La maintenance prédictive vise à anticiper les besoins de maintenance pour éviter les coûts associés aux temps d’arrêt non planifiés. En vous connectant à des appareils et en contrôlant les données qu’ils génèrent, vous pouvez identifier les modèles qui conduisent à des défaillances ou à des problèmes potentiels. Vous pouvez alors vous servir de ces insights pour résoudre les problèmes avant qu’ils se produisent. Cette capacité à prédire à quel moment les équipements ou le matériel ont besoin d’une maintenance vous permet d’optimiser la durée de vie des équipements et de limiter les temps d’arrêt.
La maintenance prédictive extrait des insights des données produites par les équipements de l’atelier et agit en conséquence. L’idée de la maintenance prédictive remonte au début des années 1990. Elle renforce la maintenance prédictive qui est planifiée régulièrement. Au départ, l’indisponibilité des capteurs générant des données et le manque de ressources de calcul pour recueillir et analyser les données des capteurs étaient un obstacle à l’implémentation de la maintenance prédictive. Aujourd’hui, grâce aux progrès réalisés dans l’Internet des objets (IoT), le cloud computing, l’analytique données et le Machine Learning, la maintenance prédictive se généralise.
La maintenance prédictive nécessite des données provenant de capteurs qui surveillent l’équipement et d’autres données opérationnelles. Les données sont ensuite analysées et les résultats stockés, et de cette analyse découlent les prises de décision.
Après avoir présenté certaines généralités dans cet article, nous allons expliquer comment implémenter les différentes composantes d’une solution de maintenance prédictive en combinant des données locales, Azure Machine Learning et des modèles Machine Learning. Les décisions liées à la maintenance prédictive étant fortement dépendantes des données, nous allons commencer par nous intéresser à la collecte de données. Les données doivent être collectées et utilisées non seulement pour évaluer ce qu’il se passe maintenant, mais aussi pour élaborer de meilleurs modèles prédictifs à l’avenir. Enfin, nous décrirons à quoi ressemble une solution d’analyse, notamment en visualisant les résultats d’analyse dans un outil de création de rapports comme Microsoft Power BI.
Stratégies de maintenance
Tout au long de l’histoire industrielle, plusieurs stratégies de maintenance ont vu le jour :
- La maintenance réactive consiste à résoudre les problèmes une fois que ceux-ci se sont produits.
- La maintenance préventive vise à résoudre les problèmes avant qu’ils surviennent en suivant une planification de maintenance qui tient compte de l’historique des pannes.
- La maintenance prédictive a aussi pour objectif de résoudre les problèmes avant qu’ils se produisent, mais elle tient compte de l’utilisation des équipements au lieu de suivre une planification fixe.
Des trois stratégies, la maintenance prédictive a été celle dont la mise en œuvre a été la plus difficile compte tenu des limitations liées à la collecte, au traitement et à la visualisation. Examinons chacune de ces stratégies plus en détail.
Maintenance réactive
La maintenance réactive est uniquement déclenchée en cas de défaillance d’une ressource. Par exemple, le moteur de votre centre d’usinage à commande numérique à 5 axes est réparé seulement s’il cesse de fonctionner. La maintenance réactive vise à optimiser la durée de vie des composants. Elle introduit également, entre autres problèmes, un nombre inconnu de temps d’arrêt et des dommages collatéraux inattendus causés par des composants défaillants.
Maintenance préventive
La maintenance préventive assure l’entretien des ressources à des intervalles prédéterminés. L’intervalle d’une ressource est généralement basé sur la fréquence de défaillance connue de cette ressource, l’historique des performances, des simulations et la modélisation statistique. L’avantage de la maintenance préventive est qu’elle augmente la durée de bon fonctionnement, réduit le nombre de défaillances et permet de planifier la maintenance. L’inconvénient est que dans bien des cas, le composant remplacé aurait peut-être pu encore fonctionner un certain temps. Cela se traduit par une maintenance excessive et du gaspillage. D’un autre côté, des pièces peuvent lâcher avant la maintenance planifiée. Vous connaissez probablement le principe de la maintenance préventive : passé un certain nombre d’heures de fonctionnement (ou autre métrique), vous arrêtez la machine, l’inspectez et changez toutes les pièces qui doivent être remplacées.
