PRÉVENTION DES DÉFAILLANCES GRÂCE AU MACHINE LEARNING: CAS RÉELS

MACHINE LEARNING POUR LA MAINTENANCE PRÉDICTIVE

Cet article décrit le parcours généralement effectué pour construire des modèles de machine learning permettant le suivi et la prédiction du comportement d’un actif. Dans la seconde partie, nous fournirons en revanche des exemples d’application et les résultats atteints par MIPU pour une entreprise cliente du secteur fabrication.

PRÉVENTION DES DÉFAILLANCES GRÂCE AU MACHINE LEARNING : PARCOURS

Les applications de Machine Learning pour la maintenance prédictive permettent d’identifier la cause d’une défaillance avant qu’elle ne se manifeste.

  • – La première phase prévoit la construction d’un modèle mathématique de l’actif. Le modèle comprend tous les paramètres de processus associés à cet actif, mémorisés dans une base de données. La majorité des modèles comprend entre 10 et 30 paramètres, mais certains peuvent contenir jusqu’à 100 paramètres.
  • – Durant la seconde phase, les données historiques des paramètres sont importées dans le modèle. Ce groupe de données est défini comme « d’entraînement » et inclut généralement une année de données. Un expert du fonctionnement de l’actif sait quelles sont les données à inclure ou pas dans le groupe d’entraînement.
  • – Durant la troisième phase, le groupe de données d’entraînement est utilisé pour développer une matrice opérationnelle de l’actif. La matrice identifie le mode de fonctionnement prévu de la machine à une période donnée sur la base des données d’entraînement utilisées pour la création.
  • – Pour finir, le logiciel suit constamment le fonctionnement de la machine et prévoit les valeurs des paramètres de la machine en fonction de la matrice utilisée. En cas d’écart important d’un paramètre par rapport à la prévision du modèle, le système envoie une alerte.

(votre logiciel est-il en mesure de la faire ? Dans le cas contraire, êtes-vous intéressé à sa mise à jour ?)

 

PRÉVENTION DES DÉFAILLANCES GRÂCE AU MACHINE LEARNING : APPLICATIONS

CAS 1

La Figure 1 représente une hausse des vibrations du palier d’un ventilateur entraînée par une fuite d’huile. Cette condition a déclenché une alarme.
La solution créée avec le Machine Learning prévoyait, dans les conditions d’exploitation actuelles, que la vibration du palier aurait dû être d’environ 3,5 mm. La vibration du palier s’est lentement éloignée de la valeur prévue, déclenchant une alarme dès atteinte de la valeur de 4,7 mm.

Les responsables techniques de l’installation ont ainsi été alertés et, après inspection visuelle du ventilateur, ont diagnostiqué une fuite d’huile. L’aspiration de la fuite d’huile s’effectuait dans le logement du ventilateur, et rien n’indiquait donc une fuite sur le sol. L’huile déposée sur les pales du ventilateur a accumulé saleté et détritus et entraîné le déséquilibre de la rotation et donc une augmentation des vibrations. Les responsables techniques de l’installation ont donc entrepris des actions correctives en vue de réparer la fuite avant l’endommagement du palier.

 

Prevenire i guasti con il machine learning
Augmentation des vibrations du ventilateur

CAS 2

La Figure 2 décrit le système de lubrification d’un grand pulvérisateur. Le système de lubrification alimente en huile le boîtier du changement de vitesse et tous les paliers. Le modèle de l’actif prévoyait une température de 90 °F, mais la température effective a atteint 110 °F. Le logiciel a donc déclenché une alarme, et les techniciens de l’installation ont constaté que la vanne de contrôle de l’eau de refroidissement de l’échangeur de chaleur de l’huile lubrifiante était endommagée. La vanne de contrôle a été remplacée, et le système a repris son fonctionnement normal.

 

Prevenire i guasti con il machine learning
Température d’huile du pulvérisateur

CAS 3
La Figure 3 décrit un système hydroélectrique (EHC) chargé du contrôle de la position de la vanne, de la vitesse de la turbine et des soupapes de sûreté. Dans ce cas, la pression différentielle au travers du filtre A de la pompe EHC a commencé à monter. Les techniciens ont été avertis à temps et ont pu commuter de la pompe A à la pompe B. Le blocage d’urgence de la turbine et tous les dommages subséquents ont ainsi été évités.

 

Prevenire i guasti con il machine learning
Filtre du système électrohydraulique

Contactez-nous pour de plus amples informations sur ces exemples, ou pour savoir comment implémenter des modèles de machine learning sur vos actifs.

Altre Case History:

Le saviez-vous?

Nous organisons AU MOINS un webinaire par mois sur les sujets
ingénierie de maintenance, efficacité énergétique
et les dernières tendances de l’intelligence artificielle.

Laissez votre contact pour recevoir toutes les invitations!