Détection et prévision des anomalies automobiles

L'IIoT a un impact dramatique sur l'industrie automobile. Comment les fabricants, quels qu'ils soient, peuvent-ils tirer parti d'un futur de l'apprentissage automatique et de la détection des anomalies?

L'Internet des objets industriel (IIoT) change tout. De la nourriture que nous mangeons aux machines que nous utilisons pour les voitures que nous conduisons. Tout se transforme rapidement et pour le mieux. Alors que de plus en plus d’informations sont connectées à l’Internet, l’IIoT étend rapidement ses tentacules à l’usine – la scène centrale de tous les drames industriels.

L'industrie automobile est l'une des plus touchées par l'IIoT. Selon Mary Barra, PDG de General Motors, «le secteur de l’automobile devrait connaître plus de changements au cours des cinq à dix prochaines années qu’au cours des 50 dernières années.»

étude a révélé que le nombre de voitures en réseau augmenterait de 30% par an pour les prochaines années. Cela signifie que d'ici 2020, une voiture sur cinq sera connectée à Internet.

Depuis plus d'un siècle, l'industrie automobile a créé un avantage concurrentiel principalement grâce à l'excellence technique. À l'avenir, cela ne suffira plus.

Le futur sera un âge où les parties peuvent surveiller et évaluer leurs propres performances et même commander leur propre remplacement si nécessaire. L'analyse en temps réel et les systèmes cognitifs détecteront et prédiront les anomalies et transformeront les données des composants et des systèmes en informations précieuses.

Les constructeurs automobiles pourront ensuite les utiliser pour accroître la fiabilité des voitures et offrir de nouveaux services à valeur ajoutée aux clients. En d'autres termes, les technologies telles que l'apprentissage automatique et la détection des anomalies peuvent étendre l'assurance qualité au-delà des portes d'usine.

Le plus grand défi pour tout constructeur automobile aujourd'hui est la catastrophe causée par les temps d'arrêt imprévus. Un grand constructeur automobile estime que les temps d'arrêt imprévus dans une usine peuvent coûter jusqu'à 20 000 dollars par minute. Des pertes énormes en quelques secondes!

Le plus souvent, ces situations résultent de pannes de machines de production qui auraient pu être évitées si les données de la machine étaient analysées avec succès pour détecter des anomalies, anticiper la panne et planifier une réparation. Déconstruire les barrages routiers – Les défis

• Arrêts de production imprévus – Les défaillances imprévues augmentent considérablement les coûts de maintenance en raison des difficultés de maintenance réactive et imprévue. La capacité de prédire les défaillances du système augmente la disponibilité de la machine, augmente la productivité et réduit les temps d'arrêt

• Analyse des pétaoctets de données de capteur – Les machines équipées de capteurs capturent et enregistrent automatiquement les données sur les performances et la santé des équipements. Ces informations peuvent accélérer les efforts visant à atteindre une efficacité opérationnelle globale. En fait, ces capteurs (jusqu'à 1000+ capteurs par véhicule) génèrent des données précieuses telles que MPH, MPG, RPM, pression d'huile, température de l'eau, température du moteur, usure des pneus, etc. a le potentiel de signaler rapidement les événements anormaux et de suggérer des actions correctives proactives. Cependant, en raison de l'immense quantité de ces données industrielles, les constructeurs automobiles trouvent extrêmement difficile de les maîtriser.

• Stratégies de maintenance réactive – Une étude populaire a révélé que la plupart des fabricants dépensent 40 % de temps consacré à la maintenance réactive, 45% sur la maintenance préventive et 15% seulement sur les stratégies de maintenance proactive. La plupart du temps, cela se produit en raison de la complexité des équipements et du manque de gestion précise des actifs pilotés par les données. Cependant, dans un établissement automobile, tout incident impliquant une panne de machine et qui ne serait pas résolu dans trois minutes pourrait entraîner un arrêt de production. La maintenance réactive ne résoudra pas le problème des pannes imprévues et des pertes irrécupérables qu’elles causent.

• Absence de plan de gestion fiable des défaillances d’actifs – La plupart des constructeurs automobiles ne disposent pas d’un plan viable de gestion des risques. Selon Reliable Plant les constructeurs automobiles consacrent près de 90% de leur temps à des réparations d'urgence. Ces heures productives précieuses peuvent être facilement utilisées en obtenant une visibilité sur les actifs susceptibles de s’effondrer dans un avenir proche. Malheureusement, les ingénieurs automobiles passent le plus clair de leur temps à chercher des signaux évidents de pannes, qui peuvent facilement occulter d’autres données discrètes mais critiques (appelées données sombres). En créant une stratégie solide Asset Failure Management des anomalies potentielles peuvent être détectées. Ces données noires peuvent alors être utilisées pour prévoir les défaillances et réduire les coûts de maintenance.

Détection d'anomalies à partir de données de capteurs automobiles

La détection d'anomalies continue de jouer un rôle essentiel dans la plupart des industries du monde entier. L'analyse des données des capteurs automobiles pour détecter et prévoir les anomalies peut être extrêmement utile pour limiter les risques d'immobilisation imprévue. Selon un rapport de MarketsandMarkets, la taille du marché mondial de la détection d’anomalies devrait passer de 2,08 milliards de dollars en 2017 à 4,45 milliards de dollars en 2022, soit un taux de croissance annuel composé de 16,4%.

posez les questions ci-dessous:

• Existe-t-il une stratégie de gestion des défaillances d’actifs en place pour détecter et prévoir les anomalies des données chronologiques afin d’atténuer les risques d’interruptions imprévues?
• Existe-t-il un système à toute épreuve qui peut détecter des anomalies potentielles ensemencées en profondeur dans les processus de fabrication automobile?
• Comment les anomalies de ferraille / défaut sont-elles identifiées pour améliorer la qualité du produit et faire échec aux incidents de rappel?
• détecter et prédire les anomalies pouvant affecter les capacités de production ?

Il est temps d'accélérer la productivité en monétisant ces données. Même une petite augmentation de 1% des gains d'efficacité peut donner des résultats étonnants sur une période de temps. Une augmentation de 1% de l'efficacité de la production peut générer une économie de de 30 milliards de dollars .

Avec une détection précise des anomalies au bon moment, vos investissements technologiques peuvent être transformés en une puissance infinie

Inscrivez-vous à un essai gratuit ici pour découvrir le pouvoir de l'apprentissage automatique des machines pour détecter et prévoir des anomalies à partir de vos données chronologiques.

Source link