Pourquoi l’IA ne peut toujours pas remplacer les analystes : un exemple de maintenance prédictive

Des modèles d’IA comme GPT-4, Claude 3et Gémeaux peut traiter et résumer de grands volumes de données non structurées, générer des prévisions et tirer des conclusions analytiques. L’IA générative est modélisation les protéines, optimisation la logistique, et prédire le comportement des consommateurs. Selon Pour McKinsey, son potentiel économique pourrait atteindre jusqu’à 4 400 milliards de dollars par an.

Malgré ses réalisations impressionnantes, l’IA reste largement limité dans certains domaines de l’analyse. Il ne peut toujours pas faire à long terme prévisions économiques et a du mal à prédire les changements soudains du marché. L’analyse des données des équipements industriels est l’un des domaines dans lesquels l’IA reste encore à la traîne.

Je travaille dans le domaine de l’analyse industrielle depuis plus de 10 ans et j’ai été témoin de la façon dont ce secteur a subi des transformations et a évolué grâce à l’introduction de nouvelles technologies. Aujourd’hui, l’intelligence artificielle est capable de détecter le moindre signe de dysfonctionnement. Mais j’en suis convaincu : l’IA ne peut toujours pas fonctionner de manière indépendante. En maintenance prédictive, le rôle de l’analyste humain reste crucial.

Comment l’IA est impliquée dans la maintenance prédictive

La maintenance prédictive prévoit les pannes d’équipement en exploitant les données historiques et en temps réel des capteurs IIoT, ainsi que l’apprentissage automatique et l’intelligence artificielle.

Température, vibration, charge et pression : les algorithmes d’IA sont formés sur tous ces indicateurs de performance des équipements. Ils analysent les flux de données en temps réel et détectent les modèles qui ont précédé les pannes passées. Les systèmes d’IA peuvent capturer le moindre écart par rapport aux conditions de fonctionnement normales qui passerait inaperçu pour les humains. Cela peut se produire lorsqu’un défaut commence tout juste à apparaître.

Les systèmes PdM modernes analysent non seulement les causes qui ont conduit à une panne, mais suggèrent également des actions préventives que l’équipe de maintenance peut prendre, par exemple réduire la charge sur l’équipement, remplacer une pièce ou changer le lubrifiant. De cette manière, les problèmes sont résolus avant qu’ils ne dégénèrent en accidents coûteux. Parmi les entreprises qui ont mis en œuvre la maintenance prédictive dans leurs opérations, Rapport à 95 % des avantages financiers, et 27 % ont vu un retour sur investissement en moins d’un an.

Cependant, les systèmes d’IA manque encore une autonomie totale et les ingénieurs-analystes restent un élément essentiel des flux de travail de maintenance prédictive. Il y a trois raisons principales pour lesquelles l’IA, pour l’instant, ne peut pas remplacer complètement l’expertise humaine :

1. Manque de données de formation
   Nous savons tous que les modèles d’IA nécessitent de grandes quantités de données historiques (et de haute qualité !) pour la formation. Dans le cas des équipements industriels, la situation devient plus complexe : même selon des estimations modestes, il peut y avoir des millions de cas de défauts. Cependant, lorsque nous avons besoin de données dans lesquelles le type d’équipement, le stade de développement du défaut, les conditions de fonctionnement et d’autres paramètres correspondent tous de manière pertinente à une situation spécifique, il s’avère que ces données sont rares. Si l’équipement est nouveau ou rare, les données historiques sur les pannes peuvent être totalement absentes. Dans de tels cas, c’est l’expertise de l’ingénieur qui permet de prendre des décisions éclairées.
2. L’IA manque de conscience contextuelle
   Pendant que nous sommes occupés à compter combien nous avons économisé sur les offres du Black Friday, profitant du fait que nous avons acheté tout ce dont nous avions besoin (et certaines choses dont nous n’avions pas besoin), dans les centres de distribution, tout ne fait que commencer. Les lignes de convoyage fonctionnent à pleine capacité, et s’il y avait même un défaut mineur dans l’un des roulements, sa dégradation s’accélérerait. Résultat : une panne soudaine, un arrêt de ligne et des plaintes de clients dont les commandes prennent du retard. Augmentation de la charge d’équipement pendant les périodes de pointe comme le Black Friday – c’est le contexte. Et l’IA pourrait ne pas en tenir compte. Un système d’IA suit les tendances et réagit aux changements de comportement des équipements, mais il ne peut pas toujours lier ces changements au pourquoi et à la manière dont les conditions de fonctionnement évoluent. Cela complique les diagnostics précis et l’identification de la cause première d’une panne. Pour obtenir des conclusions plus fiables, il faut des données couvrant un large éventail de scénarios – et il peut y en avoir des centaines.
3. Problèmes de qualité des données
   Les technologies IIoT transforment radicalement l’approche de la maintenance, mais la qualité de leurs performances dépend directement de la qualité des données transmises par les capteurs. Et ici, même l’algorithme le plus avancé peut échouer. Les données de production peuvent être bruitées, incomplètes ou déformées. Pourquoi cela arrive-t-il ? Par exemple, les capteurs de vibrations peuvent capturer des oscillations parasites transmises par des équipements voisins. Dans ce cas, l’IA peut les interpréter comme le signe d’un dysfonctionnement et émettre une fausse alerte. Si cela n’est pas évalué par un humain sachant que la puissance de la machine voisine a augmenté, l’équipe de maintenance perdra, au mieux, du temps en vérifications inutiles. La conséquence à long terme de tels incidents est que l’équipe peut perdre confiance dans le système et commencer à ignorer les alertes. Les données du capteur peuvent également être perdues en raison d’une défaillance technique de la connexion ou parce que la batterie d’un capteur sans fil est épuisée. Un capteur mal installé ou mal calibré produira également de fausses lectures. Un ingénieur-analyste peut interpréter ces données dans le contexte d’un processus de production spécifique et distinguer un dysfonctionnement réel d’une erreur de mesure.

