équipement industriel

Le domaine technique de l’invention est celui de la maintenance d’équipements industriels. La présente invention concerne un procédé et un système de détection de défaillance et en particulier l’utilisation d’un algorithme d’apprentissage automatique supervisé mono-classe pour la détection de déviation de fonctionnement d’un équipement industriel.

L’objectif de la maintenance industrielle est de détecter et corriger les défaillances d’un équipement industriel afin que celui-ci soit en mesure d’assurer un service déterminé.

Pour atteindre cet objectif, différentes stratégies sont utilisées. La première stratégie est la maintenance corrective, effectuée après la détection d’une panne et destinée à remettre un équipement dans un état de fonctionnement normal, pour qu’il puisse assurer le service requis. Ce type de maintenance est le plus coûteux car il nécessite qu’une panne ait lieu, et demande donc des réparations en urgence à toute heure, pour limiter le temps d’immobilisation de l’équipement.

La deuxième stratégie est la maintenance préventive, effectuée à intervalles réguliers dans le temps, dans l’objectif de prévenir une panne. Ces opérations de maintenance permettent de réduire la probabilité de défaillance car le fonctionnement normal de l’équipement est vérifié périodiquement. L’inconvénient majeur de cette approche est qu’elle se fonde sur des indicateurs statistiques (par exemple, le temps moyen avant panne) qui ne prennent pas en compte le mode d’opération spécifique de l’équipement (comme la cadence ou les arrêts machine). Une partie des opérations de maintenance résultera alors nécessairement en des opérations de maintenance inutiles ou des réparations dues à des casses.

La maintenance prédictive est une troisième stratégie qui vise à pallier les inconvénients des deux autres stratégies de maintenance. La maintenance prédictive est fondée sur l’observation du fonctionnement de l’équipement. Cette surveillance peut être réalisée en continu, à la demande, ou selon un calendrier. L’objectif de la maintenance prédictive est d’utiliser les données résultant de cette surveillance pour planifier des opérations de maintenance à un instant où mettre en œuvre ces opérations est le plus économique et avant que la performance de l’équipement ne se dégrade au-delà d’un certain seuil. Il existe plusieurs types de maintenance prédictive. Un premier type de maintenance prédictive est nommé pronostic de défaillance et gestion de la santé et cherche à prédire l’instant où l’équipement arrêtera de remplir sa fonction principale. On cherche ainsi à prédire la vie utile résiduelle, c’est-à-dire la période restante durant laquelle l’équipement sera opérationnel, à partir de modèles physiques de fonctionnement de l’équipement et de l’évaluation de paramètres significatifs de la dégradation du bien. Pour que le pronostic puisse être précis, il est essentiel de pouvoir modéliser l’équipement et donc de connaître ses modes de défaillance.

Plutôt que de s’appuyer sur des indicateurs industriels ou statistiques pour prévoir les tâches de maintenance, un autre type de maintenance prédictive utilise l’observation directe de l’équipement (condition mécanique, rendement, et d’autres indicateurs) pour déterminer une perte d’efficience de l’équipement. Ce type de maintenance prédictive s’appuie ensuite sur des méthodes d’apprentissage automatique (selon la terminologie anglo-saxonne machine learning) supervisé pour classer les données acquises et ainsi détecter si l’équipement est dans un mode de fonctionnement conforme à son mode de fonctionnement normal ou s’il dévie de son mode de fonctionnement normal. Le terme supervisé signifie que l’algorithme mettant en œuvre une telle méthode d’apprentissage automatique doit apprendre ce qu’est un fonctionnement normal et ce qu’est une déviation du fonctionnement normal. Cela implique de définir à l’avance un état de fonctionnement normal et un état de fonctionnement dévié.

Pour cela, le document US 2012304008 A1 (H. HAGSTEIN ET AL. [DE]) propose, à partir de règles définies manuellement par des experts humains, de créer un jeu de données artificielles d’entraînement correspondant à un état de fonctionnement dévié artificiel.

Cependant, dans les secteurs où les équipements industriels subissent très peu de pannes et où les pannes peuvent avoir des origines multiples et difficilement identifiables, il n’est pas possible de définir à l’avance un état de fonctionnement dévié ni de telles règles pour réussir à mettre en place une maintenance prédictive selon l’état de la technique présenté précédemment.

Il existe donc un besoin de mettre en place une maintenance prédictive efficace, notamment pour les équipements subissant peu de pannes ou des déviations lentes.

