INDUSTRIE ET MAINTENANCE
Prédiction des pannes d’équipement : une probabilité par machine, avec ses causes
La prédiction des pannes d’équipement avec TIMi estime la probabilité qu’un équipement tombe en panne à un horizon donné, à partir de ses données d’exploitation, et montre les facteurs derrière le score.
Probabilité par équipement
À un horizon que vous définissez avec les équipes techniques.
Un modèle par type d’équipement
Les signaux d’alerte diffèrent d’un type d’équipement à l’autre.
Expliqué variable par variable
Chaque probabilité est accompagnée des facteurs qui pèsent dans le résultat.
COMMENT ÇA FONCTIONNE
Comment fonctionne la prédiction des pannes d’équipement.
Trois étapes, dans un seul moteur, sur un serveur standard sans cluster.
1. Préparer les données
Anatella rassemble les données d’exploitation de l’équipement et l’historique des pannes déjà observées, puis les structure en variables.
2. Construire le modèle
Modeler estime, pour un équipement donné et un horizon défini, une probabilité de panne à partir des signaux observés.
3. Scorer et expliquer
Chaque équipement reçoit une probabilité de panne avec les facteurs derrière, variable par variable.
Anatella
ModelerEN QUOI C’EST DIFFÉRENT
Prédiction des pannes et maintenance prédictive.
L’une est la brique de base, l’autre le processus qui l’entoure.
Un signal, puis une action
La prédiction des pannes produit un signal : la probabilité qu’un équipement tombe en panne à un horizon donné. La maintenance prédictive est le processus plus large qui utilise ce signal pour planifier une intervention (quand, sur quelle pièce, avec quelles ressources).
Choisir un horizon réaliste
Cela dépend du type d’équipement et de la vitesse à laquelle un signal d’alerte devient une panne. Chez SANY, des pannes moteur critiques ont été anticipées dans l’heure. L’horizon se définit avec les équipes techniques.
Un modèle par type d’équipement
Un modèle distinct est généralement construit pour chaque type d’équipement, car les signaux d’alerte diffèrent de l’un à l’autre.
EXPLICABILITÉ
Une probabilité dit à quel point. Les facteurs disent quel type de risque.
Une probabilité de panne seule donne un niveau de risque, pas ce qui le détermine. Un modèle en boîte blanche montre les facteurs du score pour cet équipement, ce qui aide à distinguer l’usure normale d’une anomalie de fonctionnement récente.
Pour les équipes techniques
La nature du risque identifié guide directement le type de contrôle à effectuer.
Pour prioriser les ressources
Quand plusieurs machines présentent un risque élevé, comprendre la cause aide à décider laquelle traiter en premier.
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 pannes.
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.
Historique des pannes
Pannes déjà observées.
Conditions d’exploitation
Charge, rythme, environnement.
Âge et maintenance
Âge de l’équipement et historique de maintenance.
PREUVES
La prédiction des pannes en production.
SANY et GX Labs sont nos références pour la prédiction des pannes sur des équipements lourds.
AUC supérieure à 98 % avec seulement 107 pannes historiques
Le modèle a identifié les seuils de température qui ont conduit à un arrêt moteur dans l’heure, permettant une action préventive immédiate.
Pannes de pompes prédites sur 5 000 puits
Des modèles sur 500 capteurs et 4 000 variables dérivées soutiennent la détection précoce des pannes et l’analyse en temps réel des signaux faibles.
FAQ
Questions fréquentes.
Est-ce différent de la maintenance prédictive ?
Le principe de modélisation est le même. La distinction tient à l’usage : ce cas d’usage porte sur le signal de risque produit par le modèle, alors que la maintenance prédictive est le processus complet qui utilise ce signal pour agir.
Cela fonctionne-t-il pour un équipement qui n’est jamais tombé en panne ?
C’est plus difficile sans historique de pannes, mais un modèle peut s’appuyer sur des équipements comparables déjà suivis pour construire une première estimation.
Quel horizon de prédiction est réaliste ?
Cela dépend du type d’équipement et de la vitesse à laquelle un signal d’alerte évolue en panne. L’horizon se définit avec les équipes techniques, selon le contexte.
Un seul modèle peut-il gérer plusieurs types d’équipement ?
Un modèle distinct est généralement construit pour chaque type d’équipement, car les signaux d’alerte diffèrent d’un équipement à l’autre.
CAS D’USAGE LIÉS
Continuez à explorer.
Maintenance prédictive
Anticipez les pannes d’équipement à partir des données que vous collectez déjà, avec les raisons.
Prédiction des arrêts d’équipement
Estimez la durée d’un arrêt et son coût en production.
Modélisation de la dégradation des actifs
Modélisez l’évolution de l’état d’un actif avec l’usage et estimez sa durée de vie restante.
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.
