Une méthodologie de profilage d’utilisation des actifs pour la prédiction proactive de la maintenance

Lorsque vous analysez des données de capteurs, vous êtes généralement confronté à divers défis relatifs à la qualité des données. Dans cet article, nous allons vous montrer comment relever ces défis et comment nous dérivons des connaissances initiales à partir de données nettoyées grâce à des techniques d’exploration telles que le clustering.   

De nos jours, et en particulier avec l’avènement de l’Internet des objets (IoT), de grandes quantités de données sont collectées à partir de capteurs. Les petits capteurs s'installent aisément, par exemple sur des véhicules industriels multifonctions, afin de mesurer un large éventail de paramètres. Les données collectées peuvent servir à de nombreuses fins, par exemple pour prédire la maintenance des systèmes. Toutefois, lors de leur analyse, vous êtes généralement confronté à divers défis relatifs à la qualité des données, p. ex. des valeurs non réalistes ou manquantes, des aberrations, des corrélations et d’autres obstacles typiques et atypiques. Cet article entend vous montrer comment relever ces défis et comment nous dérivons des connaissances initiales à partir de données nettoyées grâce à des techniques d’exploration telles que le clustering.  

Dans le cadre du projet MANTIS, Sirris met au point une méthodologie générale qui peut être utilisée pour l’exploration de données de capteurs provenant de toute une flotte d’actifs industriels. Le principal objectif de cette méthodologie consiste à profiler l’utilisation des actifs, c.-à-d. à définir des groupes d’utilisation distincts qui partagent des caractéristiques communes. Ce profilage peut aider des experts à identifier des problèmes potentiels, qui ne sont pas observables visuellement, en comparant les profils résultants au comportement attendu des actifs et lorsque des anomalies sont détectées.  

Dans cet article, nous décrivons la méthodologie de profilage d’utilisation des actifs pour la prédiction proactive de la maintenance. Les données employées dans cet article sont confidentielles et ont été rendues anonymes. Nous ne pouvons donc pas les décrire de façon détaillée. Elles consistent principalement en des durées et des consommations de ressources, ainsi qu’une plage de paramètres mesurés par l’intermédiaire de différents capteurs. Pour notre analyse, nous avons employé Jupyter Notebook avec des bibliothèques pertinentes telles que pandas, scipy et scikit-learn. 

Voulez-vous recevoir l’article intégral (en anglais) dans votre boîte e-mail ? Inscrivez-vous ici !

Subscribe to our mailing list and receive our pdf in your mailbox

* indicates required
 

 (picture above © iconimage - stock.adobe.com)