L’invention offre une solution aux problèmes évoqués précédemment, en proposant un procédé de maintenance prédictive capable de détecter une déviation dans le mode de fonctionnement d’un équipement, notamment un équipement subissant peu de pannes ou des déviations lentes.

Pour cela, un aspect de l’invention concerne un procédé de détection de déviation de fonctionnement d’au moins un équipement comprenant :

- une étape d’acquisition d’au moins une observation, une observation comprenant au moins une mesure d’au moins une variable de fonctionnement de l’équipement;

- une étape de création d’au moins un vecteur de données de fonctionnement de l’équipement comprenant un horodatage et l'observation précédemment acquise ;

- une étape de classification du vecteur de données comme étant caractéristique d’un fonctionnement normal de l’équipement ou comme ne l’étant pas par le système de détection de déviations implémentant un algorithme d’apprentissage automatique supervisé mono-classe;

- une étape de détection de déviation par ledit système de détection de déviations si au moins un vecteur de données n’est pas classé dans la classe « fonctionnement normal ».

Ainsi, en utilisant un algorithme d’apprentissage automatique supervisé mono classe, l’invention permet de déterminer les déviations d’un équipement sans avoir à disposition des données correspondant à un état de déviation. Ce sont donc uniquement des mesures de variables de fonctionnement correspondant à un fonctionnement normal de l’équipement qui sont utilisées en tant que jeu de données d’entraînement et de test lors des étapes d’apprentissage et de test de l’algorithme.

Une fois l’algorithme entraîné et testé, le système de détection de déviations l’implémentant est capable de classer les vecteurs de données de fonctionnement qui lui sont transmis, soit dans une classe « fonctionnement normal », soit en dehors de cette classe. Les vecteurs classés en dehors de ladite classe sont alors considérés comme représentant une déviation de l’équipement de son fonctionnement normal.

Outre les caractéristiques qui viennent d’être évoquées dans le paragraphe précédent, le procédé de détection de déviation selon un aspect de l’invention peut présenter une ou plusieurs caractéristiques complémentaires parmi les suivantes, considérées individuellement ou selon toutes les combinaisons techniquement possibles : - le procédé est caractérise en outre en ce que :

• Il comprend une étape de création d’un vecteur d’état, comprenant l’horodatage du vecteur de données de fonctionnement et les mesures de variables d’état comprises dans le vecteur de données de fonctionnement et/ou d’un vecteur de traitement, comprenant l’horodatage du vecteur de données et les mesures de variables de traitement comprises dans le vecteur de données de fonctionnement par un système de détection de déviations ;

• Chacun des vecteurs d’état et de traitement sont classifiés à l’étape de classification ;

• L’algorithme d’apprentissage implémenté par le système de détection de déviation utilise un premier modèle pour classifier le vecteur d’état et un second modèle pour classifier le vecteur de traitement ;

• Une déviation est détectée à l’étape de détection de déviation par ledit système de détection de déviations si au moins un des vecteurs d’état et de traitement n’est pas classé dans la classe « fonctionnement normal ».

- Le procédé comprend en outre :

o une étape d’entraînement de l’algorithme d’apprentissage automatique supervisé mono-classe avec un ensemble de vecteurs de données d’entraînement comprenant au moins un vecteur d’état et au moins un vecteur de traitement pour créer deux modèles :

^■ un premier modèle permettant de classifier des vecteurs d’état, estimé à partir des vecteurs d’état d’entraînement, chaque vecteur d’état d’entraînement comprenant au moins une mesure d’au moins une variable de traitement de l’équipement correspondant à un fonctionnement normal et une classe représentative du fonctionnement normal et

^■ un second modèle permettant de classifier des vecteurs de traitement, estimé à partir des vecteurs de traitement d’entraînement, chaque vecteur de traitement d’entraînement comprenant au moins une mesure d’au moins une variable de traitement de l’équipement correspondant à un fonctionnement normal et une classe représentative du fonctionnement normal ; o une étape de test des modèles avec un ensemble de vecteurs de données de test, chaque vecteur de données de test comprenant un horodatage, au moins une mesure d’une variable d’état de l’équipement et au moins une mesure d’une variable de traitement de l’équipement.

- Le procédé selon l’invention comporte en outre une étape de transmission du vecteur de données de fonctionnement au système de détection de déviations.

- L’algorithme d’apprentissage supervisé mono-classe est de type Machines à Vecteurs de Support mono-classe « One-class Support Vector Machine ».

