- Speaker #0
Voice of Industry
- Speaker #1
Bonjour Bilal, bienvenue sur Voice of Industries. Je suis ravi de te recevoir aujourd'hui pour parler de l'application de l'IA à la maintenance prédictive. D'ailleurs, ce podcast fait partie d'une série de plusieurs podcasts qu'on va faire avec les équipes de ProBias sur le sujet de l'application de l'IA à l'industrie. Pour commencer, est-ce que tu peux te présenter et nous en dire un peu plus sur ton activité chez ProBias ?
- Speaker #0
Bonjour Mathieu, merci pour l'invitation. et ravi de contribuer à ce podcast. Je suis data scientist à ProBias il y a bientôt huit ans et je contribue sur toutes les phases du cycle d'un projet data science. Ça peut aller du cadrage du besoin, développement de la solution, gestion des équipes et le déploiement des solutions d'IA chez le client. Je suis plus spécialisé sur des sujets en industrie et en particulier sur les séries temporelles.
- Speaker #1
Pour aller un peu plus en détail, Billa, est-ce que tu peux nous en dire un peu plus sur ce que c'est que la maintenance prédictive ? Et en particulier, comment ça s'intègre avec les autres notions de maintenance, maintenance curative, préventive, conditionnelle ? Oui,
- Speaker #0
alors on parle de la maintenance prédictive lorsqu'il y a une prédiction dans une ligne de production des anormalités. Et donc ces anormalités peuvent être soit des pannes, des arrêts brusques de machines ou bien des dégradations de qualité. Donc là, on parle de la prévention. plutôt de subir. Et contrairement à la maintenance préventive où les interventions des opérateurs sont déjà prédéfinies, donc programmées, la maintenance prédictive, elle vient en complément de cette maintenance préventive pour prédire en avance les pannes. Et donc, contrairement à la maintenance conditionnelle, la maintenance prédictive, elle vient élargir le champ de surveillance des machines. Donc, par défaut, l'opérateur, il n'a pas le temps. temps à surveiller tous ces équipements. Et la maintenance prédictive, grâce à la digitalisation, à la puissance de calcul et à l'intelligence artificielle, on peut couvrir un large champ d'équipements dans la ligne de production. Et du coup, ça peut paraître comme un champ d'aide à la décision pour la maintenance préventive et d'alerter au plus vite et en temps réel sur des possibles anormalités dans une usine.
- Speaker #1
Ce qui veut dire aussi que potentiellement, ça peut améliorer fortement, on va dire, au-delà de la performance et la disponibilité des équipements, mais également les coûts de maintenance. Parce que j'imagine quand on fait de la maintenance préventive avec un calendrier prédéfini, des fois, on remplace des pièces alors qu'il n'y a pas besoin. Et peut-être que cette maintenance prédictive permet de faire les interventions au bon moment et pas forcément à une fréquence qui peut être trop importante.
- Speaker #0
Oui, on est bien d'accord, la maintenance prédictive. permet, grâce à l'intelligence artificielle et la puissance de calcul, de bien cibler les zones où il y a potentiellement des problèmes et donc aider à mieux programmer les maintenances préventives. Et du coup, grâce à ce pouvoir préventif, on peut mieux programmer les interventions et au final, ça permet de réduire les temps des arrêts des machines, réduire les coûts derrière. et du coup, au final, d'améliorer le rendement de l'usine.
- Speaker #1
Alors, on a parlé de cette maintenance prédictive. Maintenant, si on parle d'IA, qu'est-ce que l'IA vient apporter à cette maintenance prédictive ? Qu'est-ce que ça apporte de nouveau par rapport à ce qui se faisait avant ?
- Speaker #0
Alors, c'est vrai, l'intelligence artificielle, c'est le cœur dans des systèmes de maintenance prédictive. Et ce qu'il faut savoir, c'est qu'elle prend source de... Les deux composants principaux sont les données, donc les données qui sont enregistrées dans un système d'information. Ça peut être des données qui sont mesurées par des capteurs de vibrations, des capteurs de mesures physico-chimiques du procédé ou bien des caméras par exemple. Et l'intelligence artificielle, grâce au modèle d'apprentissage automatique, Elle vient prendre source de ce signal qui est stocké dans les données, donc de cette intelligence métier qui est stockée dans ce système d'information pour modéliser le lien entre les données des capteurs, donc du procédé et des événements d'anormalité. Et donc grâce à cet apprentissage du passé et du savoir-faire qui est stocké dans les données, le modèle, une fois entraîné, on peut l'utiliser à posteriori et en temps réel pour alerter sur... des événements qui ont été vus et similaires à ce qui se passe en temps réel. Et du coup, pour lever des alertes pertinentes aux opérateurs.