De quelle quantité de données l’IA a-t-elle besoin ?

Les systèmes avancés de maintenance prédictive, en fonction du nombre de capteurs IIoT avec lesquels ils fonctionnent, peuvent collecter des milliards de mesures de performances des équipements chaque jour. Les algorithmes analysent ces données à la recherche de modèles et filtrent ceux qui pourraient indiquer un défaut. Il ne s’agit toutefois que d’un diagnostic préliminaire : il doit encore être vérifié par des analystes expérimentés.

Alors pourquoi l’IA ne peut-elle pas encore garantir une précision de diagnostic à 100 % ? Prenons les roulements comme exemple.

Les roulements sont présents dans presque tous les équipements industriels, des moteurs aux convoyeurs, et représentent environ 40% de pannes d’équipements. Leur état est évalué grâce aux données de vibration capturées par les capteurs IIoT. Ces capteurs transmettent un signal au système PdM – essentiellement un enregistrement audio du bourdonnement mécanique. À l’aide d’un algorithme mathématique appelé transformation de Fourier rapide, ce signal est converti du domaine temporel au domaine fréquentiel. Un réseau neuronal, suivi par un ingénieur humain, analyse ensuite les données de vibration dans les domaines temporel et fréquentiel pour évaluer l’état du roulement.

Ce qui suit sont des calculs extrêmement approximatifs destinés à illustrer l’ampleur du défi auquel sont confrontés les développeurs d’IA.

Basons notre modèle sur les composantes du signal vibratoire mesurées selon trois axes : X, Y et Z. Chaque mesure comprend 10 000 points dans le spectre de fréquence (un exemple typique). Ainsi, le vecteur d’entrée du réseau neuronal contient 30 000 nombres (10 000 valeurs spectrales pour chacun des trois axes).

Pour les tâches avec un grand nombre de paramètres d’entrée, le nombre minimum d’exemples de formation doit être de 10 à 50 fois la dimensionnalité du vecteur d’entrée. Cela permet d’éviter le surajustement et garantit la robustesse au bruit. Cependant, cette estimation ne prend pas en compte le contexte opérationnel du roulement ou d’autres facteurs importants qui affectent la quantité de données nécessaires à l’entraînement du modèle.

Dans le tableau, je liste ces facteurs avec des valeurs approximatives pour illustrer le nombre de cas dont le réseau neuronal pourrait avoir besoin pour reconnaître et classer avec précision les défauts des roulements.

Seule une petite partie des données reçues quotidiennement par le système PdM indique des problèmes potentiels, et tous les signaux d’avertissement ne sont pas liés aux vibrations. Même les mesures de vibrations « problématiques » indiquent généralement les premiers stades d’un défaut plutôt que son développement complet, puisque le système PdM est conçu précisément pour avertir de la progression du défaut.

Par conséquent, les réseaux de neurones manquent objectivement de données suffisantes pour tous les types de défauts, à tous les stades de développement, dans tous les contextes et à tous les niveaux. Même si le réseau peut détecter des modèles indiquant un roulement défectueux, il ne peut pas toujours fournir un diagnostic exact ni donner des recommandations précises à l’équipe de maintenance. C’est pourquoi les ingénieurs et analystes des données vibratoires restent essentiels aux flux de travail de maintenance prédictive.

Développement futur de la maintenance prédictive

Les meilleurs résultats en matière de PdM aujourd’hui proviennent de l’approche Human in the Loop (HITL) : les algorithmes traitent des milliards de signaux, tandis que les experts ajoutent du contexte, filtrent les fausses alarmes et entraînent des modèles sur des cas réels en étiquetant correctement les données. La vitesse des machines, combinée à l’expérience des experts, permet à la fois de faire évoluer l’analyse et d’améliorer simultanément la précision des décisions.

Cependant, les données sont générées si rapidement que je n’exclus pas la mise en place de systèmes d’IA entièrement autonomes en maintenance prédictive dans les années à venir. La prochaine étape du développement global de l’analyse prédictive est Analyse prescriptivequi non seulement prédit les événements futurs, mais résout également automatiquement les problèmes. Il y a déjà services qui prévoient les besoins en pièces de rechange et passent automatiquement des commandes ou rediriger la production charges vers d’autres lignes pour éviter les temps d’arrêt. Il ne fait aucun doute que l’avenir promet une automatisation encore plus grande des processus de maintenance des équipements.