Rationalisation de l'atelier avec l'analyse en mode défaillance

Tirer des leçons des échecs est un élément important de la progression dans toute industrie, tout travail ou tout projet. Ce n’est pas différent dans l’environnement de fabrication, où diverses pannes d’équipement peuvent fournir des informations opérationnelles inestimables pour rationaliser les opérations et améliorer la sécurité.

Les entreprises manufacturières qui gèrent des actifs peuvent disposer de nombreuses années de données collectées depuis leurs machines ou leurs équipements. Au cours des années de données, des notifications relatives aux défaillances impliquant des événements associés à l'actif sont enterrées (maintenance effectuée, affichages des codes d'erreur, réclamations clients, remplacements de pièces, ordres de travail, etc.). Malheureusement, ces informations précieuses sont souvent cachées dans des millions de lignes de texte – par exemple, dans du texte libre dans les notifications et les ordres de travail. Il est donc difficile, voire impossible, d’analyser combien de fois une défaillance particulière est survenue dans le passé ou s’il existe dans la flotte du matériel dont l’incident est peut-être plus fréquent que d’autres.

prolifération de données sur la performance des actifs, sans les outils appropriés en place, elle ne peut tirer aucune valeur ni améliorer les opérations commerciales.

Pour commencer

L'analyse en mode défaillance est un système utilisé pour aider les entreprises à tirer profit des données de notification existantes, qui étaient auparavant pas possible. En outre, il peut analyser les textes de notification historiques et attribuer le mode de défaillance le plus probable en une fraction du temps nécessaire à une opération manuelle. Cette technologie permet aux experts de valider une analyse du mode de défaillance de haute qualité et d’alimenter les résultats dans le moteur d’apprentissage automatique. De cette façon, les connaissances passées peuvent éclairer les futurs modèles de nœud de défaillance. Le modèle résultant permet une approche de maintenance proactive qui évite les temps d'arrêt imprévus via le remplacement ou la maintenance en temps voulu des équipements proches de défaillances.

Fonctionnement

Les analyses en mode défaillance permettent de créer des connaissances exploitables à partir de données historiques en fournissant un mécanisme permettant à l'utilisateur construire un modèle d’apprentissage automatique pour l’analyse du mode de défaillance basé sur des données historiques L'utilisateur peut ensuite former le modèle, valider le modèle et attribuer une note au modèle afin de déterminer son efficacité.

Au cours d'une étape d'apprentissage non supervisé, le système forme un modèle de sujet (tel qu'un modèle nouvellement créé ou la mise à jour d'un modèle existant). pour l'analyse du mode de défaillance en fonction des données d'actif historiques. Il peut ensuite utiliser machine learning pour extraire des sujets des données historiques en fonction des informations textuelles contenues dans les notifications existantes et les faire correspondre à des modes de défaillance prédéfinis pour l'actif (modes de défaillance spécifiques à l'actif, par exemple). Ensuite, le modèle non supervisé pour l'analyse du mode de défaillance peut être stocké dans une base de données pour un accès continu.

En outre, une interface utilisateur simplifiée permet aux utilisateurs de valider le modèle non supervisé pour l'analyse du mode de défaillance et d'apporter des modifications, si nécessaire. Par exemple, un expert en la matière ou un ingénieur en fiabilité peut revérifier les correspondances d'apprentissage machine entre les sujets et les modes de défaillance prédéfinis, et réaffecter un sujet à un autre mode de défaillance. L'interface fournit également des informations sur chaque sujet, telles que l'identification des principaux mots-clés d'un sujet spécifique.

Au cours d'une deuxième étape, le système effectue un apprentissage supervisé sur le modèle validé, également appelé apprentissage d'ensemble. Au cours de cette étape, le système utilise le modèle pour prédire les modes de défaillance associés aux notifications, créer des mappages sur des données brutes et fournir des informations sur la qualité et l’efficacité du modèle au moyen de diverses mesures (modes de défaillance maximale, indicateurs de performance clés, etc.). Une fois que l'utilisateur a obtenu le résultat souhaité avec le modèle pendant l'apprentissage supervisé, le modèle de classification de texte peut être stocké et / ou fourni à un système, tel qu'une plate-forme de surveillance basée sur des conditions pour la surveillance des actifs.

mode analytics reçoit une notification et identifie le mode de défaillance auquel la notification appartient et attribue automatiquement le mode de défaillance le mieux adapté en conséquence. À l'aide de ces affectations, le système peut calculer des indicateurs tels que MTTF (délai moyen avant défaillance), MTTR (délai moyen de réparation) et MTBF (délai moyen entre les défaillances). En outre, cette technologie fournit à l'utilisateur final des informations supplémentaires sur les défaillances. Cela peut inclure la fréquence à laquelle le mode de défaillance est apparu dans les notifications pour le modèle d'équipement. Il indiquera si un mode de défaillance détecté est supérieur à la moyenne par rapport à tous les équipements de ce modèle.

Avantages commerciaux

Les analyses de mode de défaillance permettent aux entreprises de rechercher la cause fondamentale de divers dysfonctionnements et de remédier rapidement aux problèmes. En outre, une visibilité totale sur les performances des produits peut contribuer à éclairer les efforts de conception futurs, en créant au final des opérations plus homogènes en usine. Le fait de pouvoir localiser les pannes d'équipement aidera inévitablement les organisations à faire face aux revers potentiels, réduisant ainsi les risques de temps d'arrêt et les coûts élevés qui y sont associés.

Cet article a été initialement publié dans Engineering.com et est republié avec permission.