Contexte
Les compresseurs et autres machines tournantes sont généralement protégés par des seuils intégrés et par des rondes d'inspection périodiques. Ces deux dispositifs détectent souvent les problèmes tardivement. Un seuil ne se déclenche qu'une fois la dégradation suffisamment avancée pour faire sortir une mesure de sa plage admissible, et certaines dérives progressent sans jamais faire sortir aucune mesure de sa plage. L'autre voie possible, l'apprentissage à partir des pannes passées, se heurte à une difficulté pratique : les pannes sont rares, et lorsqu'elles surviennent, elles sont souvent consignées de façon approximative, voire pas du tout. De nombreux sites ne disposent d'aucun historique de panne exploitable.
Ce que nous avons validé
Nous avons construit un modèle de surveillance qui apprend les relations normales entre les signaux déjà produits par la machine. Chaque signal est estimé à partir des autres. Lorsque la machine s'écarte du comportement appris, les estimations cessent de correspondre aux mesures, et cet écart est condensé en un indicateur d'anomalie unique. Le modèle s'appuie sur une famille de techniques d'apprentissage automatique légères (reservoir computing) bien adaptées aux signaux temporels et au déploiement embarqué. La validation a été menée sur un jeu de données public couvrant plusieurs mois de fonctionnement continu et comportant plusieurs pannes réelles. Aucune information relative aux pannes n'a servi ni à l'apprentissage, ni au réglage du seuil d'alarme.
Ce que la validation montre
Le modèle a détecté l'ensemble des pannes présentes dans les données, dont une que le pressostat de la machine n'a jamais signalée, et il a donné l'alerte plus tôt sur une autre. Chaque signal étant estimé séparément, l'indicateur désigne également le signal dont le comportement s'écarte de la normale.
Cela pourrait s'appliquer à vos équipements
Si vous exploitez des compresseurs, des pompes ou d'autres machines tournantes surveillées principalement par des seuils et des rondes périodiques, cette approche mérite peut-être d'être étudiée. Elle convient particulièrement aux situations où les données de fonctionnement normal sont abondantes mais où les enregistrements de panne font défaut. Si vous disposez d'un historique de pannes fiable, celui-ci peut servir à affiner davantage le point de déclenchement de l'alarme. Une brève discussion suffit généralement à déterminer si votre cas se prête à cette approche.