La maintenance prédictive par apprentissage automatique utilise les données que l'équipement enregistre déjà pour prévoir quand un composant va défaillir, afin de l'entretenir sur la base des faits plutôt que selon un calendrier ou après une panne. Pour une flotte de drones, ces données sont le journal de vol : tension, courant, gaz, signaux inertiels et GPS. Les études multisectorielles publiées chiffrent les économies à 8 à 12 % par rapport à la maintenance préventive et jusqu'à 40 % par rapport à la maintenance à la panne, et la recherche évaluée par les pairs de Vozwin prédit l'état de santé d'une batterie de drone à 2,26 % près à partir des seuls journaux de vol, sans capteur ajouté. Le plus difficile est rarement le modèle. C'est le pipeline de données, le lien avec les dossiers de maintenance, et amener les personnes qui signent pour l'équipement à faire confiance à la prévision.
Ce guide s'adresse aux responsables des opérations, de la maintenance et de l'entreprise qui décident s'il faut lancer un projet de maintenance prédictive et comment le mener. Il couvre d'où vient la valeur, un diagnostic de préparation que vous pouvez faire sur vos propres données, la décision de bâtir, d'acheter ou de s'associer, comment cadrer un projet pilote, les programmes de financement canadiens applicables, et le travail d'adoption qui décide si la prévision sera un jour utilisée. Les flottes de drones servent d'exemple tout au long. La même logique vaut pour toute flotte d'équipements qui enregistre son propre fonctionnement.
D'où vient la valeur
La maintenance prédictive est étudiée dans assez d'industries depuis assez longtemps pour que les économies soient bien documentées. Les chiffres ci-dessous sont des repères multisectoriels, utiles pour dimensionner une analyse de rentabilité, pas une promesse pour une exploitation en particulier :
| Résultat | Donnée publiée | Source |
|---|---|---|
| Coût vs maintenance préventive | 8 % à 12 % de moins | Département de l'Énergie des États-Unis, guide des meilleures pratiques O&M |
| Coût vs maintenance réactive | Jusqu'à 40 % de moins | Département de l'Énergie des États-Unis, guide des meilleures pratiques O&M |
| Bris | Réduits de 70 % | Deloitte Analytics Institute |
| Coûts de maintenance | Réduits de 25 % | Deloitte Analytics Institute |
| Productivité | Augmentée de 25 % | Deloitte Analytics Institute |
Moyennes multisectorielles tirées d'études publiées, citées en entier sous Sources.
Les flottes de drones rendent l'argument plus tranchant que la plupart. Pour les drones, la maintenance peut représenter plus de 50 % des coûts d'exploitation directs, et les analyses de fiabilité publiées situent encore le taux de défaillance global des systèmes de drones autour de 25 %. Une immobilisation imprévue coûte plus que la réparation : une fenêtre d'inspection manquée, une équipe et un permis à replanifier, et un client qui fait un peu moins confiance à la prochaine date.
Remarquez où la valeur se trouve vraiment. Pas dans le modèle. Dans les décisions qui changent : moins de pièces remplacées alors qu'elles avaient encore de la vie, moins de réparations d'urgence, des fenêtres de maintenance planifiées autour de la demande, et des pièces de rechange commandées selon des dates prévues plutôt qu'un stock de sécurité dimensionné pour le pire mois. Une analyse de rentabilité qui ne peut pas nommer la décision qu'elle change n'est pas prête pour un pilote.
Quatre stratégies de maintenance, et ce que chacune exige de vos données
La plupart des exploitations appliquent l'une des trois premières stratégies. Chacune a une exigence de données différente, et c'est cette exigence qui détermine à quelle distance vous êtes de la quatrième :
| Stratégie | Déclencheur | Données requises | Ses limites |
|---|---|---|---|
| Réactive (à la panne) | Quelque chose brise | Aucune | Réparations d'urgence plus coûteuses, les défaillances endommagent les pièces voisines, et une défaillance en vol expose à des blessures et à la responsabilité. |
| Préventive (calendrier ou heures) | Un nombre de cycles ou un intervalle de temps | Compteurs d'utilisation | Remplace des pièces sans égard à leur état et rate quand même les défaillances qui ne suivent pas l'horaire. |
| Conditionnelle (seuils) | Un paramètre surveillé franchit une limite | Lectures en direct de matériel de surveillance dédié | Aucune prévision. L'avertissement arrive quand la limite est atteinte, trop tard pour planifier. |
| Prédictive (apprentissage automatique) | Un modèle prévoit la durée de vie utile restante | Historique d'exploitation et résultats connus (défaillances, remplacements, mesures de capacité) rattachés à chaque équipement | Exige un pipeline de données propre et de l'expertise en modélisation, et c'est là que les projets s'enlisent sans le bon partenaire ou le bon produit. |
La troisième colonne est celle à vérifier en premier. La plupart des exploitations enregistrent déjà l'historique d'exploitation. Ce qu'elles conservent rarement, ce sont les données de résultats qui montrent à un modèle à quoi ressemblait la dégradation.
