Booster les performances de vos systèmes avec un niveau de confiance élevé

This activity has received funding from the European Institute of Innovation and Technology (EIT).
This body of the European Union receives support from the European Union’s Horizon 2020 research and innovation programme.

Quand la maintenance prévisionnelle est une source d’économie en énergie, personnels et coûts de maintenance 

Les systèmes complexes doivent assurer des performances toujours plus élevées, que ce soit des performances fonctionnelles, de Safety, de Security, environnementales ou autres.

Le Big Data et la technologie IA peuvent suivre et collecter en temps réel des quantités d’informations toujours plus importantes grâce à des capteurs, dispositifs de détection, caméras, enregistreurs, etc…

Avec une approche intégrée basée sur la modélisation et sur les données, on est capable d’actualiser des modèles prédictifs avec des données réelles, et donc de prédire le comportement futur d’un système avec un niveau de confiance toujours plus élevé.

Les enjeux de maintenance, et plus précisément ceux de détection ou de diagnostic et réparation, ont été adressés depuis des décennies à travers d’autres techniques ou technologies que les Data Science.

Les plus connues sont les suivantes:

  • Détection et diagnostic des pannes grâce à des catalogues de défaillances, logbooks ou manuels de réparation
  • Détection et diagnostic des pannes grâce à des arbres de diagnostic ou de décision
  • Détection et diagnostic des pannes avec des bancs de simulation basés sur des modèles comportementaux

La Data Science a maintenant attiré l’attention sur la performance de ses algorithmes susceptibles d’identifier et qualifier les défaillances d’un système. Les algorithmes statistiques puissants qui traitent de manière massive les mesures et les données collectées au fil de l’eau dans l’environnement d’un système ou équipement sous surveillance, appliquent des approches de corrélation et de clusterisaton à des séries temporelles multi dimensionnelles issues d’observations prélevées dans son environnement intime. Ces mêmes algorithmes sont également capables d’anticiper l’apparition des défaillances, et de calculer l’espérance mathématique du temps d’usage restant avant défaillance, c’est-à-dire la RUL (Remaining Usage Life).

SYS.BOOSTER est une solution basée sur les données, à déployer sur le terrain, afin d’augmenter la disponibilité et la rentabilité d’un système, tout en réduisant les temps d’indisponibilité, ainsi que les coûts de maintenance.

SYS.BOOSTER peut être également considérée comme une solution clé en main, susceptible de résoudre les problématiques de rentabilité et profitabilité sur des systèmes critiques.

La proposition de valeur de SYS.BOOSTER consiste à traiter l’ensemble des données issues du terrain et prélevées autour d’un dispositif technologique ou d’un équipement, de manière à:

  • Pouvoir explorer l’univers des données existantes ainsi que de nouvelles données collectées grâce à des senseurs, capteurs ou “IoTs”
  • En extraire du sens et de la connaissance, grâce à des algorithmes puissants issus de l’IA
  • Démontrer la signification et la compréhension phénoménologique  des résultats de traitement de la clusterisation
  • Analyser et interpréter l’analyse des dérives fonctionnelles grâce à des experts séniors  de Fiabilité, Maintenabilité, Disponibilité et Sécurité
  • Assurer des procédures PASSI pour protéger les données
  • Offrir un Business Model de type SaaS

APSYS s’est positionné depuis des décennies autour d’activités de consulting, services et fourniture de progiciels afin:

  • d’améliorer la performance de systèmes et produits technico organisationnels, qu’il s’agisse de la Fiabilité, de la Disponibilité, de la Maintenabilité, de la Sécurité, mais aussi de la Testabilité, Diagnosticabilité, Intégrité…
  • d’optimiser le soutien logistique intégré, d’améliorer le processus de maintenance, en termes de rentabilité des tâches de maintenance, que ce soit au niveau du déploiement des outils, du processus de traitement des informations, et des choix organisationnels et des allocations de ressources (rechanges, personnels, équipements de test et de soutien…)

SYS.BOOSTER constitue donc une nouvelle offre méthodologique ainsi qu’une boîte à outils supportée par la technologie la plus avancée en matière d’outils  de data science issus de l’INRIA et fournissant de nouvelles possibilités encore plus efficaces d’identification, de qualification et diagnostic de défaillances.

En effet, ces nouvelles techniques de Data Science ont rendu obsolètes la plupart des méthodes de diagnostic “historiques” telles que les catalogues de défaillances, les arbres de décision et de diagnostic, ou les outils basés sur la modélisation et la simulation comportementale.

Depuis 5 ans, se multiplient les outils dits d’ IA supportant les techniques algorithmiques de Machine Learning ou Deep Learning constituant des réponses à des utilisateurs ou opérateurs de systèmes qui désirent en améliorer les performances.

SYS.BOOSTER répond finalement aux questions suivantes:

  • Comment transformer une approche empirique de collecte de retour d’expérience en une démarche méthodologique générique et systématique ? Il ne suffit pas de multiplier les “Proof Of Concept”, mais il s’agit de mettre en oeuvre un processus vertueux de systématisation de collecte de données avec l’enrichissement au fil de l’eau d’une bibliothèque de modèles prédictifs.
  • Comment capitaliser de la connaissance issue de ces outils statistiques et les enrichir au fur et à mesure  dans un outil de modélisation comportementale où elle est croisée avec une ontologie de comportement physique, qu’elle soit fonctionnelle ou dysfonctionnelle, ce qui permet de donner plus de sens aux interprétations des résultats obtenus.
  • Comment relier les théories prédictives issues du référentiel de connaissances de la Sûreté de Fonctionnement avec ces approches qualitatives de clusterisation multi dimensionnelles qui sont a priori agnostiques du point de vue de l’interprétation physique?

Chiffres clés

améliorer la disponibilité de 95% à 99,8%

baisser les temps de disponibilité de 4h à 1h

accroître le taux d’isolation de 70% à 99%

améliorer le taux de couverture de 98% à 99,99%

réduire les coûts de maintenance de 35% à 20%

ARBARETIER Emmanuel
emmanuel.arbaretier@apsys-aibus.com

KACZMAREK Michel
michel.kaczmarek@apsys-airbus.com