La solution DiagFit

« Dans le domaine industriel, les défauts de fonctionnement des équipements critiques sont heureusement assez rares », pose Katia Hilal, cofondatrice d’Amiral Technologies. Si l'on peut s'en réjouir, cet état de fait complique pourtant les choses quand il s'agit de faire de la maintenance prédictive. En effet, le diagnostic de l'état des équipements se base souvent sur l'analyse de son historique, qui permet de définir des états de panne.

L'entreprise, née de travaux de recherches du laboratoire GIPSA-LAB (laboratoire mixte CNRS et Université Grenoble Alpes), a donc développé DiagFit. Il s'agit d'une solution logicielle basée sur une IA de référence pour analyser des séries temporelles industrielles: c'est-à-dire, des données issues de capteurs physiques et de capteurs d'état.

L'un des arguments du logiciel est de contourner l'absence d'historique de panne. En effet, l'outil prend le problème à contre-pied, et propose de définir l'état de « normalité » d'un matériel. Ainsi, il peut alerter l'utilisateur lorsque les données mesurées par capteurs constituent une anomalie par rapport à ce dernier.

Dans le monde des jumeaux numériques d'équipements critiques, une telle technologie pourrait être un atout. Proposer à terme une solution moins coûteuse, plus frugale et précise à ce marché, est d'ailleurs l'un des objectifs de l'entreprise.

Donner les clefs des données au client

« La solution DiagFit est basée sur notre expertise dans trois domaines différents », détaille Katia Hilal. « L'automatisme, la théorie du contrôle, et l’IA. » L'équipe a développé différents algorithmes, en combinant apprentissage supervisé et non supervisé sur plus de 2000 sets de données. « Ces algorithmes sont capables de faire beaucoup de choses: caractériser l'état normal d'un équipement, mais aussi les caractéristiques liées à chaque équipement, supprimer automatiquement les données aberrantes, remplir les trous, analyser les corrélations, construire des capteurs virtuels », décrit la dirigeante. Ces algorithmes sont basés sur des algorithmes de machine learning enrichis des recherches d’Amiral Technologies pour couvrir spécifiquement les équipements et machines industriels. Le logiciel prodigue en sortie des scores de santé ou détections d'anomalies, mais aussi des diagnostics sur les groupes de capteurs incriminés, en allant jusqu'à la classe dans laquelle se situe cette anomalie, afin de donner des indications de réparation ou d’action à mener, comme l'approvisionnement de pièce de remplacement.

La mise en place de cette solution au sein d'une entreprise peut se faire par le client lui-même, affirme Katia Hilal : « Nous donnons au client, dans un environnement sans codage, les clefs pour exploiter complètement les données de ses capteurs industriels. Une fois l'acquisition des données faite, il peut analyser ses données avec des outils intuitifs pour visualiser, nettoyer, mettre en cohérence, explorer, analyser les corrélations…

Le client peut alors entraîner lui-même un algorithme pour apprendre l'état de normalité du matériel et donc détecter les défaillances, voire anticiper les défauts et arrêts de production. »

La solution est déployable directement dans l'infrastructure d'une entreprise, en cloud, ou en edge. Des API permettent également de connecter DiagFit à une infrastructure client afin d'extraire les alertes sur les machines, les afficher dans un autre environnement type GMAO ou les utiliser dans un logiciel de supply chain ou de planification de maintenance.

À terme, Katia Hilal rêve d'un « futur où les machines ne tombent plus en panne, où on a tout automatisé pour pouvoir anticiper, ce qui inclut l'identification des défauts futurs, mais aussi l'approvisionnement d'une supply chain avec les pièces de réparation. »