Comment PRECOG évalue vos données
Cette page explique comment PRECOG fonctionne avec des machines à fonctionnement continu, comme les pompes hydrauliques et à huile, les moteurs de voitures électriques et d’autres moteurs électriques à marche régulière, ainsi que la structure et l’évaluation des données.
Processus
D’un tableau de données à un feu tricolore
PRECOG évalue un indicateur à la fois. L’entrée est un simple tableau de valeurs mesurées. Le résultat est un voyant qui résume plus de 14 algorithmes, accompagné d’une prévision à plus long terme et des détails qui la sous-tendent.
- 1. EntréeUn tableau avec la période, la valeur réelle, la cible, la tolérance et le sens de l’indicateur.
- 2. ÉvaluationPlus de 14 algorithmes évaluent les valeurs et prévoient des avertissements ou des alertes critiques.
- 3. RésultatLe voyant, la prévision à plus long terme et les détails. Les techniciens reçoivent un message clair.
PRECOG AI donne des prévisions plus précises et adaptées dès qu’il connaît les spécificités de votre projet. Les données d’exemple de cette page proviennent de mesures réelles.
Exemples de prévisions
Exemples à court, moyen et long terme
Les graphiques sont des illustrations tirées des descriptions de cas réels. Dans tous, l’indicateur est du type « plus la valeur est basse, mieux c’est » et montre la consommation électrique d’un moteur électrique.
Prévision à long terme : usure causée par le frottement
Le système signale une usure causée par un problème de frottement dans un équipement complexe. D’après les mesures quotidiennes, l’appareil fonctionne normalement et la courbe de tendance linéaire ne montre aucun changement. À la période 23, un avertissement orange est émis parce que PRECOG a détecté un fonctionnement inhabituel.
Le premier avertissement orange est suivi d’autres avertissements chaque jour. Cela laisse deux semaines au personnel de maintenance pour réaliser les contrôles et se procurer les pièces nécessaires. Deux semaines plus tard, les avertissements atteignent le niveau rouge, et le lendemain le personnel de maintenance effectue la réparation avant qu’un défaut ne puisse survenir. À partir du jour 38, la consommation d’énergie est de retour dans la plage normale et les avertissements disparaissent. La maintenance et le remplacement des composants défectueux ont lieu sans interrompre l’exploitation.
Prévision à moyen terme : un moteur électrique puissant
Un dysfonctionnement dans un moteur électrique puissant. Chaque point de données est la consommation électrique la plus élevée mesurée sur chaque intervalle de 4 heures. Malgré une tendance négative, une prévision orange est émise. Après le premier avertissement, deux autres avertissements orange sont émis avant l’alerte rouge. Finalement, la consommation électrique dépasse la cible.
Les spécialistes ont eu assez de temps pour préparer le remplacement du moteur critique par un autre appareil. Cela a évité un arrêt et des dommages à l’équipement concerné, et la sécurité d’exploitation a été maintenue. Après la réparation, l’appareil a pu être remis en service.
Prévision à court terme : un défaut survenant soudainement
Le système détecte un défaut grave qui survient soudainement. L’équipement fonctionnait dans sa plage habituelle et la courbe de tendance linéaire ne montrait qu’une très légère hausse. Chaque point de données est la consommation électrique la plus élevée mesurée sur chaque intervalle de 2 heures. À la période 26, une alerte rouge est reçue.
Après l’alerte rouge, l’opérateur disposait d’environ 4 heures pour trouver la cause et lancer la remise en état. Arrêter l’équipement, effectuer une maintenance ou passer sur un système de secours n’était pas possible. Peu après la réparation, le système est redevenu stable. L’opérateur a pu le vérifier avec l’aide de PRECOG, aucune surveillance personnelle supplémentaire n’a donc été nécessaire.
Fichier d’entrée
Le fichier d’entrée et ce que les données doivent contenir
L’entrée est un tableau avec les colonnes suivantes. Chaque colonne s’ouvre pour afficher les détails.
Période
La période pendant laquelle les données ont été collectées, classées de l’entrée la plus ancienne à la plus récente. Il peut s’agir de valeurs numériques ou d’horodatages. Les données peuvent être agrégées pour couvrir des périodes plus longues, par exemple des mesures prises chaque minute peuvent être agrégées en jours. Dans la mesure du possible, cela doit se faire au niveau des données brutes.
En général, des intervalles de temps réguliers tels que des jours, des heures ou des minutes sont recommandés, et peuvent ensuite être agrégés pour une analyse à plus long terme. Dans des cas particuliers, comme les équipements mécaniques complexes en extérieur où les mesures peuvent être bruitées et masquer des problèmes sous-jacents, fournissez autant de jeux de données de référence de bonne qualité que possible, idéalement au moins 10 sur n’importe quelle période historique. Les 6 derniers enregistrements doivent aussi contenir les valeurs les plus récentes, mesurées à intervalles réguliers ou agrégées.
Valeur réelle
La valeur mesurée de l’équipement ou du paramètre surveillé. Le fichier d’entrée doit contenir au moins 6 enregistrements.
