Gains :
- Sait quelles données indiquent un dysfonctionnement
- Peut faire des prédictions avec une simple surveillance des seuils
- Distingue ce que l'IA peut et ne peut pas faire ici
La plupart des dysfonctionnements ne surviennent pas soudainement ; donne un signal au préalable. L'augmentation des vibrations, l'augmentation de la température, la modification de la consommation de courant et la modification du caractère sonore sont les précurseurs les plus courants.
Données à suivre
- Courant moteur : un courant croissant peut indiquer un blocage ou un grippage des roulements.
- Température des roulements : manque de lubrification ou mauvais alignement.
- Vibration : déséquilibre, usure, desserrage.
- Différence de pression d’aspiration : colmatage du filtre.
- Efficacité de production : une diminution de l’efficacité avec le même réglage est un indicateur indirect d’usure.
Le rôle de l'intelligence artificielle
L'intelligence artificielle suit l'évolution de ces données avec plus de patience qu'un humain : la détection de « le courant moteur du rouleau C2 a progressivement augmenté au cours des trois dernières semaines » rend visible une tendance qui aurait pu être négligée.
Or, l’intelligence artificielle ne voit pas le dysfonctionnement, elle voit les données. S’il n’y a pas de capteur et qu’aucune donnée n’est enregistrée, il n’y a pas de prédiction. La condition préalable à la maintenance prédictive est la mesure ; le logiciel est la deuxième étape.
La phrase « L'IA prédit l'échec » n'est vraie que s'il existe des données. Mesurez d’abord, modélisez ensuite. Construire un modèle sans mesurer signifie tirer des conclusions à partir d’informations inexistantes.