- Speaker #1
Est ce qu'on peut aller un peu plus en détail sur techniquement comment ça fonctionne ? Parce que. De ce qu'on voit chez les industriels, des fois on a de la donnée, comme tu dis, de capteurs, etc. Par contre, on n'a pas forcément quelque chose de très précis sur les incidents, les problèmes qu'il y a pu y avoir sur les équipements. Donc on n'a pas forcément quelque chose de très détaillé pour apprendre. Dans certains cas, par contre, ils ont de la matière pour ça. Comment ça se passe dans ces différentes situations concrètement ?
- Speaker #0
En fait, ça dépend des cas d'usage. Comme je viens de le dire, il y a... Plusieurs domaines d'application, si on prend l'exemple de détection de pannes, on peut partir sur une grande famille de techniques d'intelligence artificielle qui est l'apprentissage par exemple. C'est-à-dire qu'on a dans notre historique une base d'exemples d'intervention pour des maintenances correctives surtout, et du coup le modèle à travers les données capteurs qui eux mesurent les conditions physico-chimiques du procédé par exemple. Et il vient d'apprendre de ces exemples le lien, en tout cas multivarié, entre ces entrées et les événements d'intervention au passé pour que dans le futur et en temps réel, on déclenche une alerte lorsque ça ressemble à une chose qui a été vue par le modèle dans le passé. Et aussi, une deuxième partie, une deuxième famille d'apprentissage, c'est plutôt une approche plus généraliste. Et c'est dans le cas où, sur certains cas d'usage, on n'a pas des exemples d'apprentissage. Et du coup, on essaie d'apprendre un modèle, de modéliser la normalité dans un procédé, et donc de l'utiliser a posteriori comme un modèle de détection d'événements rares, d'anomalies, et donc sans forcément avoir besoin d'exemples bien annotés dans le passé.
- Speaker #1
D'accord, j'imagine qu'il y a quand même pas mal de cas qui tombent dans cette dernière catégorie. parce qu'il n'y a pas forcément tous les historiques sur les événements et ce n'est pas forcément parfaitement tracé chez l'industrie.
- Speaker #0
Bien sûr, la majorité des cas, comme tu le dis, c'est où on n'a pas des exemples. Mais ce genre de technique, il permet de pallier à ce problème-là. Donc, on voit aussi des techniques d'intelligence artificielle qu'on appelle auto-apprentissage. C'est-à-dire, à travers les réseaux des modèles, on essaye d'apprendre le modèle sur une tâche prétexte. Donc, ce n'est pas la tâche finale, par exemple. pour détection de dégradation de qualité par exemple, on lui apprend sur une tâche similaire à cette tâche finale. Le modèle, il arrive à encoder cette normalité dans les données et donc de l'utiliser, d'utiliser cet encodage pour sa tâche finale qui est la maintenance prédictive, donc détection de panne, d'anormalité, etc.
- Speaker #1
Et si je comprends bien, c'est des approches type par exemple auto encodeur ? On l'avait présenté d'ailleurs avec vous lors d'un webinaire avec Vincent sur l'application des auto-encodeurs sur la maintenance prédictive.
- Speaker #0
Oui, c'est exactement ça. Donc, ça prend source des modèles auto-encodeurs, ce qu'on appelle des modèles auto-d'apprentissage ou semi-supervisés.
- Speaker #1
Si on parle de ce domaine que tu viens de nous décrire avec différentes possibilités, Est-ce qu'il y a aujourd'hui des évolutions, des nouveautés qu'on peut observer liées aux avancées des recherches en mathématiques derrière ces approches de data science ?
- Speaker #0
Ce qu'il faut savoir pour le domaine de l'industrie et la maintenance prédictive, c'est que c'est très particulier et encore plus compliqué. On vient de le dire tout à l'heure, c'est qu'il y a un manque de données. Et le panel d'application, il y a des cas d'usage en vision, en traitement de langage naturel, mais surtout... les données qu'on capte dans une ligne de production, ce sont des séries temporelles. Donc on a majoritairement recours à des modèles qui se basent sur des séries temporelles et contrairement au domaine de vision ou de natural language processing, où on utilise des modèles génératifs de type chat GPT, etc. Le domaine de séries temporelles avance moins rapidement que les autres domaines au besoin.
- Speaker #1
Donc on a beaucoup de charges dans ce domaine que sur les séries temporelles. Dans les larges langues wedge-modèle.
