IN THE FIELD
Maintenance Magazine 143 – mars 2019
Le hardware est installé dans l’armoire électrique. La surveillance conditionnelle selon ATEX ou les environnements difficiles est donc aussi possible. (Photo : Semiotic Labs)
Le tableau de bord convivial s’intègre facilement. (Photo : Semiotic Labs)
« Au plus nous détectons et classifions des défaillances, au mieux nous pouvons reconnaître automatiquement les modes de défaillance », explique Dries van der Kleij de l’entreprise IoT Semiotic Labs. (Photo: LDS)
Semiotic Labs, la plateforme IoT fondée il y a 3,5 ans et qui emploie une vingtaine de personnes, surfe aussi sur les vagues d’Industrie 4.0 et de la maintenance prédictive. A voir au salon Maintenance.
La solution de Semiotic Labs se déploie en trois volets. Elle mesure le courant et les tensions qu’une machine absorbe à une haute fréquence. Dans ce flux de données, un logiciel auto-apprenant recherche des ‘empreintes de défaillance’ et des anomalies de comportement. Enfin, les données sont visualisées et affichées dans un tableau de bord.
Le courant et les tensions sont mesurés sur les actifs et les données constituent du matériel pour l’analyse. Celle-ci a lieu automatiquement et est améliorée en permanence selon les dernières perspectives. La mesure proprement dite a lieu dans le Motor Control Cabinet (MCC) où les données sont partiellement traitées dans la passerelle (edge computing). Au cours des premières deux à six semaines, selon le produit et le processus, l’appareil auto-apprend. « Après cette période, un modèle stable est connu. Les variations de courant et de tensions sont surveillées et permettent de détecter un changement sur l’image initiale en tant que défaillance », explique Dries van der Kleij (*).
Les algorithmes de classification recherchent en permanence les fameuses empreintes de défaillance. Ce sont les modèles dans les données qui indiquent des mécanismes de défaillance spécifiques comme un dommage aux roulements, des erreurs d’alignement ou la cavitation d’une pompe. Les algorithmes de détection d’anomalie signalent les écarts dans les modèles. A partir du moment où un écart ne peut pas être qualifié automatiquement, l’équipe data science de Semiotic Labs entre en action pour définir manuellement la cause. « Au plus nous détectons et classifions de défaillances (apprentissage supervisé) au mieux nous pouvons réaliser la classification automatique et signaler les défaillances tôt. Actuellement nous pouvons les prévoir jusqu’à quatre mois en avance mais nous mettons la barre toujours plus haut. Nous sommes capables de vérifier qu’une défaillance a lieu et de déterminer de quelle défaillance il s’agit pour les moteurs, une erreur d’alignement, une distorsion du cadre de la machine ou un dommage sur le chemin de roulement d’un roulement, par exemple. Pour les pompes à l’arrière, nous détectons aussi les cavités. »
Finalement, le résultat de l’analyse est visualisé sur un tableau de bord. « Nous avons placé la plateforme dans un environnement HTML5 afin que l’opérateur puisse suivre les évolutions dans le temps de manière conviviale, zoomer sur les fenêtres temporelles et établir des comparaisons entre les différents actifs. Nous sommes convaincus que la convivialité des données est cruciale, outre la fiabilité, parce que quand c’est trop complexe, on s’en détourne. Avoir une idée de l’état conditionnel de l’ensemble du parc machines est une grande valeur ajoutée pour le client. »
Une partie des données de courant et de tension est déjà filtrée dans la passerelle, en bordure. « Nous faisons cela pour réduire les paquets de données envoyés au cloud. Les mesures à haute fréquence sont transférées au cloud, là où l’apprentissage automatique a lieu », explique Dries van der Kleij. L’envoi des données se fait par le Wifi, la 4G ou le câble.
