Machine Learning : pourquoi Titan Cement a choisi un éditeur industriel

Le machine learning non supervisé privilégié dans l’industrie

Le constructeur d’équipements industriels a doté ses vannes d’une petite intelligence embarquée qui lui permet de générer un certain nombre de données pertinentes pour le diagnostic des produits. Il s’agit notamment du nombre de démarrages/arrêts, une donnée qui influe directement sur la durée de vie d’une vanne.

Mais il n’est pas forcément nécessaire d’installer ces vannes pour utiliser Sam Guard. En clair, le service peut se connecter à des bases de données « historiens » (OSISoft PI, Aspen PIMS, IBA, Siemens, GE) afin de réaliser une modélisation des machines en place.

Les données sont collectées sur la plateforme Sam Guard où elles sont historisées, ce qui permet de générer des alertes de fonctionnement ainsi que des rapports de diagnostic.

« Dans l’industrie des procédés, il s’agit souvent de problèmes inédits qui ne sont pas toujours connus à l’avance, raison pour laquelle nous nous sommes orientés vers des modèles de machine learning non supervisés. »

L’objectif est de maintenir l’équipement en production pour que l’usine ne s’arrête pas et que l’installation continue de fonctionner. Pour générer des alertes avant que les pannes surviennent, Sam Guard met en œuvre des modèles de machine learning non supervisés.

« Dans l’industrie des procédés, il s’agit souvent de problèmes inédits qui ne sont pas toujours connus à l’avance, raison pour laquelle nous nous sommes orientés vers des modèles de machine learning non supervisés. », justifie Robin Landi. 

L’apprentissage permet à l’équipementier de disposer de modèles entraînés pouvant suivre le bon fonctionnement des équipements en place et générer des alertes en cas d’écart constaté. La limite de l’approche, c’est qu’en se concentrant sur les données d’un seul équipement, il est difficile d’expliquer une anomalie de fonctionnement.

En effet, dans le cadre d’un processus de production, plusieurs équipements et machines sont interdépendants, il est donc intéressant de les connecter, ce qui n’est pas toujours possible. C’est la raison pour laquelle Samson met en œuvre des arbres de causalité à travers un moteur d’analyse orienté graphes, ce qui permet de définir le contexte de chaque donnée. « Il est possible de faire une surveillance constante de tous les équipements sans a priori, en s’appuyant sur le modèle de machine Learning non supervisé, mais du bruit statistique peut apparaître », ajoute Robin Landi.

« Le modèle va faire remonter des alertes qui ne sont pas nécessairement intéressantes. L’arbre de causalité permet de limiter le bruit, de créer un filtre qui s’appuie sur le savoir-faire des données process et des données des équipes terrain, afin d’extraire les alertes pertinentes et faciliter une analyse des interactions entre les différents équipements. »

Le responsable assure cette combinaison de modèles ML et d’un arbre de causalité permet de suivre un groupe de machines ou une usine entière. Mieux, elle peut aussi être déployée très rapidement. La mise en place initiale peut être menée par un spécialiste en quelques semaines seulement. Dès que la donnée est chargée dans le portail, il est possible de bénéficier de l’analyse du modèle, y compris sur des événements qui ne sont pas encore survenus. Sur un site industriel type, le système génère en moyenne 4 à 5 notifications par jour. Celles-ci sont traitées par l’ingénieur process ou l’équipe de maintenance. En cas de doute, l’entreprise peut demander un diagnostic plus avancé à un expert qui va scruter les données et livrer son analyse en quelques jours.

Pour que le modèle d’IA soit efficace, le spécialiste recommande de disposer de 13 mois de données en provenance d’un « historien » pour mener l’apprentissage du modèle d’IA, afin de prendre en compte les facteurs saisonniers. Si l’industriel ajoute un nouvel équipement et ne dispose pas de suffisamment de données historiques, celui-ci peut être intégré à l’arbre de causalité par les équipes terrain, mais pas aux modèles d’IA, le temps d’accumuler suffisamment de données sur son fonctionnement nominal.

Si les vannes fournies par Samson sont connectées et remontent les données vers la plateforme Data, l’arbre de causalité peut indiquer qu’un problème est en train de se dessiner au niveau d’un compresseur dont les données sont collectées dans « l’historien ». La corrélation des données générées par les équipements en amont et en aval de l’équipement va pointer le compresseur comme la source possible d’un incident. L’arbre de causalité est défini au moment de la mise en place du système, mais doit évoluer dans le temps en fonction des équipements qui seront ajoutés ou remplacés. Il est mis à jour directement par l’usine via un studio graphique qui permet d’éditer l’arbre sans programmation.

L’approche a séduit Titan Cement qui l’a déployé sur un premier site en Bulgarie en 2018. « Les bénéfices que nous avons pu mesurer sur une de nos usines sur une période de dix mois ont montré que les coûts évités ont atteint environ 900 000 dollars. Sur une base annualisée, cela représente une économie potentielle de 1 million de dollars », constate Fokion Tasoulas, Executive Director de Titan Cement. « De plus, les temps d’arrêt évités pour des équipements critiques tels que le four ou les broyeurs de finition, qui concassent le produit fini, représentent environ 500 heures. Pour nous, cela a eu un gros impact sur nos process et nos opérations et un gros ROI. »

« Les bénéfices que nous avons pu mesurer sur une de nos usines sur une période de dix mois ont montré que les coûts évités ont atteint environ 900 000 dollars. Sur une base annualisée, cela représente une économie potentielle de 1 million de dollars. »

Les atouts du « ML as a Service »

Si la solution est potentiellement déployable sur un serveur local (une VM Linux suffit), au cas où l’industriel ne souhaiterait pas voir ses données de production stockées chez un tiers, le mode « As a Service » dans le cloud ou sur un serveur distant est à la fois plus simple à déployer dans le cadre d’un PoC (Proof of Concept), mais aussi sur site, comme a pu s’en rendre compte le cimentier lors de la crise de la COVID-19.

« Avec Samson, nous avons créé un centre de monitoring à distance qui assure le suivi de deux de nos usines aux États-Unis, en sus du premier site localisé en Europe. Lorsque la crise du COVID-19 est survenue, nous avions prévu de déployer la solution sur 2 autres sites », indique Fokion Tasoulas. « En nous appuyant sur les équipes sur site et le centre de monitoring à distance, nous avons mené ces déploiements à distance en vraiment très peu de temps. En trois semaines, nous avons ajouté une quatrième usine puis la cinquième en deux semaines seulement. »

 Alors que les déplacements transfrontaliers étaient impossibles, les membres du centre de supervision à distance ont pu partager leur connaissance de la plateforme pour assister les équipes locales dans le déploiement sur les sites industriels.

Outre la génération d’alertes et de diagnostics, la solution va permettre de planifier les opérations de maintenance. D’une part, il s’agit de prioriser les actions à mener sur les équipements identifiés comme potentiellement défectueux. D’autre part, Titan Cement compte espacer les analyses sur les équipements dont le fonctionnement est optimal, et passer à un rythme annuel.

« Le modèle est capable de dire si un équipement est en bonne santé ou pas », résume Robin Landi. « Si l’on dispose de plusieurs équipements sur un site, on peut définir un ordre de priorité sur les arrêts de production qui sont planifiés tous les 3 mois, tous les six mois. On peut alors cibler les équipements sur lesquels il faut mener une maintenance, etc. Si l’entreprise n’a planifié que 2 jours d’arrêt, c’est une information très importante ».