- L’étape de détection de déviation comprend en outre l’envoi d’une notification de déviation à un opérateur après avoir détecté une déviation.

- L’équipement est un équipement d’une unité de production de fluide, en particulier une unité de production de fluide par séparation des composants de l’air (« ASU » selon la dénomination anglo-saxonne « Air Séparation Unit »).

- L’équipement est un équipement choisi parmi une pompe cryogénique, un compresseur, un échangeur de chaleur.

- L’équipement est du type compresseur d’air, d’oxygène ou d’azote.

- L’étape d’acquisition est réalisée par un capteur choisi parmi les capteurs suivants : capteurs de température, de pression, de fréquence, de vitesse de rotation, de débit, d’intensité, wattmètre, ampèremètre, voltmètre.

- Les variables d’état sont des variables choisies parmi la température du roulement à billes et/ou les vibrations de l’équipement et les variables de traitement sont des variables choisies parmi les variables de température des fluides en entrée et en sortie de l’équipement et/ou les variables de pression en entrée et en sortie de l’équipement.

Avantageusement, l’algorithme d’apprentissage automatique supervisé peut utiliser deux modèles pour classer les vecteurs de données, en catégorisant les variables de fonctionnement mesurées.

Par « variable de fonctionnement » on entend une grandeur physique de base telle que la température, le temps, l’intensité électrique ou encore l’intensité lumineuse, une grandeur physique dérivée telle que la puissance électrique, la pression, la fréquence, la vitesse, l’accélération ou encore le débit d’air ou toute variable permettant de définir l’état de fonctionnement d’un équipement comme la fréquence de vibration, la vitesse de vibration et l’amplitude de vibration. Par exemple, dans le cas d’un équipement tel qu’une pompe cryogénique, les variables de fonctionnement peuvent comprendre la température en sortie, la pression en entrée et en sortie, la température du roulement à billes, les vibrations.

Dans le cas d’un compresseur à deux étages, les variables de fonctionnement peuvent comprendre la température du circuit d’huile, la température d’aspiration à chaque étage, la température de refoulement à chaque étage, la température du fluide de refroidissement en sortie de chaque échangeur, la pression du circuit d’huile, la pression d’aspiration de chaque étage, la pression de refoulement de chaque étage, l’intensité du moteur, la puissance consommée, le débit du cycle d’air, les vibrations.

Ces variables de fonctionnement peuvent donc être divisées en deux catégories : les variables d’état, et les variables de traitement. Les variables d’état permettent de décrire l’état de santé de l’équipement, et les variables de traitement permettent de décrire l’impact de l’équipement sur l’élément extérieur qu’il a à traiter, comme un fluide dans le cas d’un compresseur.

Par exemple, dans le cas d’une pompe cryogénique, les variables d’état peuvent être la température du roulement à billes et les vibrations, puisque ces variables décrivent l’état de fonctionnement de la pompe cryogénique. Les variables de traitement quant à elles peuvent être la température en sortie et la pression en entrée et en sortie, car ces variables décrivent la façon dont la pompe cryogénique traite les fluides. Ainsi, si la pression en entrée de la pompe cryogénique subit une forte variation, il est possible de décrire un traitement anormal du fluide par l’équipement.

Dans le cas d’un échangeur de chaleur, il est possible de décrire le traitement effectué par l’équipement sur un fluide grâce aux variables de traitement que sont la température des fluides dans le premier et dans le second circuit, en entrée et en sortie de l’équipement. Ainsi, si la température du fluide en sortie d’un des circuits subit une variation anormale au cours du temps, il est possible de décrire un traitement anormal du fluide par l’échangeur de chaleur.

Le fait de diviser les variables de fonctionnement en deux catégories permet avantageusement de définir un niveau de criticité d’une déviation détectée d’une variable de fonctionnement appartenant à l’une ou l’autre des catégories. En effet, dans le cas d’un compresseur, un taux de compression anormal de l’air calculé grâce à la pression en entrée et en sortie de l’équipement qui sont des variables de traitement, peut correspondre à un début d’encrassement du circuit d’huile. Cette déviation peut être considérée moins critique qu’un état de fonctionnement anormal du moteur du compresseur décrit par sa vitesse de rotation (une variable d’état), qui entraînerait l’arrêt du fonctionnement de l’équipement. Cela permet aussi avantageusement par la suite de catégoriser une déviation automatiquement, et donc à un expert métier d’identifier plus facilement une défaillance à partir de la déviation détectée.

