L’IA pour améliorer la fiabilité et la résilience des parcs industriels
Afin d’améliorer la précision des diagnostics et des pronostics de défaillances dans l’automatisation industrielle, des algorithmes sont développés pour extraire des signatures de pannes et de dégradation.
Fiche signalétique
- Département responsable Technique et informatique
- Institut(s) Institute for Data Applications and Security (IDAS)
- Unité(s) de recherche IDAS / Management Science, Innovation, Sustainability and Entrepreneurship (MSIE)
- Organisation d'encouragement FNS
- Durée (prévue) 01.03.2023 - 28.02.2026
- Responsable du projet Prof. Dr. Angela Meyer
- Direction du projet Prof. Dr. Angela Meyer
-
Équipe du projet
Stefan Jonas
Dr. Albin Grataloup - Mots-clés apprentissage automatique, intelligence artificielle, énergies renouvelables, maintenance conditionnelle, détection des pannes, diagnostic des pannes, parcs éoliens, parcs industriels
Situation
Dans le domaine de l’automatisation industrielle et de la maintenance conditionnelle, les principaux actifs industriels sont surveillés par des capteurs à toute heure du jour et de la nuit, afin de détecter et de diagnostiquer rapidement les éventuelles défaillances. Divers modèles d’apprentissage automatique existants sont utilisés pour automatiser ces tâches de surveillance de la santé du système pour divers types d’actifs industriels, tels que les éoliennes et les centrales photovoltaïques.
Approche
L’un des principaux objectifs du diagnostic et du pronostic portant sur l’état des systèmes consiste à obtenir des modèles d’apprentissage automatique, qui effectuent ces tâches des données aussi précises et généralisables que celles fournies par d’autres systèmes d’un parc. Pour y parvenir, il faut, comme base d’entrainement, des ensembles de jeu de données suffisamment importants et représentatifs. Les données sur lesquelles le modèle est formé et les données que le modèle reçoit en fonctionnement devraient idéalement provenir du même processus de génération et de distribution de données, et être soumises aux mêmes tâches. Bien souvent, les conditions précitées ne sont pas remplies. Ce projet entend mettre au point et évaluer des approches d’apprentissage automatique permettant de remédier aux fréquents défauts de généralisation, qui tendent à entraver la fiabilité des méthodes basées sur les données, par exemple, dans la détection et le diagnostic des pannes.
Résultat
Les approches développées dans le cadre de ce projet doivent permettre de mettre en œuvre une maintenance préventive et un dépannage plus précis à un stade plus avancé. Les résultats qui en découlent contribueront à améliorer la fiabilité et la disponibilité des parcs industriels et à favoriser la résilience des stratégies de maintenance des parcs face à l’évolution des conditions d’exploitation.
