Les applications de surveillance de l'état et de maintenance prédictive développées chez Mondi peuvent identifier les problèmes d'équipement potentiels afin de réduire les temps d'arrêt et les coûts de maintenance.

Comment les entreprises peuvent-elles utiliser la maintenance prédictive?

La maintenance prédictive est un outil précieux pour toute entreprise qui utilise des équipements industriels. Cependant, le scepticisme persiste quant à savoir si elle offre vraiment des avantages mesurables.

Pour dissiper ce scepticisme, Conception de la machine s’est récemment entretenu avec Philipp Wallner, directeur de l’industrie chez MathWorks. Il répond à certaines questions courantes des entreprises lors de l’évaluation du retour sur investissement de la maintenance prédictive, ainsi que des idées fausses et des avantages qui y sont associés.

Conception de la machine: Pouvez-vous décrire certaines des idées fausses des entreprises concernant la maintenance prédictive?

Wallner: La maintenance prédictive a souvent été qualifiée à tort de solution de «boîte noire», dans laquelle les données opérationnelles des équipements sont utilisées pour prédire d’une manière ou d’une autre la durée de vie utile restante des machines. Cependant, cette hypothèse néglige l’importance de la connaissance du domaine, qui est une connaissance propre à un environnement spécifique. Il joue un rôle central dans le développement de programmes qui détectent et prédisent les pannes.

Les entreprises et les fabricants qui utilisent la maintenance prédictive sur les lignes de production bénéficient de nombreux avantages. Et les entreprises qui ne l’utilisent pas peuvent être désavantagées par rapport à la concurrence. Mais les avantages de la maintenance prédictive sont à la portée de toute entreprise désireuse d’investir les ressources pour combiner l’apprentissage automatique et l’expertise du domaine.

Les applications de surveillance de l’état et de maintenance prédictive développées chez Mondi peuvent identifier les problèmes d’équipement potentiels afin de réduire les temps d’arrêt et les coûts de maintenance.

MARYLAND: Comment les entreprises peuvent-elles au mieux connecter l’apprentissage automatique et l’expertise du domaine, et relier les communautés de la science des données et de l’ingénierie?

Wallner: Le moment est venu pour les entreprises de favoriser la collaboration entre les communautés de la science des données et de l’ingénierie. Les data scientists sont traditionnellement impliqués dans la maintenance prédictive en fonction de leurs connaissances en mathématiques. Pourtant, ils manquent souvent de connaissances du domaine dans la communauté des ingénieurs.

Il existe des outils pour simplifier ce processus et créer une collaboration, tels que des programmes de simulation logicielle. Ces programmes permettent aux utilisateurs de générer de puissants algorithmes de maintenance prédictive tout en garantissant que ces algorithmes nécessitent moins de données de terrain pour être formés. Les programmes peuvent également donner un coup de main aux utilisateurs peu familiarisés avec la maintenance prédictive, en leur permettant d’expérimenter diverses techniques pour collecter et former des données à l’aide d’applications. Par exemple, le fabricant d’emballages et d’articles en papier Mondi utilise de tels outils pour développer des applications de surveillance de la santé et de maintenance prédictive qui identifient les problèmes d’équipement potentiels. Et cela n’a pris que quelques mois pour le mettre en marche et contribuant à réduire les temps d’arrêt et les coûts de maintenance.

Des applications comme cette application d'apprentissage de la classification aident les utilisateurs peu familiarisés avec la maintenance prédictive, en leur permettant d'expérimenter diverses techniques pour collecter et former des données.Des applications comme cette application d’apprentissage de la classification aident les utilisateurs peu familiarisés avec la maintenance prédictive, en leur permettant d’expérimenter diverses techniques pour collecter et former des données.

MARYLAND: Quelle est l’importance des applications de maintenance prédictive des données de panne?

Wallner: Les données de défaillance doivent être collectées pour que les entreprises puissent former au mieux les algorithmes de maintenance prédictive; Cependant, ce type de données est difficile d’accès car l’équipement ne tombe pas souvent en panne et il est coûteux de fabriquer de l’équipement échouer intentionnellement à collecter uniquement les données de défaillance. Pour résoudre ce problème, les outils logiciels aident générer des données de panne en utilisant des modèles de simulation pour déterminer comment l’équipement physique pourrait fonctionner sur le terrain dans différents scénarios de test.

Les outils de simulation logicielle simplifient le processus de génération des données de défaillance, en leur permettant de renforcer les algorithmes de maintenance prédictive sans avoir besoin d’autant de données réelles sur le terrain pour une formation «appropriée». Ces outils permettent également aux opérateurs d’utiliser diverses méthodes de prétraitement des données et de formation de modèles prédictifs. Baker Hughes, par exemple, a utilisé des outils logiciels pour développer un logiciel de surveillance de l’état des pompes qui utilise l’analyse des données et l’apprentissage en profondeur pour la maintenance prédictive. En conséquence, l’entreprise réduit les coûts d’arrêt des équipements jusqu’à 40% et réduit le besoin de camions supplémentaires sur place.

MARYLAND: Quelles tendances en matière de maintenance prédictive prévoyez-vous pour 2021 et au-delà?

Wallner: Au cours des prochaines années, les entreprises devraient voir la puissance de calcul en augmentation rapide des ordinateurs de bord et des contrôleurs industriels ouvre les portes à une nouvelle dimension du logiciel sur les systèmes de production. La maintenance prédictive sera à la fois sur site et à proximité des équipements et utilisera les données de plusieurs usines et équipements de différents fournisseurs. En outre, ces algorithmes basés sur l’IA fonctionneront sur des plates-formes et des systèmes en temps réel et non en temps réel, en fonction des besoins.

De plus, il y aura plus de plates-formes cloud, qui seront les utilisateurs les plus puissants de la maintenance prédictive et alimenteront les données des équipements du monde entier dans la plate-forme. Malgré un certain scepticisme, les entreprises doivent se préparer à la maintenance prédictive basée sur le cloud, car le cloud permet aux fabricants de collecter des données dans plusieurs domaines et de former plus efficacement les algorithmes de maintenance prédictive.

Articles similaires

Commencez à saisir votre recherche ci-dessus et pressez Entrée pour rechercher. ESC pour annuler.

Retour en haut