Un autre aspect de l’invention concerne un système de détection de déviation de fonctionnement d’au moins un équipement mettant en œuvre le procédé selon l’invention comprenant :

- un module d’acquisition d’une observation, l’observation comprenant au moins une mesure d’au moins une variable de fonctionnement de l’équipement ;

- un module de création d’un vecteur de données de fonctionnement de l’équipement, ledit vecteur de données de fonctionnement comprenant au moins un horodatage et l’observation précédemment acquise ;

- un module de détection de déviations comprenant :

o un sous-module de classification de chaque vecteur de données de fonctionnement;

o un sous-module d’alerte qui reçoit au moins un vecteur n’ayant pas été classé comme étant caractéristique d’un fonctionnement normal de l’équipement par le sous-module de classification et qui détecte une déviation de l’équipement à partir dudit vecteur reçu ;

Le sous-module de classification peut être configuré en outre pour réaliser l’étape de création de vecteur d’état et de traitement et l’étape de classification.

Le module d’acquisition peut être configuré pour acquérir une observation via un capteur, via un équipement de télémétrie ou via un réseau de communication.

L’invention concerne également un équipement comprenant le système de détection de déviation selon l’invention.

L’équipement peut être un équipement d’une unité de production de fluide, en particulier une unité de production de fluide par séparation des composants de l’air de type « ASU » ou « Air Séparation Unit ».

L’équipement peut être choisi parmi une pompe cryogénique, un compresseur, un échangeur de chaleur.

L’équipement peut être du type compresseur d’air, d’oxygène ou d’azote. La présente invention a également pour objet un programme d’ordinateur comportant des moyens pour l’exécution des étapes du procédé selon l’invention lorsque ledit programme est exécuté sur un ordinateur.

L’invention et ses différentes applications seront mieux comprises à la lecture de la description qui suit et à l’examen des figures qui l’accompagnent.

Les figures sont présentées à titre indicatif et nullement limitatif de l’invention. La Figure 1 montre une représentation schématique du système selon l’invention.

La Figure 2 montre une représentation schématique du module de détection de déviation selon l’invention.

La Figure 3 montre une représentation schématique des étapes du procédé selon l’invention.

Sauf précision contraire, un même élément apparaissant sur des figures différentes présente une référence unique.

Un mode de réalisation du système de détection de déviations d’au moins un équipement selon l’invention est représenté schématiquement sur la Figure 1 .

Par « équipement » on entend tout ou partie de l’ensemble du matériel de production d’une entreprise, notamment du matériel subissant très peu de pannes et où les pannes peuvent avoir des origines multiples et difficilement identifiables, comme par exemple une machine telle qu’une pompe cryogénique, un compresseur à étages, un échangeur de chaleur.

Le système de détection de déviations 100 d’au moins un équipement selon l’invention comprend un module d’acquisition 10, un module de traitement 20, un module de transmission 30, et un module de détection de déviations 40 comprenant un sous-module de classement de données 50 et un sous-module d’alerte 60.

Le module d’acquisition 10 est capable d’acquérir au moins une observation. Une observation comprend au moins une mesure d’au moins une variable de fonctionnement de l’équipement. La variable de fonctionnement mesurée peut ainsi être une variable d’état ou une variable de traitement. Dans le cas où plusieurs variables sont mesurées, une observation peut comprendre seulement des mesures d’une ou plusieurs variables d’état, seulement des mesures d’une ou plusieurs variables de traitement ou des mesures d’une ou plusieurs variables d’état et d’une ou plusieurs variables de traitement conjointement. Ainsi, une observation d’un compresseur peut comprendre par exemple une mesure de la vitesse de rotation du moteur du compresseur ainsi qu’une mesure de la pression du circuit d’huile.

Le module d’acquisition 10 est capable d’acquérir au moins une observation via au moins un capteur, un équipement de télémétrie, un réseau de communication, une interface homme-machine, ou via tout autre moyen d’acquisition de données.

Par « capteur » on entend un dispositif capable de recueillir la mesure d’une grandeur physique et la transformer en un signal correspondant. Ainsi, le module d’acquisition 10 est capable d’acquérir au moins une observation comprenant une mesure de pression du circuit d’huile via par exemple un capteur de pression connecté au circuit d’huile.

Par « équipement de télémétrie », on entend un dispositif capable d’interroger des capteurs, recevoir des données de ces capteurs et transmettre ces données via un réseau de communication à un dispositif du réseau.

