Le suivi en continu d'installations industrielles n'a jamais été aussi faisable et abordable qu’aujourd’hui en raison de la présence généralisée de capteurs à faibles coût et consommation, associés à de puissants ordinateurs monocartes (SBC) utilisés comme des passerelles IoT. Au-delà, l'interaction entre l'IoT et l'apprentissage automatique (Machine Learning) ouvre la porte à de nouvelles approches fondées sur les données pour obtenir une plus grande sécurité et une meilleure fiabilité des processus industriels, notamment dans le cadre du mouvement Industrie 4.0.

Ce white paper présenté par Seco et écrit en collaboration avec des chercheurs de l’université de Sienne, présente ainsi la conception et le développement de modules d'apprentissage automatique pour deux études de cas industriels concrets : une ventilation d’air sur une hotte de cuisine et une pompe à eau. Dans les deux cas de figure, un modèle de Machine Learning a été mis au point pour connaîitre le comportement normal du système et prédire son état à partir d’un ensemble d’états fixes afin d'identifier toute condition anormale pouvant survenir.

Le système peut effectuer des calculs aux limites, ce qui permet de travailler dans des environnements nécessitant une acquisition de données à très haute fréquence, un aspect crucial dans les applications où il est impossible de partager toutes les données avec un système à distance. Dans cet article en français, rigoureux et détaillé, les résultats sont discutés en analysant le compromis entre le type de capteurs utilisés, l'algorithme d'apprentissage mis en œuvre, l'effort d’entraînement et les exigences de calcul.