Les données collectées sont disponibles pour le client. « Nous proposons une plateforme et une visualisation. Si le client souhaite les intégrer par exemple dans son système ERP ou une plateforme comme Mindsphere (Siemens), c’est tout à fait possible. » Les clients demandent déjà une intégration dans leur système de gestion de maintenance. « Nous fournissons l’interface, y compris les alarmes par email, sms ou téléphone, qui peut représenter du matériel pour leurs systèmes. »
« Nous sommes uniques par la combinaison des mesures de tension et de courant et l’application de l’apprentissage automatique. La valeur obtenue est clairement supérieure à une simple mesure vibratoire. Dans les mesures de courant, on retrouve les défaillances mécaniques mais aussi électriques. L’analyse automatique se charge de tout cela. » Semiotic Labs fournit, lors d’une détection d’une anomalie, le type de défaillance présumé sur un composant d’un actif mesuré (une combinaison moteur-ventilateur, par exemple). Si le client confirme l’analyse, la plateforme d’apprentissage sera affinée. « Dans deux ans, nous pourrons désigner automatiquement toutes les défaillances sur les équipements rotatifs », assure Dries van der Kleij.
Semiotic Labs utilise des pinces de courant et des tensiomètres ‘classiques’. L’appareillage reste dans l’armoire électrique. Généralement, une mesure de tension et de courant triphasée a lieu par motopompe sur un Data Acquisition Device (DAQ) qui est suivi d’un commutateur. Ce qui explique la connexion vers la passerelle qui peut accueillir dix DAQ’s. « Le système n’est pas invasif et ne nécessite pas d’approbation ATEX. Nous n’avons pas d’impact sur l’actif. Cependant, il faut désactiver le moteur pendant une demi-heure pour l’installation. Aucune autre connexion n’est nécessaire. La pince autour du câble d’alimentation doit être correctement positionnée. »
« Nous obtenons une fiabilité des systèmes câblés sans devoir aller jusqu’à l’actif. Notre développement est intégré dans l’enregistreur de données et au logiciel interne de la passerelle. » Avantage : le système n’a pas besoin de batteries qu’il faut remplacer un jour, il n’est pas sujet aux réactions chimiques, aux températures élevées ou autres facteurs externes. « Dès que nous l’installons, les problèmes deviennent visibles. »
Le business case d’une surveillance conditionnelle en ligne est déterminée par le coût d’un arrêt non planifié. « Si l’actif est évalué de manière très critique, il y a certainement déjà un système de surveillance. Sinon, on le laisse tourner jusqu’à la défaillance. Le champ intermédiaire, d’une criticité de 2 et 3, est typiquement pour nous. Lorsque le coût d’un arrêt par défaillance est supérieur à 20 à 25.000 euros. »
L’entreprise a des références dans l’industrie chimique, pétrochimique, métallurgique et l’approvisionnement en eau. Tant des petites que des grandes machines peuvent être couplées au système. « Tous les équipements rotatifs sont acceptés, ce qui nous permet d’être aussi actif dans le segment des mines et des minéraux (ciment, papier et autres sites de production). » Tester la technologie sur une seule machine ? Cela peut durer un certain temps avant qu’une défaillance ne se produise… pour pouvoir en apprendre plus. « Voilà pourquoi il est recommandé de faire des essais sur un plus grand nombre. Notre kit de démarrage est livré pour 10 pièces. »
« Nous n’installons pas. Nous préférons que le client s’en charge ou fasse appel à un installateur. Nous fournissons le manuel et le support. » Semiotic Labs implémente sa solution dans le cloud puis suit l’évolution ‘orange’ ou ‘rouge’. Lorsque des dommages sont détectés, des discussions ont lieu avec le client et des analyses sont réalisées. Au fil du temps, une bibliothèque de machines est créée avec les défaillances qui permettent d’en apprendre davantage.<<
Par Luc De Smet
(*) Dries van der Kleij (38) était ingénieur industriel chez Groep T avant de suivre un Master complémentaire en génie biomédical et clinique à la KU Leuven. Il a travaillé chez Atlas Copco, SKF et ABB et connaît bien le monde des équipements rotatifs et de la surveillance conditionnelle.
