La maintenance prédictive n'est pas seulement un problème d'IA

La maintenance prédictive consiste à utiliser les données nouvelles et historiques des machines pour comprendre et anticiper les problèmes de performance avant qu'ils ne se produisent. En utilisant des techniques sophistiquées deApprentissage machine et d'IA pour analyser les données générées dans l'usine moderne, l'analyse prédictive peut réduire les temps d'arrêt, optimiser les performances des actifs et augmenter la durée de vie des machines.

Les promesses faites au nom de la maintenance prédictive (PdM) sont grandes. Augmentation à deux chiffres de l'utilisation des actifs. Des machines intelligentes qui signalent les problèmes de performance avant qu'ils ne se produisent. Des augmentations considérables de TRS, TEEP et OPE.

Pour la plupart des gens, ce monde est encore loin. Et surtout, ce n'est pas quelque chose que les bons algorithmes prédictifs peuvent résoudre seuls.

Cet article replace la maintenance prédictive dans son contexte. J'expliquerai pourquoi la maintenance prédictive n'est pas seulement un problème d'intelligence artificielle et je décrirai les étapes à suivre pour tirer le meilleur parti de votre programme Suivi machine .

La plupart des programmes de maintenance actuels dans l'industrie manufacturière sont préventifs. La maintenance préventive (MP) a lieu à des intervalles réguliers ou lorsque les machines dépassent les seuils de production prescrits.

La maintenance préventive est importante pour garantir la santé des actifs, mais c'est un instrument peu précis. La maintenance préventive ne tient pas compte des conditions dans lesquelles une machine fonctionne, de l'usure différentielle des différentes pièces de la machine ou d'autres facteurs susceptibles de prédire une défaillance. Elle aboutit souvent à des programmes d'entretien plus ou moins fréquents que nécessaire. (L'exemple classique est la vidange de l'huile de votre voiture tous les 3000 miles, indépendamment des performances).

La maintenance prédictive, en revanche, utilise les données générées par une machine particulière pour créer une image plus granulaire des cycles de vie des pièces et des actifs. En théorie, la maintenance prédictive permet d'éviter les conjectures en matière de programmation de la maintenance. En offrant une visibilité sur la manière dont une machine donnée va se dégrader, la maintenance prédictive permet aux fabricants de gérer la maintenance de manière plus efficace.

Le succès de tout effort de maintenance prédictive dépend de la qualité et de la quantité des données disponibles dans un ensemble de formation.

En d'autres termes, vous avez besoin 1) de suffisamment de données pour créer un échantillon représentatif des performances de la machine au fil du temps, et 2) de données qui reflètent avec précision les performances et l'utilisation de la machine dans les conditions locales.

Pour comprendre pourquoi il est important d'avoir suffisamment de données et de bonnes données, je vais examiner chacune d'entre elles. La quantité d'abord.

Il est faux de croire qu'il faut des pétaoctets et des pétaoctets de données machine pour entraîner avec succès des algorithmes prédictifs. C'est également un mythe de croire que plus il y a de données, mieux c'est. Je suis sûr que beaucoup d'entre vous ont entendu l'expression "garbage in, garbage out" pour décrire comment un mauvais ensemble d'entraînement conduira à des résultats sous-optimaux.

Ce dont vous avez besoin pour le PdM, c'est d'un nombre suffisant de données pour fournir un échantillon représentatif des performances de la machine afin de rendre compte de son utilisation dans une opération particulière.

Selon un professeur de génie industriel, la création d'un échantillon représentatif n'est pas une tâche facile. "Lorsqu'il y a des milliers de variables, vous avez généralement besoin de données pour des centaines de milliers, voire des millions de pièces afin de trouver des associations statistiques significatives entre les problèmes et les causes profondes."

Cela est particulièrement vrai si l'on tient compte des termes qualificatifs "utilisation dans une opération particulière".

Voici pourquoi : Les cycles de vie des machines s'étalent sur des années, voire des décennies. La collecte d'un ensemble de données représentatif nécessite donc l'observation d'une machine pendant qu'elle fonctionne sur une longue période. Comme l'a fait remarquer un groupe de big data à propos du PdM, "la durée de vie des machines est généralement de l'ordre de plusieurs années, ce qui signifie que les données doivent être collectées pendant une période prolongée afin d'observer le système tout au long de son processus de dégradation."

Ce problème de quantité est aggravé par le fait que de nombreux fabricants ne disposent pas de données historiques adéquates. Il peut y avoir des informations sur les temps de fonctionnement et d'immobilisation, les pièces produites et les registres de maintenance. Mais il est difficile de supposer que ces informations seront exactes, et elles ne sont probablement pas assez fines pour produire des informations réellement prédictives.

De nombreux fabricants ont tenté de pallier ce manque de données en entraînant leurs algorithmes prédictifs sur des ensembles de données accessibles au public. Alors que la plupart des entreprises privées protègent farouchement leur site données de production, il existe un échange animé de sources scientifiques et du domaine public, et une recherche rapide sur Google permet d'en trouver un grand nombre sur Github.

Mais même ces données ne suffisent pas à faire passer les fabricants du PM au PdM, car elles ne rendent pas compte de la réalité de la fabrication sur le terrain. Quelle que soit la taille de l'ensemble des données, elles manquent de validité écologique.

