Le mois dernier, nous sommes revenus sur les fondements de l’intelligence artificielle et ses perspectives pour une stratégie de maintenance 4.0. Allons plus loin en décryptant les enjeux de l’analyse de la dynamique temporelle pour la maintenance prédictive. Focus sur une nouvelle méthode d’analyse de données fonctionnelles catégorielles codéveloppée par DiagRAMS.

Quand une panne va survenir ? Quand une dérive a commencé ? Comment va-t-elle évoluer ? Quels sont, au cours du temps, les signaux faibles annonciateurs d’une anomalie ? Est-ce qu’un enchaînement de modes de fonctionnement précis est à l’origine du problème ? Est-ce qu’un pattern caractéristique d’un dysfonctionnement est lié à un phénomène temporel ?… Autant de questions qui relèvent  de phénomènes temporels.

C’est pourquoi l’analyse de sa dynamique est cruciale pour la maintenance prédictive. De nouvelles méthodes permettent d’ailleurs de dépasser les limites des méthodes traditionnelles.

L’enjeu de l’analyse des séries temporelles pour la maintenance prédictive : méthodes traditionnelles vs méthodes expertes

Dans l’industrie, les capteurs enregistrent des données en continu : ce sont des courbes de valeurs quantitatives (ou séries temporelles) complexes à analyser. Traditionnellement, les informations contenues dans les courbes sont en effet résumées par des descripteurs (moyenne, variance…).

Il faut aussi choisir sur quelle période de la courbe précisément on veut extraire ces descripteurs (descripteurs globaux sur toute la courbe confondue, ou descripteurs sur une période précise). Autant de transformations et de réductions qui peuvent faire perdre une partie non négligeable de l’information, d’autant que les décisions relèvent de la seule expertise humaine (introduction de biais).

Appliqué à la maintenance prédictive, tout l’enjeu est de rechercher dans les données des signaux faibles, annonciateurs de défaillances.

Ainsi, les méthodes traditionnelles de Machine Learning ne sont pas adaptées à l’analyse de séries temporelles qui gomment trop d’informations et qui introduisent des biais. Il existe pourtant bien des méthodes expertes, telles que les méthodes utilisées par DiagRAMS, qui permettent de modéliser ces courbes sans faire de descripteurs et en gardant l’information temporelle.

En revanche, en ce qui concerne les courbes de données catégorielles (ou données fonctionnelles catégorielles), la littérature scientifique est plus pauvre et aucune méthode standard n’a émergé pour analyser et garder cette dynamique temporelle.

L’enjeu de l’analyse des données fonctionnelles catégorielles pour la prévision de durée de vie restante et les limites des méthodes actuelles

Dans le domaine de la production industrielle, les données fonctionnelles catégorielles peuvent par exemple décrire le contexte d’utilisation et l’état de la machine : état « sain » puis « en panne », ou « phase de démarrage » puis « phase de nettoyage » puis « contexte de production A » etc.

Ce type de données, complexes à étudier, est généralement simplifié en omettant la temporalité ou en créant de nouvelles variables, descripteurs (temps passé en panne…) dans les analyses traditionnelles. Ces méthodes augmentent ainsi la quantité de données tout en risquant une perte d’information importante sur le suivi de l’état d’une machine dans le temps avec ses évolutions en termes de fonctionnement.

Dans le cadre de la maintenance prédictive, nous cherchons à identifier, pour chaque équipement, l’enchaînement de catégories de fonctionnement dans le temps, leur ordre d’occurrence, mais aussi la durée de chacune de ces catégories de fonctionnement.

Ces informations sont importantes à connaître car chaque contexte d’utilisation des équipements (catégorie de fonctionnement) peut représenter une « sévérité » d’utilisation différente de l’équipement et a donc un impact sur sa durée de vie. Les données fonctionnelles catégorielles décrivant le contexte d’utilisation de la machine et son état peuvent donc permettre d’apprendre le niveau de sévérité d’utilisation de chacun des contextes et, à terme, d’être en mesure de prévoir la durée de vie résiduelle de la machine.

Aujourd’hui, les méthodes traditionnelles sont limitées en efficacité, elles ne permettent pas de tenir compte et de qualifier en quoi la sévérité d’utilisation est différente d’un produit à l’autre et quels sont les différents contextes d’utilisation.

Une nouvelle méthode adaptée à l’analyse de données fonctionnelles catégorielles codéveloppée par DiagRAMS

Conserver l’information temporelle des données fonctionnelles catégorielles est crucial afin de détecter des patterns caractéristiques d’un dysfonctionnement.

« C’est pour répondre à cette problématique et aux enjeux de performance des modèles de Machine Learning que nous avons développé une nouvelle méthode d’analyse de données fonctionnelles catégorielles. Elle nous permet d’encoder ces données en valeurs réelles contenant l’intégralité de l’information sur la dynamique temporelle » explique Quentin Grimonprez, Responsable Data Science & associé de DiagRAMS Technologies.

L’objectif est de transformer automatiquement les données fonctionnelles catégorielles en variables réelles et de pouvoir les utiliser conjointement avec d’autres types de données (réelles…) dans les méthodes de Machine Learning classiques tout en gardant l’information temporelle.

Pour la maintenance, cette méthode est particulièrement adaptée pour analyser l’enchaînement des données catégorielles fonctionnelles et donc, autrement dit, de l’enchaînement des catégories de fonctionnements d’équipements.

Ainsi, la prévision de durée de vie résiduelle d’un équipement (RUL) évolue au cours du temps en fonction des différents niveaux de sévérité d’utilisation associés aux modes de fonctionnements et aux contextes de sollicitation.

Il faut donc pouvoir tenir compte de ces éléments dans l’analyse pour pouvoir apprendre des lois de survie basées sur  l’enchaînement des données catégorielles fonctionnelles.