Application du machine learning à la maintenance prédictive: un processus basé sur la sélection d'algorithmes et l'alignement stratégique

Abstract

La quatrième révolution industrielle est caractérisée par une disponibilité accrue de la technologie numérique et de la connectivité, entraînant un changement fondamental dans les processus de fabrication. La maintenance prédictive (PdM) est identifiée comme un facteur essentiel pour une transformation numérique réussie des entreprises, car elle peut augmenter les cycles de vie des machines, réduire les temps d’arrêt et les coûts associés, et améliorer la qualité et les taux de production. Dans le domaine de la PdM, où la planification proactive et l’intervention opportune sont cruciales pour prévenir les pannes, les algorithmes de machine learning (ML) jouent un rôle vital. Dans ce mémoire, en nous appuyant sur un état de l’art, nous avons réalisé une comparaison des algorithmes de ML les plus couramment utilisés pour la PdM. Nous avons identifié les critères essentiels pour atteindre le succès du modèle dans l’application de la PdM. Une sélection de trois algorithmes a été effectuée. Par la suite, nous avons constaté l’insuffisance de la sélection réalisée et la nécessité d’un processus spécifique pour l’application du ML à la PdM. Nous avons donc proposé une deuxième sélection d’algorithmes basée sur la méthode de vote pondéré et nous avons proposé notre processus en suivant l’approche DMAIC. Enfin, la pertinence de notre processus et de la deuxième sélection a été démontrée dans le contexte de deux problèmes de maintenance.