Par « via un réseau de communication » on entend que le module d’acquisition 10 est capable d’acquérir au moins une observation en transit dans un réseau de communication ou stockée au sein d’un réseau de communication. Ainsi, le module d’acquisition 10 est capable d’acquérir au moins une observation par exemple stockée sur un serveur informatique distant (« cloud » selon la dénomination anglo-saxonne) ou envoyée par un équipement du réseau audit module d’acquisition 10.

Par « interface homme-machine » on entend une interface permettant à un expert métier de fournir des données au module d’acquisition 10, par exemple via un clavier, une souris, ou un ou plusieurs boutons.

Le module de création 20 d’un vecteur de données permet de synchroniser les données acquises par le module d’acquisition 10 en les horodatant. Le module de création 20 d’un vecteur de données crée, à partir d’une observation acquise par le module d’acquisition 10, un vecteur de données comprenant au moins un horodatage et ladite observation acquise par le module d’acquisition 10.

On entend par horodatage l’association d’une date à l’observation, comme par exemple la date de la prise de mesure ou la date à laquelle est effectué l’horodatage. Cette date peut comprendre l’année, le mois, le jour, l’heure, les minutes, les secondes, les millisecondes.

Grâce à cet horodatage, le module de détection de déviation 40 peut par la suite ordonner les observations reçues et ainsi avoir une représentation cohérente du fonctionnement de l’équipement pour détecter des variations lentes dans le temps (de faibles baisses de pression s’étalant sur plusieurs mois par exemple).

Le module de transmission 30 dudit vecteur de données permet de transmettre le vecteur de données créé précédemment par le module de création 20. Ce module de transmission 30 peut comprendre un moyen pour transmettre des données sans-fil comme une antenne, un moyen filaire, ou tout autre moyen de transmission de données.

On peut voir sur la Figure 2 une représentation schématique du module de détection de déviations 40, qui comprend deux sous-modules : un sous-module de classification 50 et un sous-module d’alerte 60.

Le sous-module de classification 50 est configuré pour recevoir le vecteur de données 120 transmis par le module de transmission 30. De plus, le sous-module de classification 50 est configuré pour créer, à partir du vecteur de données 120, deux vecteurs : un vecteur d’état de l’équipement comprenant les mesures de variables d’état comprises dans le vecteur de données 120 et un vecteur de traitement comprenant les mesures de variables de traitement comprises dans le vecteur de données 120. Si seulement une des deux catégories de données est présente dans le vecteur de données 120, seul un vecteur correspondant à la catégorie de données sera créé. Le sous-module de classification 50 est aussi capable de classer les vecteurs d’état et de traitement dans une classe « fonctionnement normal » ou comme n’y appartenant pas.

Ainsi, chaque vecteur d’état et de traitement va être classé par un algorithme implémenté par le sous-module de classification 50 en utilisant un modèle qui lui est propre : respectivement un premier modèle 1 10 estimé à partir de mesures de variables d’état et/ou un second modèle 1 1 1 estimé à partir de mesures de variables de traitement.

Chaque vecteur d’état et de traitement est ainsi classé comme appartenant à une classe « fonctionnement normal » ou comme n’y appartenant pas, par un algorithme d’apprentissage automatique supervisé.

On entend par « classé comme appartenant à une classe « fonctionnement normal » » l’ajout d’un label au vecteur indiquant « fonctionnement normal ».

Un algorithme d’apprentissage automatique supervisé est un algorithme qui va trouver une fonction de prédiction associant à chaque donnée d’entrée une classe en sortie. L’algorithme est « supervisé » quand, pour trouver cette fonction de prédiction, l’algorithme doit apprendre à partir de données d’exemple déjà classées. C’est l’étape d’entraînement, les exemples déjà classés sont donc appelés les données d’entraînement. Ces données peuvent avoir été récoltées directement depuis un capteur sur un équipement ou depuis un équipement réseau et annotées ultérieurement, ou encore elles peuvent avoir été créées par un expert métier. Lors de cette phase d’entraînement, la fonction de prédiction trouvée est appelée « modèle ».

Une phase de test subsidiaire permet de tester la robustesse du modèle estimé avec des données de test, provenant du même jeu de données que les données d’entraînement. Cependant, contrairement aux données d’entraînement, ces données de test ne sont pas annotées. Ainsi, un expert métier devra, à la lecture des résultats de la phase de test, décider si le modèle estimé est assez robuste, c’est-à-dire que le nombre de faux positifs (données de test classées comme n’appartenant pas à la classe « fonctionnement normal » alors qu’elles y appartiennent) et de faux négatifs (données de test classées comme appartenant à la classe « fonctionnement normal » alors qu’elles n’y appartiennent pas) ne dépasse pas un certain seuil fixé par l’expert.

