que possible sur la base d'un calendrier de maintenance sophistiqué. Il s'agit également d'une source d'informations sur la maintenance effectuée et les performances du ou des actifs en question. Il n'est pas surprenant que l'IA ajoute de la valeur à un tel système.

Planification

Influencée par les techniques d'apprentissage automatique, l'IA peut identifier des modèles de données et détecter des anomalies, ce qui permet de réidentifier et de reconnaître les problèmes à un stade précoce. La maintenance peut alors être programmée en fonction des besoins réels des actifs, plutôt qu'en fonction d'un calendrier prédéterminé. L'IA peut même suggérer des programmes de maintenance en fonction des commandes, des machines et/ou des besoins de maintenance, de sorte que, conformément à l'OEE de l'usine, les machines les plus importantes soient réparées en premier.

Gestion des données

Un système de planification de la maintenance peut également être utilisé pour collecter des données sur le processus de maintenance et les performances des actifs. Grâce à l'analyse de ces données, l'IA peut contribuer à l'amélioration du processus de maintenance, en indiquant les possibilités d'amélioration et en formulant des recommandations qui conduisent effectivement à ces améliorations.

L'IA contribue généralement à l'amélioration des processus de fabrication

Ainsi, la combinaison de l'IA et du système de planification de la maintenance permet non seulement d'optimiser la planification de la maintenance, mais aussi de réduire les coûts de maintenance et d'améliorer la disponibilité et la fiabilité des actifs.

CHANGER LA DONNE

L'IA devrait avoir un impact majeur sur les industries de fabrication et de transformation. Dans le domaine de la maintenance, la capacité de l'IA à fournir des informations en temps réel sur l'état et les performances de la machine change véritablement la donne. En effet, il devient possible d'adapter les routines de maintenance à chaque équipement individuellement, au lieu de travailler selon un calendrier global étroitement planifié. Les professionnels de la maintenance auront donc moins de surprises et seront de plus en plus en mesure d'anticiper les problèmes majeurs liés aux actifs, tels que les arrêts de production et les coûts élevés de la maintenance corrective.

Avec la collaboration d'Actemium, Captic, Kapernikov, SPIE Netherlands, UReason