État de l’art
Exemples :
Préavis moyen de panne de 10 jours, trop tardif (délai moyen entre 1er symptôme et panne).
Panne découverte en fonctionnement.
Panne annoncée mais aléa subi.
Pour prédire la panne, SeADvance n’attend pas de détecter les 1ers symptômes de panne, mais recourt à la simulation long terme du vieillissement de l’équipement selon l’entretien et l’utilisation.
Exemples :
Aller plus loin
Aller plus loin
Réactualisation des prédictions
Vous bénéficiez de la réactualisation des prédictions de panne sur les 24 prochains mois de fonctionnement, jusqu’au prochain entretien programmé.
Votre parc n’est plus exposé à l’aléa des pannes et maintenances imprévues.
Votre coût usuel de la panne est effacé (1 à 100 M€/an selon la flotte des équipements).
Vous ne gérez plus des approvisionnements en urgence suite aléa de panne.
Vos flux logistiques sont lissés, calés sur le juste besoin en pièces de rechange anticipé à 24 mois et +.
Préavis de panne étendu à + de 24 mois
(contre 10 jours, moyenne des solutions du marché)
Exemple : prédiction à 5 ans de la dérive métrologique de compteurs
Exemple : prédiction à 24 mois de la corrosion sur canalisations enterrées ou lignes électriques Très Haute Tension
Quel design ?
Grâce à la compréhension poussée des équipements de votre flotte – ADN de notre approche -, nous mettons à niveau vos données existantes (cohérence métier, enrichissement et complétude), au-delà des simples nettoyages usuels.
Quelles données acquérir ?
Nous identifions l’instrumentation complémentaire et/ou le plan de traçabilité complémentaire des données, pour rendre vos équipements exploités compatibles avec la prédiction long terme.
Quelle échéance réelle ?
Pour chaque numéro de série, le modèle de vieillissement appris permet d’en anticiper l’échéance réelle de fin de durée de vie (compte tenu de ce qui a été réellement fait de l’équipement) : information d’intérêt lorsque l’échéance réelle interviendra significativement avant l’échéance-constructeur.
Le modèle appris pour votre flotte est agnostique aux modèles de vieillissement usuels (Weibull, Arrhenius, Wöhler…).
L’horizon de prédiction est en fait calé sur la durée type entre 2 arrêts pour maintenance programmée, de manière à couvrir la période de fonctionnement type.
Durée type de 12 mois entre 2 arrêts programmés ? horizon de prédiction de 12 mois.
Durée type de 60 mois entre 2 révisions réglementaires ? horizon de prédiction de 60 mois.
D’abord en évaluant les métriques Machine Learning des modèles appris (R2, MAE, MSE, précision, rappel, F1-score…)
Ensuite en comparant prédictions et mesure. Pour cela, nous nous positionnons 3 ans + tôt. Et simulons l’évolution de la prédiction ou de la dégradation selon l’utilisation réelle et l’entretien sur les 3 dernières années jusqu’à aujourd’hui. L’état prédit est alors comparé à l’état mesuré aujourd’hui.
En comparant la dérive entre état attendu (prédiction) et état observé (mesure réelle)
À ce stade, nos modèles ne permettent pas de se hasarder dans le domaine de la prolongation de la durée de vie.
À terme, nos modèles permettront d’explorer le post échéance-constructeur de fin de durée de vie.
À ce stade, nos modèles sont en effet appris à partir des comportements observés sur le cycle de vie des équipements, donc avant l’échéance-constructeur de fin de durée de vie.
Nous anticipons en revanche l’échéance réelle de fin de durée de vie de chaque numéro de série : ce qui a un intérêt lorsque cette échéance intervient significativement avant l’échéance-constructeur de fin de durée de vie
Pour aller plus loin
Pour l’équipement électromécanique dans sa globalité, le modèle appris permet la simulation du vieillissement (évolution performance ou dégradation) à + de 24 mois, selon ce qui en a été fait et en sera fait.
Notre technologie lève ainsi le verrou de la simulation du vieillissement.