Ces deux phases de test et d’entraînement nécessitent normalement d’annoter des données comme étant des données de « fonctionnement normal » et d’autres données comme étant des données de « déviation ». Cependant, dans les secteurs où les équipements industriels subissent très peu de pannes et où les pannes peuvent avoir des origines multiples et difficilement identifiables, comme sur une pompe cryogénique, un échangeur de chaleur ou un compresseur présentés précédemment, il n’est pas possible de définir à l’avance un état de fonctionnement dévié ou défaillant.

Selon l’invention, la méthode d’apprentissage automatique supervisée est un algorithme d’apprentissage automatique supervisé mono-classe, par exemple une Machine à Vecteurs de Support mono-classe (« One-Class SVM » selon la dénomination anglo-saxonne « One-Class Support Vector Machine »).

Un algorithme de type « SVM » va chercher une frontière linéaire de séparation entre les données d’entraînement fournies en entrée pour les classer. Cette frontière va être trouvée grâce à la maximisation de la marge entre la frontière et les échantillons les plus proches de la frontière. Les données n’étant pas toujours linéairement séparables, un algorithme de type « SVM » va transformer l’espace de représentation des données d’entrées en un espace de plus grande dimension, dans lequel il est probable qu’il existe une séparation linéaire, un hyperplan optimal. Le calcul de la marge maximale implique d’avoir au moins deux classes de données d’entraînement, ce qui n’est pas le cas par exemple quand on traite d’équipements connaissant peu de pannes ou des déviations lentes.

Avantageusement, un algorithme d’apprentissage supervisé dit « mono classe » permet de n’avoir à définir qu’un état de « fonctionnement normal », et donc de n’annoter que des données de « fonctionnement normal ». Pour ce faire, un algorithme de type « One-Class SVM » va considérer l’origine de l’espace dans lequel les données sont représentées comme étant le seul membre d’une seconde classe. Il va alors maximiser la marge entre la classe comprenant les données d’entraînement et la classe comprenant l’origine. On cherche donc l’hyperplan le plus éloigné de l’origine qui sépare les données de l’origine.

Ainsi, l’algorithme de type « One-Class SVM », qui est un « SVM » mono classe, n’a besoin que de données d’entraînement d’une classe pour estimer un modèle et classifier des données par la suite.

Lors de la phase d’entraînement, l’algorithme ne se verra présenté en entrée que des données de « fonctionnement normal », et estimera ainsi un modèle. Lors des phases de test et de réception de vecteurs de données 120, le sous-module de classification 50 est alors capable de classer des vecteurs de données comme n’appartenant pas à la classe « fonctionnement normal », alors même qu’aucune donnée n’appartenant pas à la classe « fonctionnement normal » n’avait été utilisée pour entraîner l’algorithme lors de la phase d’entraînement.

Pour cela, le sous-module est configuré pour entraîner et tester l’algorithme d’apprentissage automatique supervisé mono-classe, afin d’estimer deux modèles : un premier modèle 1 10 est estimé avec des mesures de variables d’état, tandis qu’un second modèle 1 1 1 est estimé avec des mesures de variables de traitement.

Dans une variante moins avantageuse, ces deux modèles 1 10 et 1 1 1 peuvent être confondus, c’est-à-dire qu’un seul et même modèle peut être estimé avec des mesures de variables d’état et de traitement, ou, dans le cas où ne sont mesurées sur l’équipement que des variables d’état ou que des variables de traitement, qu’un seul modèle peut être estimé avec les mesures de variables existantes.

Le sous-module de classification 50 choisit le modèle 1 10 ou le modèle 1 1 1 à utiliser pour classer le vecteur de données en fonction de la catégorie des variables de fonctionnement mesurées qu’il contient. Après avoir créé un vecteur d’état comprenant un horodatage et des mesures de variables d’état et un vecteur de traitement comprenant un horodatage et des mesures de variables de fonctionnement, le sous-module de classification 50 classe chaque vecteur en utilisant le modèle qui lui est propre (le modèle 1 10 pour un vecteur d’état et le modèle 1 1 1 pour un vecteur de traitement) dans une classe « fonctionnement normal » en y ajoutant une étiquette « fonctionnement normal », pour les vecteurs d’état 121 et de traitement 124, ou comme n’y appartenant pas en n’ajoutant pas cette étiquette, pour les vecteurs d’état 122 et de traitement 123.

