Solutions de maintenance prédictive: pourquoi sont elles importantes et comment les mettre en œuvre?
Cet article explique l’importance des solutions de maintenance prédictive et la manière de les mettre en oeuvre
Pour les entreprises qui collectent des données sur les machines depuis des années; il existe une opportunité incroyable de rendre ces données exploitables. L’utilisation de données exploitables peut offrir un avantage concurrentiel inestimable en permettant aux entreprises de rationaliser les processus opérationnels, d’optimiser la prévision de la demande et de mieux comprendre la propension à acheter de leurs clients.
En particulier, les solutions de maintenance prédictive (PdM) sont des principaux avantages de rendre les données machine exploitables; car elle peut réduire les temps d’arrêt et le gaspillage, conduisant à une plus grande efficacité organisationnelle.
En effet, transformer l’idée de la maintenance prédictive en un déploiement réel peut être complexe; mais il existe plusieurs bonnes pratiques qui peuvent aider à obtenir des résultats tôt dans le processus. Par exemple; il est préférable de commencer petit pour apprendre un processus reproductible sur un ensemble de données axé sur un cas d’utilisation unique. Cela expose toutes les parties prenantes aux étapes requises et peut aider à encadrer les futures discussions sur les projets de maintenance prédictive.
Donc si vous êtes une organisation qui souhaite créer un pilote PdM, commencez par suivre ces six étapes:
1. Déterminer le périmètre d'utilisation des solutions de maintenance prédictive
Premièrement, l’objectif de tout pilote PdM doit être de montrer que vous disposez d’un ensemble de données avec une forte probabilité d’offrir des informations exploitables pouvant conduire à un résultat commercial spécifique. Sinon; votre cas d’utilisation PdM ne sortira pas de la recherche et du développement. Pour déterminer si un ensemble de données existe pour prendre en charge votre cas d’utilisation, posez vous les questions suivantes:
– Avons-nous suffisamment de données – à la fois historiquement et actuellement générées – pour raconter l’histoire complète de la machine? (Cela peut impliquer des ensembles de données provenant de quelques machines fonctionnant pendant quelques années ou des ensembles de données provenant de nombreuses machines fonctionnant pendant une période plus courte).
–Pouvons-nous accéder à ces données depuis l’usine? (Par exemple, pouvons-nous télécharger des données historiques ou connecter des machines via des passerelles IoT pour commencer à publier les données?)
-Avons-nous d’autres sources de données qui peuvent augmenter ces données; telles que des fichiers journaux; des enregistrements de maintenance ou des données météorologiques?
–Avons-nous des experts disponibles qui peuvent décrire les schémas de réussite ou d’échec d’une machine particulière?
-Quel est le résultat commercial souhaité? (Par exemple, notre objectif est-il d’augmenter les marges; de réduire les temps d’arrêt ou de proposer de nouvelles offres aux clients?)
2. Agréger et organiser les jeux de données pertinents
Une fois votre cas d’utilisation défini, l’étape suivante consiste à agréger vos données dans un emplacement centralisé.
Ce processus comprend généralement deux phases:
-La première consiste à télécharger des ensembles de données historiques pour remplir les modèles. Ces données peuvent vivre dans divers endroits et nécessitent généralement un effort unique pour chaque ensemble de données.
-La deuxième phase consiste à mettre en place les systèmes pour afficher les données en continu. En fonction de la connectivité, cela peut être fait par lots ou par lectures au fur et à mesure.
3. Explorez les données pour des perspectives
Il est maintenant temps de commencer à explorer les questions auxquelles vous pouvez répondre avec vos ensembles de données.
Ainsi, La présence d’experts en la matière est essentielle ici, car personne d’autre ne connaîtra mieux le comportement des machines. Travaillez avec eux pour établir quels modèles peuvent être représentés par les données en question et déterminez quels problèmes du monde réel rencontrés par vos experts peuvent être aidés ou même résolus en disposant d’un modèle prédictif.
4. Développer, tester et répéter des modèles d’apprentissage machine de machine learning ML
Une fois que vous avez défini votre cas d’utilisation et que vous avez posé les questions nécessaires sur vos données, vous pouvez commencer à développer des modèles d’apprentissage automatique, tester ces modèles et répéter ce processus pour autant de scénarios que possible.
En effet, le résultat de cette phase peut être de réaliser que les questions posées aux données ne sont pas appropriées pour les modèles prédictifs, ou il peut s’agir de découvrir un modèle qui mérite d’être testé sur une machine en direct.
5. Déployer vers un groupe contrôlé de machines
Il est maintenant temps de valider le succès de votre modèle de machine learning en le déployant sur un groupe de machines. Selon ce que vous cherchez à prouver; cela peut impliquer quelques modèles s’exécutant sur plusieurs groupes ou le même modèle s’exécutant sur un seul groupe.
Ainsi, quelle que soit l’apparence du processus de déploiement, il est essentiel d’avoir un résultat mesurable.
Notamment, gardez également à l’esprit que l’objectif de la création d’un pilote PdM ne doit pas être simplement de produire un modèle de machine learning déployable. Il devrait plutôt aider à affiner les processus internes nécessaires pour transformer des concepts ou des idées en modèles réels; il y aura sans aucun doute d’autres projets dans le futur de votre entreprise qui nécessiteront le développement de plus de modèles d’apprentissage automatique pour d’autres cas d’utilisation.
6. Mettez votre modèle de maintenance prédictive en production
Après avoir parcouru les étapes ci-dessus pour terminer votre projet pilote et obtenir des indicateurs de réussite pour votre modèle d’apprentissage automatique, il est temps de déployer votre modèle d’apprentissage automatique sur toutes les machines de votre organisation.
Ensuite, vous commencerez à recevoir des informations exploitables qui peuvent avoir un impact direct à la fois sur les tâches quotidiennes et les objectifs à long terme.
En fonction de la quantité de données machine historiques disponibles et de la complexité des questions auxquelles vous souhaitez répondre.
Suivez nos réflexions sur les réseaux sociaux
Nous publions fréquemment sur les réseaux sociaux (Linkedin, Twitter et Medium) nos innovations et les nouvelles fonctionnalités de nos solutions de gestion industrielle.
Nous serions heureux de vous faire profiter des dernière tendance de la gestion industrielle 4.0 au travers de contenu d’excellente qualité que vous pourriez repartager.
French 
English 
Spanish 
German