title

Infos ERP COPILOTE

Un prix au Challenge Data Science de maintenance prédictive

12 Jan 2022, dans Infos ERP COPILOTE, Innovation
Intelligence artificielle IA

Youcef RÉMIL, développeur chez Infologic a été primé lors du Challenge Data Science de maintenance prédictive à l’école d’été XPDM-DSAA2021.

Du 3 au 5 octobre 2021, une école d’été qui portait sur la thématique de la maintenance prédictive a été organisée avec la conférence internationale DSAA 2021 (The 8th IEEE International Conference on Data Science and Advanced Analytics). La formation visait à introduire les vrais enjeux et les différentes problématiques et défis liés à la maintenance dans les industries afin de proposer des outils performants, efficaces et fiables, capables de les résoudre en tirant profit de nouvelles techniques basées sur l’intelligence artificielle. Lors de cet événement, une compétition a eu lieu pour mettre en pratique les connaissances acquises lors de cette formation sur un cas d’application réel dont le but était de prédire le plus rapidement possible un dysfonctionnement dans le système d’unité de production d’air (APU) installé au niveau du métro de Porto.

Problématique :  L’objectif est de prédire de manière précoce les défaillances dans le système d’unité de production d’air (APU) en identifiant les comportements anormaux dans le flux de données obtenu à partir d’un ensemble de capteurs installés dans le système pendant que le métro est en fonctionnement avec des méthodes non supervisées basées sur l’apprentissage profond (deep learning), puisque ces défaillances sont typiquement indétectables avec les méthodes conventionnelles basées sur les règles d’alertes (seuils prédéfinis). Le système d’acquisition des signaux sur l’APU collecte les données analogiques de huit capteurs (pression, température, courant électrique consommé, etc.), ainsi que des données catégorielles qui assument deux valeurs 0 et 1 indiquant si un composant spécifique dans le système est inactif, ou lorsqu’un événement l’active.

Données challenge maintenance prédictive

Nous sommes parvenus à proposer une méthode deep learning non supervisée qui consiste en un auto-encodeur LSTM capable de capturer le comportement normal des différents flux de données provenant des différents capteurs du système avec une fréquence de 1Hz . Ensuite, un filtre passe bas a été utilisé pour identifier les valeurs aberrantes extrêmes par rapport aux distributions résiduelles, i.e., la différence entre les valeurs réelles et les valeurs prédites par le modèle. Une phase de prétraitement efficace des données a été aussi proposée afin de pouvoir fournir un modèle de données contenant uniquement les informations utiles pour la prédiction.  La solution proposée a  obtenu les meilleurs résultats, ce qui nous a permis de remporter la compétition.

Schéma maintenance prédictive

L’auteur des travaux est Youcef REMIL, doctorant en deuxième année à LIRIS/INSA de Lyon et ingénieur R&D chez Infologic. Il a obtenu son diplôme d’ingénieur d’état en informatique ainsi qu’un diplôme master de recherche en informatique et mathématiques en 2020 à l’école nationale supérieure d’informatique d’Alger. Actuellement, Youcef travaille dans le cadre de sa thèse sur les technologies AIOps (AI for Operating Systems) et principalement sur la maintenance préventive dans le but d’apporter de nouvelles contributions sur ce domaine en tirant profit des techniques avancées et récentes de fouilles de données et apprentissage automatique et profond. Cette thèse est réalisée dans le cadre de nos activités sur la supervision et la maintenance préventive de notre parc Copilote, elle est encadrée en interne par Mehdi KAYTOUE et Anès BENDIMERAD et par Jean-François BOULICAUT au laboratoire LIRIS.