- Speaker #0
C'est ça, mais surtout en fait que ce domaine-là, il avance très très rapidement. Mais il y a des avancées aussi sur les domaines de séries temporelles. Donc il y a des modèles de séries temporelles qui se basent sur des architectures génératives de type transformer à l'achat de GBT et qui promettent des bons performances sans exemple d'apprentissage ou peu d'exemple d'apprentissage. Donc on peut appliquer le modèle directement sur les séries temporelles de... de l'usine et en tout cas ça promet des bonnes performances.
- Speaker #1
Donc on peut avoir des évolutions intéressantes dans ce domaine grâce à l'IA générative.
- Speaker #0
Exactement, donc ça prend source des idées de l'IA générative appliquées au domaine des séries temporelles qu'on voit plus souvent dans les données dans une industrie.
- Speaker #1
Très intéressant. Maintenant qu'on a fait un peu le tour de la théorie, pour jouer un peu dans la pratique, est-ce que tu peux nous parler de quelques cas d'usage que vous avez déjà traités dans ce domaine de la maintenance prédictive ?
- Speaker #0
Oui, bien sûr. Parmi les cas d'usage qu'on a industrialisés avec succès chez le client, il y a un cas d'usage dans le domaine nucléaire. Et le but, c'était la maintenance prédictive en détectant des pannes sur des équipements critiques. Et donc, l'enjeu ici, c'était de un, un enjeu sanitaire, parce que dans un domaine nucléaire, s'il y a un arrêt, il y a tout un processus pour faire l'intervention. Et aussi, il y a un grand risque d'arrêter tout le procédé au cas où il y a des problèmes inattendus. Donc, l'objectif ici, c'est... c'était de détecter au plus vite et en avance les pinces sur ces équipements-là. Et donc, en particulier, on parlait des données tout à l'heure. Donc là, on avait un ensemble de mesures qui sont collectées sur des capteurs, donc des mesures physiques du capteur. Et on avait aussi les moments dans le passé où il y avait des interventions pour des maintenances correctives des opérateurs. Et on avait... peu et du coup l'idée c'était de modéliser le lien entre ces deux sources de données à travers des modèles d'apprentissage automatique et ensuite de les déployer en temps réel et d'avoir chaque jour la prédiction du modèle pour alerter l'opérateur à bien cibler le ou les équipements où il y a possiblement un problème selon la prédiction du modèle.
- Speaker #1
Juste pour être précis quand tu parles de on prédit... modèle faisait une prédiction en gros ça sort quoi se sort un indicateur d'état d'état on va dire général de l'équipement pour dire il est à 99%
- Speaker #0
en bon état ou que concrètement qu'est ce que ça sort comme type d'information concrètement c'est un score de probabilité que l'équipement il sera en défaillance dont elle est x jours suivants d'accord donc c'est une probabilité de défaillance sur un horizon de temps déterminé Exactement. Donc ce qu'on peut voir, ce n'est pas un modèle de prendre la décision s'il y aura vraiment une pinte ou non. Il donne un score de probabilité et selon un C qu'on a prédéfini avec l'opérateur, donc c'est à lui de prendre la décision, est-ce que oui ou non, cette alerte est pertinente. Et donc ce qu'on avait vu sur la phase d'industrialisation, c'est que le modèle avait une pinte. pertinence de 70% donc on détectait 70% des cas sur la phase de test et avec une précision de 75% à peu près.
- Speaker #1
Précision ça veut dire le côté faux positif c'est ça ?
- Speaker #0
Exactement, ça veut dire que le modèle 25% du temps il peut être en tort et du coup on parle ici que c'est un système d'aide à la décision, il faut toujours le surveiller avec l'opérateur.
- Speaker #1
C'est ce que les gens oublient souvent sur ces modèles de maintenance prédictive, c'est que d'un côté, il ne faut pas rater des pannes, donc il faut être fiable dans la prédiction des pannes et ne pas passer à côté, mais il ne faut pas non plus prédire des pannes qui n'arriveront pas et avoir des faux positifs qui vont désorganiser.
- Speaker #0
Exactement, donc il faut faire un équilibre entre la couverture des pannes et le fait de faire des pannes bien précises et de faire moins d'erreurs.
- Speaker #1
Merci, est-ce que tu as d'autres exemples à nous partager ?
- Speaker #0
Il y a aussi un autre cas d'usage qu'on a pu aussi industrialiser, mais là c'était plutôt dans le domaine du gaz et du pétrole. Et donc l'objectif c'était de développer une solution de surveillance du vieillissement des huiles dans des équipements, donc ça peut être des équipements thermiques ou bien des réducteurs dans des machines en industrie.