Alors que seules des données de « fonctionnement normal » sont disponibles, car il est difficile de modéliser des états de déviation, de décrire l’ensemble des pannes possibles sur un équipement, ou de déceler des déviations lentes dans le temps (sur plusieurs mois), l’utilisation d’un algorithme d’apprentissage supervisé mono-classe permet avantageusement de détecter des déviations jusqu’alors inconnues, trop complexes à modéliser ou trop difficiles à déceler.

Le sous-module de classification 50 est en outre configuré pour envoyer le vecteur d’état 122 ou le vecteur de traitement 123 classé comme n’appartenant pas à la classe « fonctionnement normal » au sous-module d’alerte 60.

Le sous-module d’alerte 60 est configuré pour recevoir le vecteur d’état 122 ou le vecteur de traitement 123.

En outre, le sous-module 60 est configuré pour émettre une notification 70 de déviation à un expert métier à la réception du vecteur d’état 122 ou du vecteur de traitement 123. Cette notification 70 peut être effectuée à distance, par l’envoi d’un message via un réseau de communication à l’opérateur, ou par un affichage sur une interface homme-machine. Cette notification 70 comprend des informations sur la déviation détectée, ces informations pouvant comprendre par exemple l’équipement défaillant, l’horodatage, la ou les variables de fonctionnement selon lesquelles a été détectée la déviation, et le ou les capteurs associés à ces variables de fonctionnement.

Cette notification 70 permet ainsi à l’expert métier de décider si une maintenance de l’équipement est nécessaire. Avantageusement, il est possible, dans cette notification, d’indiquer à quelle catégorie (vecteur d’état ou vecteur de traitement) appartient le vecteur de données classé comme n’appartenant pas à la classe « fonctionnement normal », afin de permettre à l’expert métier d’identifier l’origine de la déviation plus rapidement et sa criticité. Une représentation schématique des étapes du procédé de détection de déviations 300 selon l’invention est visible en Figure 3.

Le procédé de détection de déviations 300 comprend une première étape 310 d’entraînement d’un algorithme d’apprentissage automatique supervisé mono-classe. Cet algorithme d’apprentissage automatique supervisé est implémenté par le module de classification 50.

Lors d’une première étape 310 d’entraînement, l’algorithme d’apprentissage automatique supervisé crée deux modèles 1 10 et 1 1 1 estimés grâce à des données d’entraînement 31 1 fournies en entrée, lesdites données d’entraînement 31 1 provenant d’un jeu de données 301 . Par exemple, les données d’entraînement 31 1 peuvent comprendre 80% du jeu de données 301 et les données de test 321 utilisées à l’étape suivante 320 peuvent comprendre 20% du jeu de données 301 .

Ce jeu de données 301 comprend plus d’une observation passée d’au moins une variable d’état et une variable de fonctionnement d’un équipement. Le modèle 1 10 est estimé grâce aux mesures de variables d’état des données d’entraînement 31 1 et le modèle 1 1 1 est estimé grâce aux mesures de variables de fonctionnement des données d’entraînement 31 1 .

Selon l’invention, l’algorithme d’apprentissage automatique supervisé étant mono-classe, les données d’entraînement 31 1 sont toutes annotées comme appartenant à une même classe de « fonctionnement normal » d’un équipement. Cette annotation peut avoir été effectuée par un expert métier, qui aura alors sélectionné ces données parmi le jeu de données 301 comme représentatives du fonctionnement normal de l’équipement.

Une fois entraîné, c’est-à-dire une fois que les deux modèles 1 10 et 1 1 1 sont estimés, l’algorithme d’apprentissage automatique supervisé mono-classe, qui peut être par exemple de type « One-Class SVM », est testé lors d’une étape 320 de test. Ce test est réalisé avec des données de test 321 provenant du même jeu de données 301 que les données d’entraînement 31 1 , à l’exception que ces données de test 321 sont non annotées. Ainsi, l’expert métier va pouvoir évaluer les décisions prises par l’algorithme d’apprentissage automatique supervisé mono-classe avec les modèles 1 10 et 1 1 1 . Si l’expert métier décide que chaque modèle estimé 1 10 et 1 1 1 est fiable, il le valide et vient alors l’étape suivante d’acquisition 330. Le modèle 1 10 est testé avec des mesures de variables d’état provenant des données de test 321 et le modèle 1 1 1 est testé avec des mesures de variables de fonctionnement provenant des données de test 321 .