Cible
Le seuil maximal ou minimal que la grandeur physique ne doit pas dépasser, selon le type d’indicateur. Si une valeur plus élevée est souhaitable, la cible est la valeur maximale admissible. Si une valeur plus basse est préférable, la cible est la valeur minimale acceptable.
Si le fabricant ne précise pas la cible, choisissez-la à partir des résultats d’essai de façon à ce qu’elle se situe en dehors des intervalles supérieur et inférieur marqués en bleu sur le graphique. Cela évite des alertes fréquentes.
La cible peut changer sur toute la période des données et peut influencer la prévision. Les changements de cible peuvent représenter l’influence d’autres grandeurs physiques sur l’équipement, telles que la température, la pluie ou d’autres effets environnementaux. Ces ajustements sont souvent utilisés pour les appareils en extérieur, où les saisons et les conditions météorologiques peuvent affecter l’équipement.
La colonne cible précise aussi combien de périodes sont nécessaires pour les prévisions à plus long terme. Cela se fait en ajoutant les périodes voulues avec des valeurs cibles et des tolérances, mais sans valeurs réelles. La recommandation est de 6 à 10 périodes. Plus de 14 périodes n’est pas recommandé, car l’incertitude croît de façon exponentielle et la précision chute nettement. Toute valeur cible supplémentaire doit correspondre à la valeur cible de la dernière valeur réelle mesurée. En remontant dans les périodes, plus il y a de valeurs cibles identiques à la dernière, plus la prévision à long terme est précise.
Tolérance
L’écart admissible par rapport à la valeur cible. C’est un seuil étroit à l’intérieur duquel l’équipement fonctionne encore, mais au-delà duquel le fonctionnement peut causer des dommages. La tolérance est ajoutée à la cible ou soustraite de celle-ci, selon que le type d’indicateur est « plus la valeur est élevée, mieux c’est » ou « plus la valeur est basse, mieux c’est ».
Plus la valeur est élevée, mieux c’est
Un indicateur binaire, TRUE ou FALSE, qui dépend de la nature de l’indicateur. Si une valeur plus élevée signifie une meilleure performance (aussi appelé vert, jaune, rouge ou GYR), la colonne est TRUE. Si une valeur plus basse signifie une meilleure performance (rouge, jaune, vert ou RYG), la colonne est FALSE.
Examen et évaluation des résultats
Voyant
Le résultat le plus important de l’analyse est le voyant. Il montre le résultat de synthèse de plus de 14 algorithmes différents, qui peuvent prévoir des avertissements ou signaler des alertes critiques pour l’indicateur. Des informations complémentaires figurent dans la section des détails.
Prévision à plus long terme
La prévision à plus long terme utilise plusieurs algorithmes de prévision pour estimer la probabilité de performance globale d’un indicateur sur une période étendue. La prévision à court terme s’appuie elle aussi sur de nombreux algorithmes, c’est pourquoi le voyant donne des prévisions adaptées.
La prévision à plus long terme évalue la probabilité de performance d’un indicateur même si l’objectif n’est pas encore atteint. Le nombre de périodes peut être ajusté avec la cible définie. En général, le risque de non-performance est élevé en dessous de 70%.
Questions fréquentes
En quoi notre solution diffère-t-elle d’une solution d’IA prédictive standard ?
En deux mots, notre IA a été alimentée par des millions d’enregistrements de données réelles de différents secteurs sur 7 ans, et repose sur des mathématiques avancées.
De combien d’enregistrements PRECOG a-t-il besoin pour une évaluation réussie ?
Au moins 6. Le maximum est un nombre raisonnable.
Nous avons une cible. À quoi sert la tolérance et quelle est la différence ?
La cible est, par exemple, la puissance recommandée par le fabricant, ou elle peut être définie pendant les essais. La tolérance est une limite étroite où l’équipement fonctionne encore, mais où le fonctionnement est nuisible. Si la cible est la limite à laquelle l’appareil est endommagé, la tolérance doit être nulle.
Mon équipement a plusieurs types de données. Comment sont-ils évalués ?
L’algorithme s’exécute sur un type de données à la fois. La bonne pratique est de l’exécuter pour chaque type de données. Si l’un d’eux renvoie un voyant jaune ou rouge, l’évaluation entière est considérée comme jaune ou rouge. Pour représenter l’effet de différentes grandeurs physiques comme les saisons, la pluie ou la température, la cible peut être modifiée. Cela a surtout du sens pour les appareils en extérieur.
Comment la période est-elle mesurée : semaines, jours, heures, minutes ?
Vous pouvez utiliser les données que vous préférez, tant qu’elles sont cohérentes.
Puis-je utiliser des unités de temps différentes dans une même évaluation ?
Oui. Par exemple, les 10 premières valeurs peuvent être en mois, les 10 suivantes en semaines et les 10 dernières en jours.
Combien de temps faut-il avant que les clients profitent de PRECOG ?
Un projet dure généralement de 2 à 4 mois par type d’équipement. Cela vaut si vous partez du niveau de maturité le plus bas et voulez atteindre le plus haut. Après le déploiement, il y a encore 2 mois d’observation et d’ajustement.
Souhaitez-vous parler de vos propres données ?