Un diagnostic de préparation avant de dépenser quoi que ce soit
Les questions d'une évaluation générale de la préparation à l'IA s'appliquent ici, resserrées sur un seul cas d'usage. Vous pouvez répondre à la plupart à l'interne en une semaine :
- Les données sont-elles enregistrées? Un contrôleur de vol typique enregistre plus de 400 paramètres à chaque vol. La plupart des flottes en jettent presque la totalité. Si les journaux sont écrasés à bord, le premier projet est de les conserver.
- Sont-elles rattachées à l'équipement? Chaque journal doit être lié à un numéro d'appareil, à un composant et, idéalement, à un pilote. Des journaux dans un dossier partagé sans lien fiable avec l'appareil sont une matière première, pas un jeu de données.
- Avez-vous des résultats? Un modèle apprend de ce qui s'est passé : une mesure de capacité, un moteur remplacé, une défaillance. Si les remplacements sont notés sans leur raison, ou si la capacité n'est jamais mesurée, c'est le premier écart à combler.
- Y en a-t-il assez? Moins que la plupart des gens ne le pensent. La recherche de Vozwin sur les batteries a atteint 2,26 % de précision à partir de 631 vols sur huit batteries. Quelques centaines d'enregistrements bien étiquetés valent mieux que des années de données sans étiquette.
- Les données peuvent-elles quitter le site? Bien des flottes volent pour des clients dont les journaux ne peuvent pas aller dans un nuage public. Cette contrainte élimine ou retient des options avant même la première conversation avec un fournisseur.
- Qui est responsable de la décision? Quelqu'un doit répondre de l'action prise sur une prévision, habituellement le responsable de la maintenance. Si personne ne l'est, le pilote produira un tableau de bord et rien d'autre.
Les exploitants réglementés ont souvent une longueur d'avance sans le savoir. Au Canada, la partie IX du Règlement de l'aviation canadien exige déjà que le propriétaire d'un système d'aéronef télépiloté tienne un dossier de chaque vol pendant 12 mois, et de chaque action de maintenance, modification et réparation, y compris qui a fait le travail et quand, pendant 24 mois. Ces dossiers sont les données de résultats dont un modèle a besoin. La question de préparation est de savoir s'ils sont tenus sous une forme qu'un pipeline peut lire.
Bâtir, acheter ou s'associer
Une fois la question des données réglée, la décision suivante est de savoir qui fait le travail. Il y a trois options honnêtes, et la plupart des exploitations finissent par en combiner deux :
| Option | Ce que vous obtenez | Ce que ça exige de vous | Quand c'est le bon choix |
|---|---|---|---|
| Bâtir à l'interne | Le contrôle complet du modèle, des données et de la feuille de route | Des scientifiques et des ingénieurs de données, de l'infrastructure, et un long délai avant la première prévision utile | La maintenance prédictive est au cœur de votre position concurrentielle et vous pouvez recruter et garder l'équipe |
| Acheter un produit | Un modèle déjà validé sur le type de composant, avec le pipeline et les preuves intégrés | L'intégration avec vos journaux, vos dossiers et votre système de maintenance, et un fournisseur à qui vous confiez vos données | Le composant est courant (batteries, moteurs) et il existe un produit conçu pour votre catégorie d'équipement |
| S'associer | Une équipe qui évalue la préparation, bâtit le pipeline et l'intégration, et mène le pilote avec vous | Du temps de vos équipes de maintenance et d'exploitation, et une responsabilité claire du résultat | Vous n'avez pas d'expertise en données à l'interne, ou le produit exige un travail d'intégration que votre équipe ne peut pas absorber |
Acheter le modèle et s'associer pour l'intégration est la voie la plus courante. Peu de flottes ont une raison de rebâtir à partir de zéro un modèle de batterie déjà validé.
Un avertissement s'applique aux trois. Les modèles génériques de maintenance prédictive industrielle survivent rarement au contact des drones. Les batteries et les moteurs de drones existent en dizaines de configurations, avec très peu d'historique par type et des limites de poids strictes sur tout capteur ajouté. Ce que vous bâtissez ou achetez doit avoir été conçu pour ces contraintes, et le prouver sur de l'équipement sur lequel il n'a pas été entraîné.
Cadrer un pilote qui prouve quelque chose
Un bon pilote est étroit, mesuré par rapport à une référence, et jugé selon des critères fixés d'avance. Cette séquence fonctionne pour la plupart des flottes :
- Choisir un composant et une décision. Le retrait des batteries est le premier choix habituel : les données sont déjà enregistrées, la décision est fréquente, et le coût d'une erreur est facile à compter.