Maintenance prédictive
La maintenance prédictive utilise des modèles pour prédire quand une ressource est susceptible d’avoir un composant défaillant afin que la maintenance juste-à-temps puisse être planifiée. La maintenance prédictive améliore les stratégies antérieures en optimisant à la fois la durée de bon fonctionnement et la durée de vie des ressources. Comme l’entretien de l’équipement intervient vers la fin de vie des composants, vous dépensez moins à remplacer des pièces qui sont en état de fonctionner. L’inconvénient vient de la nature « juste-à-temps » de la maintenance prédictive. Plus difficile à mettre en œuvre, elle réclame plus de réactivité et plus de souplesse de la part du service d’entretien. Pour revenir au moteur du centre d’usinage à commande numérique à 5 axes, la maintenance prédictive vous permet de planifier sa maintenance à une heure proche de la défaillance prévue du moteur.
Différentes façons de proposer une maintenance prédictive
Un fabricant peut utiliser la maintenance prédictive pour monitorer ses propres opérations de fabrication. Il peut également l’utiliser de manière à générer de nouvelles opportunités commerciales et des flux de revenus. Par exemple :
- Un fabricant enrichit son offre en proposant à ses clients des services de maintenance prédictive pour ses produits.
- Un fabricant commercialise ses produits sous forme de services, modèle selon lequel les clients s’abonnent aux produits au lieu de les acheter. Avec ce modèle, le fabricant entend optimiser la durée de fonctionnement du produit, qui ne génère pas de revenus quand il ne fonctionne pas.
- Une société propose des produits et services de maintenance prédictive pour des produits fabriqués par d’autres fabricants.
Création d’une solution de maintenance prédictive
Pour créer une solution de maintenance prédictive, nous commençons par des données. Dans l’idéal, les données indiquent un fonctionnement normal et l’état de l’équipement avant, pendant et après une défaillance. Les données sont issues de capteurs, de notes tenues à jour par les opérateurs de l’équipement, d’informations d’exécution, de données environnementales, de spécifications des machines, et ainsi de suite. Les systèmes d’enregistrement peuvent être des historiens, des systèmes d’exécution de la fabrication, des systèmes ERP (Enterprise Resource Planning), etc. Les données sont mises à la disposition des outils d’analytique de différentes façons. Le diagramme suivant illustre le processus TDSP (Team Data Science Process). Le processus est personnalisé pour la fabrication et explique parfaitement les différentes difficultés qui peuvent se présenter au moment d’élaborer et d’exécuter des modèles Machine Learning.
Votre première tâche consiste à identifier les types de défaillances à prédire. Vous devez ensuite identifier les sources de données qui contiennent des données en rapport avec ces types de défaillances. Le pipeline place les données dans le système de votre environnement. Les scientifiques des données préparent les données à l’aide de leurs outils de Machine Learning préférés. À ce stade, ils sont prêts à créer et à entraîner des modèles capables d’identifier divers types de problèmes. Les modèles répondent à des questions, à savoir :
- Quelle est la probabilité que la ressource tombe en panne au cours des X prochaines heures ? Réponse : 0 à 100 %
- Quelle est la durée de vie utile résiduelle de la ressource ? Réponse : X heures
- Ce matériel se comporte-t-il de façon inhabituelle ? Réponse : Oui ou Non
- Quel est le matériel qui nécessite au plus vite une intervention ? Réponse : ressource X
Une fois développés, les modèles peuvent s’exécuter dans :
- L’équipement proprement dit à des fins d’autodiagnostic.
- Un appareil de périphérie dans l’environnement de production.
- Azure.
Après le déploiement, vous continuez à générer et à gérer la solution de maintenance prédictive.
La puissance d’Azure vous permet d’entraîner et de tester les modèles sur la technologie de votre choix. Vous pouvez utiliser des GPU, des FPGA (Field Programmable Gate Array), des processeurs, des machines à grande capacité de mémoire, etc. Azure adopte entièrement les outils open source utilisés par les scientifiques des données, tels que R et Python. Une fois l’analyse terminée, les résultats peuvent être affichés dans d’autres facettes du tableau de bord ou dans d’autres rapports. Vous pouvez voir ces rapports dans des outils personnalisés ou dans des outils de création de rapports comme Power BI.
Quels que soient vos besoins en maintenance prédictive, Azure met à votre disposition les outils, l’échelle et les fonctionnalités nécessaires pour créer une solution efficace.
