INDUSTRIE ET MAINTENANCE
Maintenance prédictive : réparer avant l’arrêt
La maintenance prédictive avec TIMi anticipe la panne d’un équipement à partir des données d’exploitation que vous collectez déjà, pour planifier une intervention avant un arrêt non planifié, et montre les facteurs derrière chaque alerte.
Risque par machine
Chaque équipement reçoit un niveau de risque à l’horizon que vous définissez.
Fonctionne avec les données existantes
Automates, journaux et bases de production suffisent souvent pour démarrer.
Alertes expliquées
Chaque alerte indique à l’équipe ce qu’il faut vérifier.
COMMENT ÇA FONCTIONNE
Comment fonctionne la maintenance prédictive.
Trois étapes, dans un seul moteur, sur un serveur standard sans cluster.
1. Préparer les données
Anatella rassemble les données d’exploitation (capteurs, journaux de fonctionnement, historique de maintenance) et l’historique des pannes passées, puis les structure en variables.
2. Construire le modèle
Modeler compare les signaux qui ont précédé des pannes connues avec ceux observés aujourd’hui, et estime un risque de panne à un horizon donné, même quand l’historique de pannes est limité.
3. Alerter et expliquer
Chaque équipement reçoit un niveau de risque accompagné des facteurs qui l’expliquent, comme une dérive d’un paramètre de fonctionnement ou une combinaison de signaux déjà vue avant une panne passée.
Anatella
ModelerBIEN LE FAIRE
Les choix qui façonnent un modèle de maintenance.
Les pannes sont rares, et cela oriente la méthode.
Travailler avec des pannes rares
Les pannes ne représentent qu’une infime part des données. Chez Safran, moins de 0,5 % de 10 milliards de lignes correspondaient à une panne. Modeler est conçu pour extraire un signal exploitable d’un historique de pannes limité, en s’appuyant sur toutes les variables d’exploitation disponibles.
Partir des données dont vous disposez
Un modèle peut souvent être construit à partir des données déjà collectées par les systèmes existants, avant d’envisager des capteurs supplémentaires. Chez Safran, le premier modèle a été déployé en une semaine, sans nouveau capteur.
Prévoir les conditions changeantes
Un changement de conditions d’exploitation, comme un nouveau rythme ou un nouvel environnement, peut modifier les signaux d’alerte. Le Drift Report de Modeler montre quand un modèle doit être mis à jour. Chez SANY, des modèles construits en été se sont dégradés en hiver, et le Drift Report a rendu ce changement visible.
EXPLICABILITÉ
Une alerte dit que ça va tomber en panne. Les facteurs disent quoi vérifier.
Une alerte seule indique qu’un équipement est à risque, pas pourquoi. Un modèle en boîte blanche montre les facteurs derrière l’alerte pour cette machine, afin que les équipes de maintenance préparent la bonne intervention (pièce à remplacer, type de contrôle) au lieu de partir d’un signal générique.
Pour les équipes de maintenance
Une intervention peut être planifiée et équipée à l’avance, en connaissant la cause probable du risque.
Pour la confiance dans le système
Les équipes techniques adoptent plus facilement un système dont elles peuvent vérifier la logique qu’une alerte qu’elles ne peuvent pas remettre en question.
Pour les responsables des modèles
Le Drift Report intégré à Modeler montre quand un modèle perd en précision, pour le mettre à jour quand c’est nécessaire plutôt qu’à date fixe.
DONNÉES
Les données utilisées par un modèle de maintenance.
Anatella se connecte à plus de 80 sources : ces données peuvent être rassemblées sans développement spécifique préalable.
Données de capteurs et d’exploitation
Température, vibration, pression, selon l’équipement.
Journaux et historique de maintenance
Journaux de fonctionnement et maintenances déjà réalisées.
Pannes passées
Même en nombre limité.
Conditions d’exploitation
Charge, environnement, rythme.
PREUVES
La maintenance prédictive en production.
Trois déploiements industriels, dans l’aéronautique, les mines et le pétrole.
94 % des pannes anticipées 30 minutes à l’avance
Des machines qui fabriquent des aubes de moteurs d’avion 24 h/24, 7 j/7. 10 milliards de lignes analysées sur un serveur standard, sans nouveau capteur.
Pannes moteur prédites dans l’heure
AUC supérieure à 98 % avec 355 variables corrélées et seulement 107 pannes historiques.
19,6 millions d’euros de coûts de réparation évités par an
Des modèles de pannes sur 5 000 puits et 500 capteurs ont aussi ajouté 1,3 million d’euros de revenus par an.
FAQ
Questions fréquentes.
Faut-il beaucoup de pannes passées pour entraîner un modèle ?
Pas nécessairement. Modeler est conçu pour extraire un signal exploitable d’un nombre limité de pannes, en s’appuyant sur toutes les variables d’exploitation disponibles plutôt que sur le seul volume d’incidents. Chez SANY, le modèle a été entraîné sur seulement 107 pannes historiques.
Faut-il installer de nouveaux capteurs ?
Pas nécessairement. Un modèle peut souvent être construit à partir des données déjà collectées par les systèmes existants, avant d’envisager des capteurs supplémentaires si un signal manquant est identifié.
Combien de temps faut-il pour déployer un premier modèle ?
Une fois les données d’exploitation rassemblées et accessibles, un premier modèle peut être construit rapidement. Chez Safran, un premier modèle a été déployé sur site en une semaine.
Le modèle doit-il être réentraîné si les conditions d’exploitation changent ?
Oui, un changement de conditions peut modifier les signaux d’alerte. Le Drift Report de Modeler montre quand une mise à jour est nécessaire.
CAS D’USAGE LIÉS
Continuez à explorer.
Prédiction des pannes d’équipement
Estimez la probabilité qu’un équipement tombe en panne à un horizon donné, et pourquoi.
Prédiction des arrêts d’équipement
Estimez la durée d’un arrêt et son coût en production.
Surveillance de la dérive des modèles
Voyez quand un modèle prédictif perd en précision et doit être mis à jour.
JUGEZ PAR VOUS-MÊME
Testez-le sur vos propres données.
Essayez TIMi sur vos propres données avec un essai gratuit, ou parlez-nous de votre cas.