La troisième étape 330 est une étape d’acquisition d’au moins une observation 331 d’au moins un équipement. Comme défini précédemment, une observation 331 comprend au moins une mesure d’au moins une variable de fonctionnement de l’équipement. Cette observation peut comprendre au moins une mesure d’une variable d’état, au moins une mesure d’une variable de traitement, ou une combinaison des deux. Cette étape d’acquisition 330 est réalisée par le module d’acquisition 10 via un capteur, via un réseau de communication ou encore via un équipement de télémétrie.

Dans une quatrième étape 340, un vecteur de données est créé à partir de l’observation. Cette étape 340 de création de vecteur de données est réalisée par le module 20 de création de vecteur de données. Durant cette étape 340, un horodatage est ajouté au vecteur de données afin de pouvoir ordonner par la suite les observations et ainsi modéliser au mieux le fonctionnement de l’équipement.

Une cinquième étape 350 de transmission du vecteur de données est réalisée par le module 30 de transmission. Le vecteur de données ainsi créé à l’étape 340 précédente est transmis au module 40 de détection de déviations.

Une sixième étape 360 de création de vecteur à partir du vecteur de données est réalisée par le sous-module de classification 50. Cette étape comprend la création d’au moins un vecteur, ce vecteur pouvant être un vecteur d’état, comprenant l’horodatage du vecteur de données et les mesures de variables d’état comprises dans le vecteur de données, ou pouvant être un vecteur de traitement, comprenant l’horodatage du vecteur de données et les mesures de variables de traitement comprises dans le vecteur de données.

Les deux types de vecteurs peuvent aussi être créés, dans le cas où le vecteur de données comprendrait les deux catégories de mesures de variables d’état et de variables de fonctionnement.

Une septième étape 370 comprend la classification de chacun des vecteurs d’état et/ou de traitement résultant de l’étape 360 précédente comme appartenant à une classe « fonctionnement normal » ou comme n’y appartenant pas. Cette classification est réalisée par un algorithme d’apprentissage automatique mono-classe implémenté par le sous-module de classification 50. Cet algorithme utilise le modèle 1 10 pour décider si un vecteur d’état appartient à la classe « fonctionnement normal » ou s’I n’y appartient pas. Ce modèle a précédemment été estimé à l’étape d’entraînement 310 et testé à l’étape de test 320 avec des mesures de variables d’état. Cet algorithme utilise aussi le modèle 1 1 1 pour décider si un vecteur de traitement appartient à la classe « fonctionnement normal » ou s’il n’y appartient pas. Ce modèle a précédemment été estimé à l’étape d’entraînement 310 et testé à l’étape de test 320 avec des mesures de variables de traitement.

Lors de cette étape 370, si le module de classification 50, via l’algorithme d’apprentissage automatique supervisé qui utilise les modèles estimés, décide que le vecteur d’état et/ou le vecteur de traitement appartient à la classe « fonctionnement normal », il y ajoute une étiquette « fonctionnement normal ». Si, au contraire, il décide que le vecteur d’état et/ou de traitement n’appartient pas à la classe « fonctionnement normal », il transmet le vecteur d’état et/ou le vecteur de traitement n’appartenant pas à la classe « fonctionnement normal » au module d’alerte 60, qui le reçoit dans une étape suivante 380.

Une huitième étape 380 de détection de déviation comprend la réception du vecteur classé comme n’appartenant pas à la classe « fonctionnement normal ». Cette étape 380 peut aussi comprendre la notification à un expert métier d’une déviation détectée sur l’équipement. Cette notification peut comprendre par exemple des informations concernant l’équipement, l’horodatage de l’observation, l’horodatage de la détection de la déviation, la ou les variables de fonctionnement en cause et le ou les capteurs associés à ces variables de fonctionnement, la catégorie à laquelle appartient le vecteur (d’état ou de traitement). Cela permet à l’expert métier de prendre une décision éclairée quant à la mise en place d’une opération de maintenance sur l’équipement.

Ainsi, le procédé 300 permet la détection de déviations d’un équipement alors même que ces déviations sont inconnues, qu’il est difficile de modéliser des états de déviation de l’équipement ou de décrire l’ensemble de ses déviations possibles. Il permet aussi de catégoriser si la déviation a un impact sur l’état de santé de l’équipement ou sur le traitement de l’élément extérieur qu’a à traiter l’équipement (comme un fluide par exemple), grâce à la catégorisation des variables de fonctionnement.