Machine learning : la clé de la maintenance prédictive

Le secteur industriel est en pleine transformation. Le machine learning – technologie clé de l’intelligence artificielle – est déjà largement utilisé pour détecter dans les données d’exploitation des schémas qui permettent de prévoir les défaillances avec une grande précision. L’objectif étant d’intervenir avant qu’une machine ne tombe en panne. Autrement dit, la maintenance prédictive. Par Andreas Becks, responsable de la division analytique, SAS DACH.

Pour anticiper de façon fiable les pannes des composants de machines, d’appareils et de véhicules, les entreprises doivent mettre en œuvre un cycle permanent de collecte, d’exploration et d’analyse des données. Il est important de recueillir les données là où elles sont générées, c’est-à-dire au plus près des composants eux-mêmes. Les capteurs installés à cet effet enregistrent le comportement des équipements sous la forme de données qui vont alimenter et enrichir le cycle d’analyse. Des modèles analytiques et des algorithmes de machine learning peuvent alors prévoir la probabilité d’une panne.

Au cœur de ce mécanisme figurent des procédures visant à identifier des schémas dans les données, à les modéliser, puis à les appliquer à de nouvelles données. Les procédures qui font appel à des échantillons de données et spécifient le résultat souhaité (par exemple, la représentation d’une catégorie de panne par un rapport de maintenance spécifique) constituent l’apprentissage supervisé. Les procédures d’apprentissage non supervisé révèlent, quant à elles, des schémas précédemment inconnus dans les données et apprennent à définir des regroupements.

Le but n’est pas de créer l’algorithme le plus perfectionné, mais d’implémenter un apprentissage machine réaliste et fonctionnel dans la chaîne opérationnelle. En matière de maintenance prédictive, le machine learning ne doit pas être une fin en soi, mais plutôt un moyen d’améliorer les processus métier. Ces procédures analytiques doivent être entièrement intégrées à l’activité.

L’intégration avec les règles métier est aussi importante que l’utilisation de modèles efficaces. En effet, elle permet aux entreprises de faire le lien entre les prévisions analytiques et les mesures recommandées pour la prise de décision. À quels facteurs les entreprises doivent-elles prêter attention pour tirer le meilleur parti du machine learning en maintenance prédictive ? Le cycle de vie d’un appareil de tomodensitométrie (technique d’imagerie médicale plus communément appelée scanner) constitue un exemple intéressant.

 

Élaborer des modèles de qualité

Les modèles sont le socle de l’utilisation des données des capteurs et des codes d’événement pour prévoir les pannes de composants (tels que les tubes à rayons X, le système de refroidissement ou la table du patient) avec un maximum de précision et peu de faux positifs.

Introduire les modèles en production

Des règles métier sont nécessaires pour associer les prévisions aux mesures recommandées pour faciliter la prise de décision. Elles peuvent s’appliquer aux questions suivantes :

Que faire en cas de risque élevé de défaillance de la table motorisée du patient ?

Quel est le délai de réponse pour un client titulaire d’un contrat de service Premium ?

En quoi la procédure diffère-t-elle selon que l’appareil est installé dans un hôpital ou dans une clinique de radiologie ?

Placer les modèles et les règles là où les données sont créées ou envoyées

Ainsi, pour un cluster Hadoop, cela signifie à l’intérieur du flux de données ou, via une base de données dans un système de répartition qui indiquera aux techniciens les pièces de rechange et outils à emporter dans leurs véhicules, les cliniques où se rendre et dans quel ordre, et les composants à réparer, que le système soit en panne ou non.

Surveiller en continu l’application des modèles et des règles

Une gouvernance des modèles est nécessaire, pour assurer l’auditabilité et l’efficacité du processus.

Elle permet également aux entreprises d’évaluer automatiquement la précision du modèle statistique, en envoyant une alerte si un modèle analytique doit être remplacé.

