Avec la mise à disposition auprès des développeurs de Predictive Maintenance Toolbox, un nouvel outil intégré dans Matlab, Mathworks enrichit le champ d’action de son logiciel phare en direction des applications de conception et de test des algorithmes de maintenance prédictive et de surveillance de l’état d’un équipement. ...Objectif : proposer aux ingénieurs, qui conçoivent ce type d’algorithmes, des fonctionnalités et des exemples de référence afin d’organiser les données, concevoir des indicateurs d’état, surveiller le bon fonctionnement des machines et estimer la durée de vie restante utile estimée d’un équipement, de manière à prévenir d'éventuelles pannes.

Via Predictive Maintenance Toolbox, les utilisateurs peuvent ainsi analyser et étiqueter les données de capteurs issues de fichiers stockés en local ou sur le cloud. Ils peuvent également collecter des données de défaillance simulées à partir de modèles écrits dans l’environnement Simulink de MathWorks. Les méthodes de traitement du signal et de modélisation dynamique, qui s’appuient sur des techniques telles que l’analyse spectrale et l’analyse de séries temporelles, autorisent le prétraitement de données et l’extraction de caractéristiques utiles pour la surveillance de l’état d’un équipement industriel.

La mise en œuvre de modèles de survie, de similarité et de tendances destinés à prédire la durée de vie restante utile d’un système (RUL, Remaining Useful Life) aide par ailleurs à estimer l’instant où la défaillance d’une machine va survenir. Cette toolbox intègre des exemples concrets de référence portant sur l’analyse de moteurs, de boîtes de vitesses, de batteries, etc. Autant de cas d’usage qui peuvent servir de base pour développer ses propres algorithmes de maintenance prédictive.

Concrètement, pour développer ces derniers, les ingénieurs accèdent à des données historiques stockées dans des fichiers en local, sur un cloud comme Amazon S3 et Windows Azure Blob Storage, ou sur un système de fichiers distribué Hadoop. Les données de simulation provenant de modèles physiques de l’équipement qui intègrent la dynamique de défaillance constituent une autre source de données. Les ingénieurs peuvent en outre extraire et sélectionner les caractéristiques les plus appropriées à partir de ces informations, puis utiliser des applications interactives pour entraîner des modèles d'apprentissage automatique destinées à prédire ou à détecter les défaillances de l’équipement.

« La maintenance prédictive est une application majeure de l’Internet des objets industriel ; elle est indispensable à la réduction des coûts de maintenance et à l’élimination des périodes d’arrêt non planifiées, explique Paul Pilotte, directeur marketing technique chez MathWorks. Les ingénieurs qui n’ont généralement pas d’expérience en termes de machine learning ou de traitement du signal éprouvent parfois des difficultés à concevoir des algorithmes de maintenance prédictive. L’outil Predictive Maintenance Toolbox peut être utilisé comme un point de départ et aider ces équipes à monter en compétence. »