Un ingénieur a bien résumé ce dilemme en écrivant : "La plupart du temps, il est difficile (voire impossible) [sic] d'obtenir des enregistrements de défaillance des machines parce qu'elles ne sont pas autorisées à fonctionner jusqu'à la défaillance dans des conditions réelles. En outre, nous devons travailler avec beaucoup de bruit provenant des activités de maintenance régulières et des imputations imprécises des OT de maintenance... la vie réelle est difficile"

Cela m'amène au point suivant. Non seulement vous avez besoin de suffisamment de données, mais vous avez aussi besoin du bon type de données.

Une autre façon de décrire la qualité des données dans le contexte du PdM est peut-être suffisante pour déduire la causalité.

En d'autres termes, les données de qualité sont des données qui permettent aux fabricants d'aller au-delà de l'obscurité de la corrélation et de trouver la cause première des défaillances des machines.

C'est plus facile à dire qu'à faire, car une multitude de facteurs de production influencent la vitesse à laquelle une pièce ou une machine atteindra une fenêtre de défaillance. La vitesse de la broche, le nombre d'heures de fonctionnement, la température, les vibrations, l'humidité, l'utilisation ne sont que quelques-uns des paramètres qui interagissent de manière unique et qui, dans l'ensemble, ont un impact variable sur la durée de vie de la machine.

Comme l'a souligné un auteur, "l'état de santé d'un équipement complexe ne peut être jugé de manière fiable sur la base de l'analyse de chaque mesure prise isolément. Il faut plutôt considérer une combinaison des différentes mesures pour obtenir une véritable indication de la situation".

La bonne nouvelle, c'est que les progrès de la technologie des capteurs et de l'informatique de pointe ont rendu possible le suivi d'une plus grande variété de mesures de performance que jamais. La mauvaise nouvelle, c'est que même les machines les mieux connectées ne tiennent pas toujours compte des causes les plus importantes de leur dégradation.

Selon des études récentes, 20 à 50 % des erreurs de fabrication sont dues à des erreurs humaines, certaines estimations allant jusqu'à 70 %.

En termes de maintenance prédictive, cela signifie qu'il est tout aussi important, sinon plus, de comprendre comment les machines sont utilisées que de comprendre comment elles fonctionnent. Pour que la maintenance prédictive soit aussi efficace que possible, vous devez disposer d'un enregistrement de la manière dont les machines sont utilisées au quotidien, savoir si elles sont réglées correctement, si les changements sont effectués correctement et si la maintenance est effectuée correctement.

En d'autres termes, vous avez besoin d'une approche centrée sur l'homme pour Suivi machine.

Même si vous ne pouvez pas mettre en place un programme PdM complet, les mesures prises pour mettre en place un programme Suivi machine centré sur l'homme peuvent commencer à créer de la valeur presque immédiatement. De petits pas peuvent permettre de faire des bonds en avant considérables.

Voici des mesures concrètes que vous pouvez prendre pour commencer.

1.) Mettez votre usine en ligne dès que possible. Comme je l'ai expliqué ici, des données locales fiables sont la pierre angulaire du PdM. Plus tôt vous commencerez à collecter des données sur les machines à l'aide de IoT, plus tôt vous pourrez exploiter ces données pour en tirer un avantage concurrentiel.

Contrairement à ce que l'on pourrait croire, l'utilisation du site IoT n'est pas nécessairement onéreuse et n'implique pas nécessairement l'ensemble de vos activités. Il existe des moyens simples de mettre en ligne les anciennes machines, et la baisse du prix des capteurs permet de commencer à surveiller les conditions ambiantes sans avoir à débourser des sommes considérables.

2.) Pensez à l'informatique en nuage. Les quantités de données nécessaires à la formation et à l'exécution des algorithmes prédictifs peuvent mettre à rude épreuve les serveurs et les ressources informatiques. L'informatique en nuage pour la fabrication est une option de plus en plus abordable, sûre et évolutive pour gérer les demandes de stockage et de calcul de l'analyse prédictive sans avoir à investir dans une infrastructure sur site ou à la maintenir.

3.) Comprendre ce que l'on peut attendre des algorithmes de ML. Savoir ce que les algorithmes de Apprentissage machine peuvent prédire est utile pour déterminer les départements, les machines ou les processus à mettre en ligne en priorité.

Parmi les domaines prédictifs les plus courants, citons : le calcul de la durée de vie de la machine avant défaillance, l'identification d'une fenêtre dans laquelle une défaillance est susceptible de se produire, l'identification des types de défaillance les plus courants et la détection d'un comportement anormal de la machine.

Savoir ce que Apprentissage machine peut révéler est la clé pour fixer des priorités pour transformation numérique.

4.) Suivez l'utilisation de la machine. Suivi machine Le système d'information sur les machines fonctionne mieux lorsque les données sur les machines sont complétées par des informations sur l'utilisation des machines. Le meilleur moyen d'y parvenir est de connecter les personnes et les machines par le biais d'applications opérationnelles. Cela permet d'obtenir une image holistique et de surmonter les confusions courantes.

Vous vous demandez comment connecter votre usine pour générer des informations réellement prédictives ? TulipLa plateforme d'opérations de première ligne de la société capture les données humaines et mécaniques dont vous avez besoin pour une visibilité totale des processus. Prenez contact avec nous pour savoir comment nous pouvons vous aider à mettre vos opérations en ligne.