- Documenter la référence. Comment les batteries sont retirées aujourd'hui, combien ont été retirées trop tôt ou ont lâché trop tard l'an dernier, et ce que chaque cas a coûté. Sans référence, n'importe quel résultat a l'air d'un succès.
- Collecter et conditionner les journaux. Capturer les journaux après chaque vol, les rattacher à l'équipement, les nettoyer, et mettre de côté les mesures de résultats. Cette étape prend habituellement plus de temps que la modélisation.
- Garder de côté de l'équipement que le modèle ne verra jamais. Une précision mesurée sur les unités d'entraînement ne dit rien sur la suivante. Le chiffre de 2,26 % publié par Vozwin porte sur une batterie que le modèle n'avait jamais vue, et c'est le seul type de chiffre qui vaille la comparaison.
- Faire tourner en mode fantôme. Laisser la prévision tourner à côté de l'horaire actuel sans changer aucune décision, et comparer ce qu'elle aurait fait avec ce qui s'est réellement passé.
- Trancher selon les critères convenus. Précision sur l'équipement mis de côté, concordance entre la confiance annoncée et les résultats, nombre de décisions que la prévision aurait changées, et si le responsable de la maintenance aurait agi en conséquence.
Le succès d'un pilote, c'est une décision changée, pas un tableau de bord bâti. Si le mode fantôme montre que la prévision aurait retiré les bonnes batteries au bon moment, l'étape suivante est de la laisser guider la décision sur une partie de la flotte.
Ce que la recherche montre possible avec peu de données
Dans le cadre du projet PHUMS, Vozwin a travaillé avec l'Université McGill et l'Université de Sherbrooke pour prédire l'état de santé des batteries de drones à partir des données de vol. L'équipe a mené 631 expériences de vol sur des batteries lithium-polymère de 2 200 mAh et 1 100 mAh, en utilisant uniquement la tension, le courant et les gaz de chaque cycle de décharge : les signaux qu'un contrôleur de vol standard enregistre déjà. Pour contourner la petite taille du jeu de données, la série temporelle de chaque vol a été convertie en image afin qu'un modèle de vision ResNet-50 préentraîné puisse en extraire des caractéristiques, et ce que le modèle a appris sur un type de batterie a été transféré à l'autre.
Le résultat publié est une erreur en test de 2,26 % sur une batterie que le modèle n'avait jamais vue. L'entraînement continu sur un jeu de données plus grand depuis la publication a ramené ce chiffre à 1,57 %. Le guide compagnon sur l'état de santé des batteries de drones présente la méthode comme une étude de cas en petites données, et l'article évalué par les pairs est lié sous Sources.
Les moteurs sont le composant suivant, et la contrainte là est le poids : des capteurs de vibration dédiés peuvent ajouter jusqu'à un dixième de la masse d'un petit drone. L'approche de Vozwin prédit la santé des moteurs à partir des accéléromètres, gyroscopes, baromètre et GPS qu'un drone transporte déjà, avec les images de la caméra comme second avis. La leçon vaut pour tout projet : partir des signaux que vous avez déjà avant d'acheter du matériel.
Le financement canadien applicable
Les projets de maintenance prédictive comportent souvent une véritable incertitude technique, et c'est exactement ce que les principaux programmes d'innovation du Canada sont conçus pour soutenir. Ceux à vérifier en premier :
- RS&DE. Le programme fédéral d'encouragements fiscaux pour la recherche scientifique et le développement expérimental rembourse une part importante des dépenses admissibles de développement expérimental pour les sociétés privées sous contrôle canadien. Bâtir un modèle pour un composant ou une catégorie d'équipement où aucune approche éprouvée n'existe peut se qualifier. Intégrer un produit existant, habituellement pas.
- PARI du CNRC. Le Programme d'aide à la recherche industrielle finance une partie des coûts de salaires et de sous-traitance des projets d'innovation admissibles des PME, et assigne un conseiller en technologie industrielle au projet.
- Accélération de Mitacs. Cofinance des stages de recherche qui jumellent une entreprise à des étudiants des cycles supérieurs et des professeurs d'une université canadienne. La recherche sur les batteries présentée dans ce guide a été soutenue par Accélération de Mitacs, et c'est ainsi qu'une petite équipe a eu accès à une expertise de modélisation de calibre universitaire.
- Les programmes provinciaux. La plupart des provinces offrent leur propre soutien à l'adoption technologique et à la R-D, qui peut s'ajouter aux programmes fédéraux. Vérifiez ce qu'offre votre province avant de fixer le budget du projet.
