 |
||
|
||
Accueil > Forum TERATEC > Ateliers > Atelier 5
Atelier 5
Machine learning & Maintenance prédictive :
Enjeux et stratégie pour les filières industrielles
Présidé par Erick JONQUIERE, AFNet et Jean-Laurent PHILIPPE, Intel
© TERATEC 2019
Anticiper une panne, maîtriser l’arrêt des machines, augmenter leur durée de vie, diminuer les stocks de pièces de rechange… Voici les promesses alléchantes de la maintenance prédictive (ou prévisionnelle).
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.
Le mot maintenance prédictive laisse imaginer des algorithmes super-intelligents capables de s’appuyer sur des milliards de données pour prévoir, voire empêcher une défaillance des mois à l’avance. Cette vision est assez loin de la réalité chez la plupart des industriels. « Il ne faut pas être trop ambitieux dès le départ ». Pour passer à la maintenance prédictive, il faut avant tout connecter ses machines à un système de collecte des données. Lorsque les machines sont connectées, elles envoient des données. Beaucoup de données. Le problème n’est donc pas tant leur quantité que leur qualité.
La grande quantité de données, associée aux capacités de traitement de plus en plus puissantes permet de développer et d’exécuter des algorithmes à grande échelle, nécessaires pour exploiter pleinement le potentiel de l’intelligence artificielle. Mais certaines solutions logicielles recommandent, par ailleurs, d'utlliser en priorité les données existantes de l'architecture industrielle pour définir des modèles d'analyse pertinents plutôt que de multiplier les réseaux de capteurs au déploiement souvent complexe. Des modèles analytiques et des algorithmes de machine learning peuvent alors prévoir la probabilité d’une panne. 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.
Une bonne mise en œuvre de cette maintenance prédictive reposant sur l'approche analytique de la donnée nécessitera une vision globale de l’entreprise, une architecture de réseau solide pour traiter toutes les données au profit de la maintenance et une organisation fonctionnelle de cette maintenance. De plus 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.
Quid de l'avenir et des principales évolutions technologiques comme l‘analytique augmentée et l'intelligence continue qui combinent des techniques d’apprentissage automatique et d’intelligence artificielle pour transformer la manière dont le contenu analytique est développé, utilisé et partagé. D’ici 2022, plus de la moitié des nouveaux systèmes d’entreprise majeurs intègreront une intelligence continue qui utilise des données de contexte en temps réel pour améliorer les décisions.Enfin à quels facteurs les entreprises doivent-elles prêter attention pour tirer le meilleur parti du machine learning en maintenance prédictive ?
Lors de cet atelier AFNeT/CNIS dans le cadre du Forum TERATEC de nombreux acteurs, fournisseurs de solutions et utilisateurs industriels sont venus témoigner et partager sur le sujet leur propre retour d'expérience riche d'enseignements.
« Ce n'est pas l'intelligence qui fait, c'est l'intelligence qui nous regarde faire » (Paul Claudel)
Avec la participation de :
 Petite histoire des algorithmes et perspectives de l’Intelligence ArtificielleNicolas VAYATIS, Directeur, CMLA |
| « Détection d’anomalies en temps réel et prédiction de pannes de robots » L’IA dans les usines d’Intel Jean-Laurent PHILIPPE , DGC Sales, Senior HPC Technical Sales Specialist, Intel |
| « Maintenance préventive ou prédictive d'infrastructures via des drones » Exemple d'une mise en œuvre de la filière ferroviaire Vincent THAVONEKHAM, Cloud Azure strategy Manager, Microsoft Regional Director Frederick VAUTRAIN, Directeur Data Sciences, VISEO Guilhem VILLEMIN , Directeur Technique, ALTAMETRIS |
| « Une solution de maintenance prédictive sans ajout de nouveaux capteurs » Une réalisation INRIA & DiagRAMS Christophe BIERNACKI, Responsable. équipe de recherche MODAL, INRIA Margot CORREARD, co-fondatrice DiagRAMS Technologies (start-up INRIA) |
|
| « Intégrer prédictif et Machine Learning dans une ligne de fabrication et d'assemblage » Présentation d'un cas de solution intégrée Edge Analytics Serge BONNAUD, Technical Leader, IBM Europe |
Résumé & Biographie
Pour toute autre information concernant les ateliers techniques, prière de contacter :
Jean-Pascal JEGU
Tél : +33 (0)9 70 65 02 10 - Mob.: +33 (0)6 11 44 49 59
jean-pascal.jegu@teratec.fr
Campus TERATEC
2, rue de la Piquetterie
91680 BRUYERES-LE-CHATEL
France