- Speaker #1
C'est pareil. En mécanique en fait, oui.
- Speaker #0
Voilà, exactement, là où il y a des lubrifiants à utiliser. Et donc il y a tout un système d'IoT, donc de capteurs qui sont placés dans ces moteurs thermiques ou électriques. Et l'idée, c'était d'avoir une solution qui donne un état de la qualité de l'huile en temps continu. Et donc, contrairement au premier cas d'usage que je viens d'écrire, on n'avait pas... Pour la cible, en tout cas, on avait moins d'exemples sur la qualité de l'huile parce que ce sont des mesures labo. Donc, par nature, on ne peut pas les calculer en continu. Et donc, le challenge pour ce cas d'usage, c'était de ne servir que des données des capteurs pour résumer la qualité de l'huile en continu. Donc, on avait eu recours à des modèles autosupervisés dont on parlait tout à l'heure. Et donc l'idée c'était d'entraîner le modèle sur une tâche prétexte. Donc je ne vais pas rentrer dans le détail mais l'idée c'est de prédire le signal dans le futur, le signal des capteurs en lui-même. et ça donne une idée au modèle sur la dégradation en continu dans le futur de la qualité de l'huile.
- Speaker #1
Ce que tu viens de dire par là, c'est que tu fais une prédiction et tu compares au réel pour dire l'écart, ça correspond à la dégradation en fait.
- Speaker #0
C'est exactement ça. Donc là on voit bien qu'on n'a pas des mesures laboratoires qui prouvent la qualité de l'huile, mais on demande au modèle de prédire le signal futur et de comparer avec le réel. Et s'il y a un écart, ça veut dire qu'il y a une dégradation de la qualité de l'huile. Et du coup, on s'en sert de cet encodage de ce premier modèle pour le réentraîner sur la vraie utilisation qui est le vieillissement d'huile. Et donc là, on a peu d'exemples à travers les mesures labo. Donc, on s'en sert de cet encodage pour cette tâche finale. Et puis, ce modèle-là, il peut être déployé par équipement. pour répondre à ce besoin.
- Speaker #1
Merci pour ces cas d'usage très précis. Dans les deux cas, j'imagine que les exploitants étaient satisfaits des résultats et que ça a apporté de la fiabilité aux industriels qui ont fait appel à vous ?
- Speaker #0
Oui, bien sûr. Pour ces deux cas d'usage, on a eu une phase de test. Il y avait des manques de performance et ils ont été déployés. Le deuxième cas, c'était les équipes du client qui ont déployé la solution. dans les différents équipements.
- Speaker #1
Sur base de toutes ces expériences, quelles seraient tes préconisations pour un industriel qui souhaite mettre en place de la maintenance prédictive ?
- Speaker #0
Alors, en tant que data scientist, on est très, très dépendant des données. Donc, c'est bien pour un industriel d'avoir un système d'information centralisé et que l'accès aux données soit facile par les data scientists ou autres. Mais le plus important, c'est que ces données-là doivent être auditées. Et donc, ce que je veux dire par ça, c'est que les données doivent être de bonne qualité. La jointure entre les différentes sources doit être déjà testée et contrôlée. Et surtout, les données doivent être documentées.
- Speaker #1
Pour savoir de quoi on parle.
- Speaker #0
Exactement. Ça facilite la tâche pour les data scientists au cours du projet.
- Speaker #1
Ce qui nous tient à cœur, c'est la donnée contextualisée, si je résume.
- Speaker #0
Exactement. Et donc, comme je l'ai dit, ça doit être audité. Ça ne veut pas dire qu'on... On stocke des données, donc on peut l'utiliser à chaud dans des projets, mais ils doivent être passés par un système de contrôle de qualité.
- Speaker #1
Très bien. Est-ce que tu as encore deux ou trois recommandations pour ceux qui nous écoutent ?
- Speaker #0
Oui. Une autre préconisation, c'est lors du cadrage du cas d'usage avec le métier, il faut un peu aller à l'utilisation finale de ce produit-là, de se poser les bonnes questions. comment l'opérateur va utiliser ce modèle-là pour se poser les bonnes questions au bon moment, c'est-à-dire quelles sont les données qu'on va utiliser, comment on peut mesurer le ROI de la solution. Et ça nous permet, du coup, en tant que data scientist, de bien mesurer les performances du modèle, de savoir sur quelle métrique on peut mesurer les performances du modèle.
- Speaker #1
Pour que ça colle au candidat du client, au final.
- Speaker #0
Voilà.
- Speaker #1
Merci, Bilal, pour ta participation.
- Speaker #0
Merci, Mathieu, ravi de cet échange.