Structurez le projet autour des programmes avant que le travail commence, pas après. L'admissibilité dépend de la façon dont le travail est cadré et documenté, et votre conseiller RS&DE devrait voir le plan en premier.
Amener l'équipe à agir sur la prévision
La plupart des projets de maintenance prédictive qui échouent tiennent la route techniquement. Ils échouent parce que la personne qui signe pour l'appareil ne fait pas confiance à un chiffre qu'elle ne peut pas vérifier. Cinq choix de conception décident si la prévision sera utilisée :
- Des preuves avec chaque alerte. Chaque prévision doit nommer le composant, le mode de défaillance et les données qui la soutiennent, pour que le responsable de la maintenance puisse la vérifier avant de retirer une pièce. Un score sans raison, c'est une alarme à seuil avec des étapes en plus.
- Une confiance calibrée. Une prévision doit dire à quel point elle est sûre, et cette confiance annoncée doit tenir face aux résultats. Demandez à voir la calibration, pas seulement le titre sur la précision.
- Des sorties physiquement possibles. Une batterie ne peut pas regagner de capacité entre deux vols et un moteur ne peut pas se désuser. Un modèle qui n'a aucune notion de la dégradation réelle des composants finira par prévoir l'impossible, avec une assurance totale, et une seule fois suffit pour perdre l'équipe.
- Des actions inscrites au dossier. Chaque décision prise sur une prévision doit se retrouver dans le dossier de maintenance que l'exploitation tient déjà, avec le qui, le quoi et la date. Si l'équipe doit tenir deux jeux de livres, elle cessera d'en tenir un.
- Un plancher qui ne bouge pas. La prévision s'ajoute aux instructions de maintenance du fabricant et à toute exigence réglementaire. Elle indique quel appareil a besoin d'attention en premier; elle ne remplace pas l'horaire que vous êtes tenu de suivre.
Faites participer le responsable de la maintenance au pilote dès la première semaine. Le chemin le plus rapide vers l'adoption, c'est une équipe qui a aidé à décider ce que la prévision doit montrer et qui l'a vue prendre les bonnes décisions en mode fantôme.
Signaux d'alarme dans les offres de maintenance prédictive
- Une précision mesurée sur les données d'entraînement. Le seul chiffre qui prédit la performance réelle est la précision sur de l'équipement que le modèle n'a jamais vu. Demandez lequel on vous montre.
- De nouveaux capteurs exigés avant que quoi que ce soit fonctionne. Parfois justifié, souvent non. Pour les drones en particulier, le matériel ajouté coûte du poids, du temps de vol et de la vie de batterie, et le contrôleur de vol enregistre déjà les signaux qui comptent.
- Un score sans explication. Si la sortie exige un scientifique des données pour être interprétée, le responsable de la maintenance n'agira pas en conséquence.
- Aucun moyen d'écrire dans vos dossiers. Un produit qui ne peut pas exporter vers votre carnet ou votre système de maintenance crée un dossier parallèle que personne ne tient à jour.
- Un déploiement uniquement infonuagique alors que vos données ne peuvent pas quitter le site. Cherchez des options en périphérie ou hors réseau qui font tourner le même modèle, pas une version réduite.
- Des promesses de prêt-à-brancher. Le pipeline, l'intégration et le travail d'adoption sont réels. Un fournisseur ou un consultant qui dit le contraire ne l'a jamais fait.
Où se situent Vozwin AI, Vermilion et Vozwin Aérospatiale
Vozwin a financé et possède la recherche sur l'état de santé des batteries et des moteurs décrite ci-dessus, menée par sa division Laboratoires avec l'Université McGill et l'Université de Sherbrooke, avec le soutien du programme Accélération de Mitacs. Vermilion est la plateforme de production qui en est issue : un modèle de raisonnement informé par la physique, incubé dans le studio de création d'entreprises de Vozwin et fonctionnant maintenant comme sa propre entreprise, prêt pour la production et disponible pour un déploiement en périphérie, dans le nuage ou hors réseau. Vozwin Aérospatiale travaille le côté aéronef, en construisant des plateformes UAV qui enregistrent ces signaux dès le premier vol.
Vozwin AI est la partie du groupe qui aide une exploitation à passer de l'intérêt à un pilote qui fonctionne : le diagnostic de préparation de vos journaux et de vos dossiers, la décision de bâtir, d'acheter ou de s'associer, le pipeline de données et l'intégration avec vos systèmes de maintenance, la conception du pilote et de sa référence, et le travail d'adoption avec votre équipe. La même approche s'applique au-delà des drones, à tout équipement qui enregistre son propre fonctionnement. Si vous voulez savoir ce que vos données peuvent déjà prédire, la conversation commence par ce que vous enregistrez aujourd'hui.