 

Exemple : réduction du « tourisme » des pièces de rechange

Un cas présenté cette année au SAS IoT Forum montre la valeur que le machine learning et l’analytique peuvent dégager de l’Internet des objets et des données de process.

Une continuité maximale du service client est essentielle pour les experts en technologie médicale de Siemens Healthineers. Il est particulièrement important de réduire le « tourisme » des pièces de rechange, autrement dit l’expédition et le retour inutiles de pièces, ainsi que le remplacement de pièces qui n’étaient pas défectueuses. Pour limiter cette pratique et diminuer les coûts, l’entreprise assure un suivi des pièces retournées qui s’avèrent, après examen, ne présenter aucun défaut (NDF – No Defect Found).

En fonction des informations recueillies, les utilisateurs consultent une arborescence dans SAS Visual Analytics afin de voir quelles pièces d’un système présentent un taux NDF exagérément élevé. Les techniciens peuvent ainsi prendre des contre-mesures, par exemple remplacer d’autres pièces en priorité si le système ne fonctionne pas correctement.

Quant au responsable de la maintenance, il s’appuie sur ces données factuelles pour optimiser le processus de maintenance.

 

Exemple : la température « as a service »

Le fabricant de matériel de climatisation Walter Meier AG se sert du cloud IoT de Swisscom pour collecter des données sur les pompes à chaleur utilisées par ses clients. Grâce à ces informations, la société peut surveiller les équipements, établir des diagnostics et anticiper d’éventuelles pannes à distance, depuis son siège. Baptisé « smart guard », ce service de télésurveillance garantit la disponibilité et la fiabilité des pompes, et améliore leur efficacité énergétique en optimisant le système. Et les résultats sont probants : l’entreprise a réalisé 20 à 30 % d’économies sur l’activité des employés de maintenance.

 

Conclusion

Impossible de faire l’impasse sur l’intégration professionnelle de l’analytique dans les process métier si vous cherchez à améliorer votre rentabilité et votre compétitivité, à accroître la satisfaction de vos clients et la qualité de vos services, ou encore à augmenter votre productivité.

C’est particulièrement vrai si on ajoute que 15 % seulement des entreprises ayant recours à l’analytique réussissent à traduire les informations recueillies en efficacité opérationnelle.

Aujourd’hui, l’analytique exige bien plus qu’une bonne plate-forme permettant de manipuler les données, d’expérimenter et de comparer des procédures.

 

*******************************************

Trouver le meilleur endroit au monde grâce au machine learning

Le machine learning à la portée de tous — tel est l’objectif du projet Paradise Found de SAS.

Grâce à l’analytique des big data et au machine learning, SAS a identifié le meilleur endroit au monde parmi près de 150 000 lieux, sur la base de 69 critères.

Sans avoir défini de critère ou d’hypothèse au préalable, SAS a analysé plus de cinq millions d’enregistrements issus de 1 124 sources de données structurées et non structurées afin d’identifier la ville lauréate : West Perth, en Australie.

Et avec le configurateur de paradis, tout le monde peut trouver son paradis personnel !

SAS vous donnera à nouveau l’occasion de mieux appréhender les nouvelles tendances du machine learning et de l’analytique des big data : rendez-vous à SAS Forum France le 5 juin 2018.

 

*******************************************

A la tête d’une équipe d’experts en assurance, de professionnels de la gouvernance des données et de data scentists, Andreas Becks, Responsable avant-vente Assurance, SAS DACH, conseille les compagnies d’assurance sur la mise en place d’une plate-forme analytique. Ses priorités sont l’innovation impulsée par les données et l’industrialisation des processus analytiques. Depuis 20 ans, Andreas conçoit des solutions innovantes d’aide à la décision, de visualisation d’informations et d’intelligence artificielle, pour de multiples secteurs d’activité. Il est titulaire d’un diplôme de science informatique, d’un PhD en intelligence artificielle et d’un MBA.

*******************************************

 

En complément :

Les bénéficies de la maintenance prédictive,

L’IoT, un vecteur d’innovation industrielle.