Maintenance & Entreprise n°661

MAINTENANCE EN RÉGIONS

MAINTENANCE EN RÉGIONS rents événements issus de la flotte. Indépendante des types de systèmes surveillés et de leur niveau hiérarchique, cette architecture vise à devenir l’épine dorsale d’une stratégie efficace de maintenance proactive de flotte. Toujours dans un contexte de gestion et de maintenance d’une flotte de trains, la seconde thèse (LAMIH-Bombardier Transport) ciblait le développement de mécanismes efficaces de planification réactive des opérations de maintenance au niveau de la flotte. Un outil, exploitant une plate-forme multiagents, a permis de démontrer la pertinence de ce type d’approche pour satisfaire les exigences de disponibilité et de fiabilité de la flotte dans un environnement soumis à de fortes perturbations (panne au niveau des équipements du train, indisponibilité de certaines ressources pour la maintenance). Ce système multi-agents (SMA) a été intégré à un système d’aide à la décision dénommé «MainFleet» et des interfaces efficientes avec l’exploitant de la flotte ont été développées. D’autres travaux entrepris dans le cadre d’une troisième thèse (LAMIH-Prosyst) sont en cours et visent le développement de solutions numériques embarquées au service de différents acteurs (gestionnaire de flotte, agents de maintenance…). Ils portent notamment sur l’étude d’une coopération homme-machine efficiente permettant au train de communiquer son « état de santé » à un opérateur de maintenance afin de faciliter les interventions de maintenance in-situ. Dans ce cadre, des outils de réalité augmentée sont utilisés afin de guider l’opérateur (affichage d’aide au démontage d’un équipement, historique des interventions…). LES RETOMBÉES POUR LES PARTENAIRES Les retombées de SurferLab sont nombreuses et variées pour les différents partenaires fondateurs. Pour le LAMIH, ce partenariat permet de conforter et valider les approches scientifiques proposées en les appliquant sur des cas d’études issus des partenaires industriels. Pour ces derniers, cette coopération se traduit par un accroissement des connaissances et de l’état de l’art dans le domaine du diagnostic prédictif et des outils de l’intelligence artificielle. Le laboratoire a notamment permis à Prosyst de consolider son pôle ferroviaire et lui a apporté une plus grande visibilité auprès de la filière ferroviaire en France. Pour Bombardier Transport, le projet a permis un certain nombre de développements en embarqué (surveillance d’équipements), au sol (calcul d’indicateurs à partir de données brutes, suivi de l’état de santé d’une flotte) autorisant une meilleure gestion de la flotte. Les connaissances acquises ont également SurferLab est hébergé par le LAMIH. permis de renforcer le positionnement de Bombardier Transport sur de nouveaux appels d’offre, et d’apporter et proposer des améliorations en termes de maintenance et diagnostic sur les prochains produits. Le projet a donné lieu à un accroissement d’activités au niveau des partenaires industriels et a permis l’embauche d’un des deux doctorants à l’issue de sa thèse. LES PERSPECTIVES DE DÉVELOPPEMENT Le laboratoire SurferLab accompagne également les nombreuses évolutions que connaît le domaine du ferroviaire et notamment le développement de trains entièrement ou partiellement autonomes. Les prochains travaux viseront notamment le développement d’outils d’intelligence artificielle embarqués dans les voitures de façon à améliorer la surveillance et le diagnostic des équipements et à optimiser la gestion de la flotte. Les problèmes de cybersécurité des informations transmises entre les différents systèmes embarqués et débarqués seront également adressés. Ces nouveaux chantiers s’inscrivent pleinement dans les axes stratégiques du laboratoire et sont porteurs d’innovations majeures pour les prochaines générations de trains. ● Les sites Internet du laboratoires et partenaires : http://www.surferlab.fr www.prosyst.fr https://www.bombardier.com/fr/transport.html https://www.uphf.fr/LAMIH Yves Sallez 36 IMAINTENANCE & ENTREPRISE • N°661 • Mars - Avril - Mai 2021