Prise en main
Nombreux sont les équipements industriels à générer des données. Commencez à collecter ces données le plus tôt possible. Dès que des défaillances se produisent, demandez aux scientifiques des données d’analyser les données pour créer des modèles pouvant détecter les défaillances à venir. Une fois que vous en saurez suffisamment sur la détection des défaillances, passez à un mode prédictif et réparez les composants durant les temps d’arrêt planifiés. La maintenance prédictive à l’aide de PySpark fournit une procédure pas à pas pour créer les éléments machine learning de la solution.
Si vous avez besoin d’apprendre à créer des modèles, nous vous recommandons de visiter les fondements de la science des données pour le Machine Learning. Le module Learn Introduction à Azure Machine Learning vous présente les outils Azure.
Composants
Stockage Blob Azure est une solution de stockage d’objets scalable et sécurisée pour les données non structurées. Vous pouvez l’utiliser pour les archives, les lacs de données, le calcul hautes performances, le Machine Learning et les charges de travail natives cloud.
Azure Cosmos DB est une base de données NoSQL complètement managée, hautement réactive et évolutive pour le développement d’applications modernes. Il offre une sécurité de classe entreprise et prend en charge les API pour de nombreux langages, bases de données et plateformes. Par exemple : SQL, MongoDB, Gremlin, Table et Apache Cassandra. Les options de mise à l’échelle automatique et serverless d’Azure Cosmos DB permettent de gérer efficacement les demandes de capacité des applications.
Azure Data Lake Storage est un service de stockage éminemment scalable et sécurisé pour vos charges de travail d’analytique hautes performances. Les données proviennent généralement de plusieurs sources hétérogènes et peuvent être structurées, semi-structurées ou non structurées. Data Lake Storage Gen2 combine les fonctionnalités de Data Lake Storage Gen1 avec Stockage Blob et fournit la sémantique du système de fichiers, la sécurité au niveau du fichier et la mise à l’échelle. De plus, il fournit le stockage hiérarchisé, la haute disponibilité et la reprise d’activité après sinistre du Stockage Blob.
Azure Event Hubs est une plateforme de diffusion de données hautement évolutive et un service d’ingestion d’événements, capable de recevoir et de traiter des millions d’événements par seconde. Les concentrateurs d’événements peuvent traiter et stocker des événements, des données ou la télémétrie produits par des logiciels et appareils distribués. Les données envoyées à un hub d’événements peuvent être transformées et stockées à l’aide d’adaptateurs de traitement par lot et de stockage ou d’un fournisseur d’analytique en temps réel. Event Hubs fournit des fonctionnalités de publication-abonnement avec une faible latence à très grande échelle, ce qui le rend approprié pour les scénarios Big Data.
Azure IoT Edge déploie les charges de travail cloud à exécuter sur les appareils de périphérie par le biais de conteneurs standard. Les appareils intelligents IoT Edge peuvent répondre rapidement et hors connexion, réduire la latence et l’utilisation de la bande passante, et augmenter la fiabilité. Ils peuvent également réduire les coûts en prétraitant et en envoyant seulement les données nécessaires dans le cloud. Les appareils peuvent exécuter des modules IA et Machine Learning, des services Azure et tiers ainsi qu’une logique métier personnalisée.
Azure IoT Hub est un service complètement managé qui permet des communications bidirectionnelles fiables et sécurisées entre des millions d’appareils IoT et un back-end basé sur cloud. Il fournit l’authentification par appareil, le routage des messages, l’intégration à d’autres services Azure ainsi que des fonctionnalités de gestion pour contrôler et configurer les appareils.
Azure Machine Learning est un service de machine learning de niveau entreprise pour la génération et le déploiement rapides de modèles. Il fournit aux utilisateurs de tous niveaux de compétence un concepteur à faible code, un machine learning automatisé et un environnement de notebook Jupyter hébergé qui prend en charge divers IDE.
Grâce au Machine Learning, les ordinateurs apprennent des données et des expériences, puis agissent sans qu’il soit nécessaire de les programmer de façon explicite. Les clients peuvent créer des applications d’IA qui détectent, traitent et exploitent de façon intelligente les informations, en développant les capacités humaines, en augmentant la vitesse et l’efficacité et en aidant les organisations à gagner en productivité.
