Il existe différents types de maintenance dont les applications du Machine Learning en maintenance prédictive.

Maintenance corrective

La machine est en fonctionnement jusqu’à ce qu’un besoin de maintenance se manifeste (panne, casse…). La machine est réparée suite à la panne.

Maintenance préventive

La machine est en fonctionnement pendant une durée définie (en temps, nombre de cycles). Cette durée est prévue pour que la machine n’ait pas le temps de tomber en panne. Au bout de cette durée, la machine est réparée, quel que soit son état d’usure ou son cycle de fonctionnement.

Maintenance prédictive

La machine est monitorée pendant son fonctionnement, et la maintenance est prévue en fonction des données recueillies. Aujourd’hui, ce dernier type de maintenance est le plus prometteur pour l’usine 4.0. En effet, elle permet d’avoir les coûts de maintenance les plus bas possible, puisque les machines sont utilisées au maximum de leur endurance, mais les arrêts imprévus et intempestifs sont réduits au strict minimum.

La maintenance prédictive est apparue bien avant qu’il n’existe de réelles solutions informatiques adaptées à ce besoin. De nos jours, de nombreuses industries utilisent encore la méthode manuelle qui consiste à envoyer un technicien faire le tour des machines afin de relever des KPI permettant de détecter des anomalies.

L’apparition de machines et d’algorithmes permettant d’automatiser ces tâches incite à se poser la question suivante : quelle technique utiliser pour prédire l’état d’une machine industrielle ?

L’intelligence artificielle est la discipline qui consiste à reproduire la réflexion humaine en utilisant un algorithme ou tout autre moyen de décision artificiel. Le Machine Learning, consiste en de l’IA programmée : on va donner des données à un algorithme de Machine Learning, ainsi que le résultat attendu pour ces données, et l’algorithme va en déduire les règles algorithmiques : on appelle cela l’apprentissage.

Dans le cadre d’un projet de maintenance prédictive, plusieurs solutions d’intelligence artificielle sont disponibles pour répondre à la problématique :

L’approche Deep Learning, et les algorithmes du Machine Learning qui en découlent ont pour philosophie de récolter des données brutes et non traitées et de les fournir à un algorithme bien plus complexe et puissant que ceux utilisés en Machine Learning. Cet algorithme fournit des modèles capables d’analyser des données brutes et de déceller des motifs, des formes se répétant, afin d’assembler peu à peu des bribes de signal jusqu’à pouvoir prendre une décision.

Chaque approche a ses avantages et ses inconvénients. En effet, le Deep Learning a tendance à être plus performant mais en contrepartie souffre d’un temps de calcul bien plus important que son concurrent (il doit découvrir seul les motifs, là où le modèle de Machine Learning est bâti en fonction des motifs).

Dans le Machine Learning, un aspect agréable est que le modèle n’est pas totalement une boîte noire, dans la mesure où il a été conçu pour résoudre un problème très bien caractérisé, contrairement à un modèle de Deep Learning, où il est bien plus compliqué de comprendre le cheminement suivi par l’algorithme.

La limitation principale qui permet de trancher est l’implémentation en embarqué. En effet, il est bien plus facile d’allier embarqué, basse consommation, avec Machine Learning qu’avec Deep Learning, principalement à cause du temps de calcul élevé requis par ce dernier.

Leurs applications sont également différentes, en effet, le Deep Learning est très efficace dans des domaines où les experts manquent pour construire des modèles, ce sont souvent des problématiques très actuelles et complexes, comme la reconnaissance d’objets sur des images, l’imagerie médicale et militaire, le traitement intelligent de texte, la reconnaissance vocale… D’un autre coté́, l’approche Machine Learning se cantonne à des domaines bien connus mais en demande d’automatisation, comme la maintenance prédictive, l’IoT, la détection de fraude, etc…

Le Tiny ML est une technique de Machine Learning implémentée dans des systèmes à faible consommation d’énergie, tels que des capteurs et autres objets IoT. Ces dispositifs intègrent des applications d’apprentissage automatique réduites et optimisées.  Un des principaux avantages est qu’ils n’ont pas besoin d’être connecté à Internet, tout le travail se fait en local. Lorsque le système détecte une anomalie, il peut alors envoyer un simple message d’alerte à l’utilisateur, on pourra utiliser une technologie radio LPWAN bas débit afin d’envoyer ce message (LoRa, Sigfox, NB-IoT, LTE-M, 2G…).

ATIM travaille sur ce sujet du TinyML et propose des kits d’évaluation, contactez-nous si vous souhaitez plus d’informations sur les solutions IA d’ATIM.