MAINTENANCE EN RÉGIONS AVIS D’EXPERT L’intelligence artificielle dans l’industrie : science ou science-fiction ? L’Intelligence Artificielle (IA) fait le buzz ! Qualifiée de révolution technologique du XXI ème siècle, l’IA est mise à toutes les sauces dans les médias et est devenue un argument marketing de référence avec, à la clé, des promesses alléchantes en termes de gain, d’efficacité, de flexibilité… Entre fantasme et réalité : qu’en est-il vraiment dans le secteur industriel ? Et surtout quelles sont les attentes ? ©DR Jean-Francois Bouin, Président & Co-fondateur de DiagRAMS Technologies. ©DR Margot Correard, Co-fondatrice de DiagRAMS Technologies. Loin de l’explosion dépeinte dans l’imaginaire collectif, l’IA arrive progressivement dans les usines. Pourquoi cette entrée en douceur ? Ce que cherchent les industriels, ce n’est pas une technologie coûte que coûte (en tant que telle), mais une réponse concrète à un problème concret. Dans un environnement de plus en plus complexe et contraint, le besoin est de pouvoir optimiser les process, anticiper pour mieux piloter et adapter sa stratégie. Cela se traduit par la mise en place de projets au périmètre bien défini et pour lesquels l’Intelligence Artificielle doit s’inscrire dans la continuité des méthodes industrielles. En effet, l’IA apprend des données industrielles, de l’existant, et s’appuie sur l’expertise des équipes du terrain. Cette continuité et l’implication des différents acteurs sont donc essentielles. IL N’EST PAS AISÉ DE FAIRE MIEUX QUE LES EXPERTS : QU’EST-CE QUE L’IA DOIT APPORTER EN PLUS ? Le vrai challenge de l’Intelligence Artificielle dans l’industrie : permettre aux équipes du terrain d’augmenter leur connaissance. Trop souvent, les solutions d’IA fournissent des informations que les équipes avaient déjà par d’autres biais, ou permettent de trouver automatiquement ce que les experts connaissaient déjà ! Dans la maintenance, la vraie avancée consiste à découvrir l’état de santé réel des équipements et à pouvoir suivre leur évolution dans le temps (suivi de tendance et de dérive). Aujourd’hui, beaucoup de solutions permettent uniquement de détecter le franchissement d’un seuil d’alerte simple. Mais recevoir une alerte pour un dépassement de seuil ne permet pas d’anticiper et de mieux comprendre l’état de santé et le rythme de dégradation des équipements. En effet, la définition d’un seuil d’alerte ne permet pas de suivre la dérive de fonctionnement dans le temps. Par ailleurs, souvent limitées à la surveillance d’un capteur à la fois, ces solutions de suivi de dysfonctionnement ne sont pas suffisantes car elles ne prennent pas en compte les modes de fonctionnements variés de machines. LA VARIABILITÉ DANS LE PROCESS Pour être pertinente, une solution d’IA doit prendre en compte la forte variabilité inhérente aux process de production. Que ce soit au niveau du process global (variation des matériaux, des ordres de fabrication, des conditions extérieures…) ou au niveau d’un même cycle de production. Cette variabilité génère des variations dans le temps des conditions d’utilisation des équipements industriels. Sur une même machine, on observe des régimes de fonctionnement diffèrent en fonction du produit réalisé/traité ou de la période. Les signaux des capteurs présentent des régimes variés au niveau de leur valeur moyenne, de leur variance et cela sur tout ou partie des signaux. (schéma 1). A l’échelle d’un même cycle, on constate également des variations importantes correspondant à des régimes de fonctionnement différents (cf. schéma 2). Dans ce contexte de forte variabilité de la production, la détection d’anomalies est complexe. Les fluctuations dans MAINTENANCE & ENTREPRISE • N°661 • Mars - Avril - Mai - 2021 I37