Azure Service Bus est un répartiteur de messages d’entreprise complètement managé, avec des files d’attente de messages et des rubriques de publication/abonnement. Il permet de connecter des applications, des services et des appareils. Associé à Azure Relay, Service Bus peut se connecter aux services et applications hébergées à distance.
Azure SQL est une famille de bases de données cloud SQL qui offre une expérience unifiée pour l’ensemble de votre portefeuille SQL, ainsi qu’un large éventail d’options de déploiement de la périphérie dans le cloud.
Azure SQL Database, qui fait partie de la famille Azure SQL, est un moteur de base de données PaaS complètement managé. Il s’exécute toujours sur la dernière version stable du moteur de base de données SQL Server et un système d’exploitation corrigé. Il gère la plupart des fonctions de gestion de base de données pour vous, notamment les mises à niveau, les mises à jour correctives, les sauvegardes et le monitoring. Il offre la compatibilité la plus large avec le moteur SQL Server, ce qui vous permet de migrer vos bases de données SQL Server sans modifier vos applications.
Power BI est une suite d’outils d’analytique métier qui offre les fonctionnalités nécessaires pour créer des visualisations de données interactives riches. Il comprend des services, des applications et des connecteurs qui peuvent transformer des sources de données disparates en insights cohérents, visuellement immersifs et interactifs. Power BI peut se connecter à des centaines de sources de données, simplifier la préparation des données et prendre en charge une analyse ad hoc.
Azure Data Explorer est un service d’exploration de données rapide et hautement scalable pour les données des journaux et les données de télémétrie. Vous pouvez utiliser Azure Data Explorer pour développer un service de série chronologique. Azure Data Explorer inclut la prise en charge native de la création, de la manipulation et de l’analyse de plusieurs séries chronologiques avec des solutions et des workflows de monitoring en quasi temps réel.
Azure Data Explorer peut ingérer des données à partir d’Azure IoT Hub, d’Azure Event Hubs, d’Azure Stream Analytics, de Power Automate, d’Azure Logic Apps, de Kafka, d’Apache Spark et de nombreux autres services et plateformes. L’ingestion est évolutive et il n’y a aucune limite. Les formats d’ingestion Azure Data Explorer pris en charge incluent JSON, CSV, Avro, Parquet, ORC, TXT et d’autres formats.
L’interface utilisateur web Azure Data Explorer vous permet d’exécuter des requêtes et de créer des tableaux de bord de visualisation des données. Azure Data Explorer s’intègre également à d’autres services de tableau de bord tels que Power BI, Grafana et d’autres outils de visualisation de données qui utilisent des connecteurs ODBC et JDBC. Le connecteur Azure Data Explorer natif optimisé pour Power BI prend en charge le mode de requête ou d’importation direct, y compris les paramètres de requête et les filtres. Pour plus d’informations, consultez Visualisation des données avec Azure Data Explorer.
Conclusion
La maintenance prédictive améliore les planifications de la maintenance préventive en identifiant les composants qu’il convient d’inspecter, de réparer ou de remplacer. La création de solutions de maintenance prédictive nécessite des machines instrumentées et connectées qui fournissent des données.
L’infrastructure de Microsoft peut vous aider à créer des solutions qui s’exécutent sur l’appareil, en périphérie et dans le cloud. Il existe de nombreuses ressources pour vous aider à démarrer.
Pour commencer, identifiez une à trois défaillances que vous souhaitez prévenir en priorité et lancez le processus de détection avec ces éléments. Ensuite, déterminez comment obtenir les données qui permettent d’identifier les défaillances. Combinez ces données avec les compétences que vous avez acquises dans le cours Fondements de la science des données pour le Machine Learning afin de créer des modèles de maintenance prédictive.
Contributeurs
Cet article est géré par Microsoft. Il a été écrit à l’origine par les contributeurs suivants.
Auteur principal :
- Scott Seely | Architecte logiciel
Étapes suivantes
- Présentation de Stockage Blob Azure
- Documentation Azure Cosmos DB
- Documentation Azure Data Lake Storage Gen1
- Documentation Azure Event Hubs
- Documentation Azure IoT Edge
- Documentation Azure IoT Hub
- Documentation Azure Machine Learning
- Documentation de la messagerie Azure Service Bus
- Documentation Azure Relay
- Documentation Azure SQL
- Documentation Power BI
- Analyse des séries chronologiques dans Azure Data Explorer