Le Tiny Machine Learning fait de grands progrès

en matière de maintenance prédictive

Le concept d'apprentissage automatique minuscule (Tiny Machine Learning) gagne rapidement en popularité. Et non sans raison. Fondamentalement, il s'agit de l'apprentissage automatique tel que nous le connaissons depuis un certain temps: une combinaison de software et de hardware utilisés pour analyser des big data. Le TML se distingue de ce concept par le fait que les coûts associés sont nettement inférieurs. En effet, le capteur mesurant un paramètre pertinent est directement relié à une micropuce exécutant l'algorithme requis. Cela permet de déterminer localement si une valeur mesurée particulière est suffisamment intéressante pour être transmise. Dans le cas contraire, l'utilisateur économise l'énergie pour le transfert des données. Et ces économies peuvent s'additionner.

Prédire à l'aide de données

Cela fait déjà plusieurs années que les ingénieurs sont conscients des possibilités qu'offrent de grandes quantités de données pour surveiller les machines et les installations. Ces dernières années, les progrès techniques - notamment les capteurs toujours moins chers et la puissance de calcul croissante des ordinateurs - ont permis de donner forme à ces idées et de les mettre en pratique.

Les attentes qui en découlaient se sont concrétisées dans de nombreux domaines: une bonne analyse de données pertinentes permet en effet de mieux comprendre le fonctionnement et le comportement des machines et des installations. Cela permet de mieux prévoir les besoins de maintenance ou de prévenir les calamités. Jusque là, tout va bien.

Consommation d'énergie

L'efficacité de l'analyse des données a déjà été amplement démontrée. La question n'est plus de savoir s'il faut l'appliquer, mais plutôt comment. Il est désormais possible d'examiner de plus près les limites de l'apprentissage automatique et de développer des améliorations, afin que l'analyse des données puisse être appliquée encore plus largement, mieux et à moindre coût, et devenir plus accessible à un plus grand nombre de parties.

L'un des principaux goulets d'étranglement de la collecte et de l'analyse des données telles que nous les connaissons aujourd'hui est la consommation d'énergie relativement élevée, principalement pour envoyer toutes les données mesurées vers le cloud, où il faut ensuite des ordinateurs puissants pour les traiter et les analyser. Il s'agit d'un obstacle pour de nombreuses entreprises qui souhaitent se lancer dans l'analyse des données et la maintenance prédictive, ou qui veulent étendre des projets pilotes. Surtout maintenant que les prix de l'énergie sont aussi élevés.

L'apprentissage automatique minuscule

Une solution pourrait résider dans le domaine émergent de l'apprentissage automatique minuscule. Il ne s'agit pas tant d'une nouvelle technologie que de l'utilisation d'autres composants du concept existant d'apprentissage automatique. Le cœur de la solution repose sur l'utilisation de ce qu'on appelle des 'edge microcontrollers'. Il s'agit de très petits ordinateurs qui se connectent directement à n'importe quel capteur. Ils exécutent également l'algorithme qui évalue les mesures du capteur.

Ces microcontrôleurs se caractérisent par une consommation d'énergie extrêmement faible - généralement de l'ordre du mW ou moins - ce qui signifie qu'une très petite batterie suffit déjà à faire fonctionner le capteur pendant toute la durée de vie de la machine. Directement sur place; sans qu'il soit nécessaire de transmettre les données à un cloud et de déployer un gros ordinateur pour l'analyse.

fonctionnement

Le fonctionnement est simple. Les capteurs pertinents dotés de ces edge microtontrollers sont placés aux points pertinents d'une machine ou d'une installation, ou de tout élément lorsqu'il s'agit de mesures dans l'espace. Ils y mesurent le paramètre souhaité - par exemple les vibrations ou le bruit - après quoi l'algorithme du microcontrôleur détermine si la valeur mesurée appelle une action ou non. Si ce n'est pas le cas, la mesure est supprimée.

Le cœur de la solution repose sur l'utilisation de ce qu'on appelle des 'edge microcontrollers'

Cependant, lorsque la valeur est alarmante parce qu'elle dépasse une certaine limite, un signal est créé pour informer le propriétaire. Souvent, ces valeurs sont transmises, ce qui permet de collecter en un point central les données sur les défaillances qui constituent une base importante pour la maintenance prédictive.

Le fait que les capteurs soient faciles à installer et que la consommation d'énergie soit considérablement réduite fait du  TML un outil d'apprentissage automatique avancé. Cela rend la maintenance prédictive accessible aux petites entreprises également.

Pour commencer

Techport, entre autres, a commencé à travailler avec le Tiny Machine Learning en engageant André Gerver comme 'quarter master'. Il possède une formation et une expérience idéales autour des big data et de leur application pratique dans les entreprises.

"Chez Techport, l'accent est mis sur plusieurs thèmes, notamment la maintenance prédictive, l'intelligence des données et les économies d'énergie. Tout cela se retrouve dans le TML. Il y a donc de nombreuses raisons de s'y mettre", souligne Gerver.

PRATIQUE ET PRAGMATIQUE

Techport est une organisation qui met en relation les écoles, les entreprises et le gouvernement dans la région métropolitaine d'Amsterdam afin de maximiser l'avenir de l'industrie de la fabrication et de la maintenance. C'est précisément parce qu'elle travaille avec des écoles et des entreprises que l'approche de Techport est principalement pratique et pragmatique. Egalement pour le TML.

Gerver: "Le concept avec les edge microcontrollers est suffisamment développé pour être appliqué. Il s'agit maintenant principalement d'essayer plein de choses et d'apprendre des résultats. C'est pourquoi nous mettons en place des cas d'utilisation - toujours en collaboration avec des étudiants de la HvA, de la Hogeschool InHolland, de la VU et/ou du NovaCollege - pour étudier les possibilités du TML au sein des PME."

Avec le TML, la maintenance prédictive devient accessible aux petites entreprises

Un cas est maintenant terminé, un autre est en cours et deux autres vont bientôt commencer. "Grâce à cela, nous pouvons aider les entreprises à réduire leur consommation d'énergie, mais aussi rendre la maintenance intelligente plus accessible aux PME. Un troisième domaine d'intervention est l'amélioration de la sécurité au sein des entreprises et la prévention des nuisances sonores ou olfactives. Les possibilités en la matière sont encore sans précédent. Personnellement, je considère vraiment que le TML est le Saint Graal de la maintenance prédictive", déclare le quartier-maître.

Cas d'utilisation

Le cas réalisé a été effectué chez Montarent, fabricant et loueur de grues à tour. Cette société souhaite aider ses clients du monde entier à déterminer le bon moment pour effectuer la maintenance préventive de la grue. L'installation de microcontrôleurs qui enregistrent le nombre d'heures de travail peut être significative à cet égard. A cette fin, des tests ont été effectués avec le crochet de la grue: lorsqu'il atterrit durement sur le sol, il peut causer des dommages. En détectant cela, les clients peuvent être tenus responsables de ces dommages par la suite.

Le cas d'utilisation actuellement en cours concerne une entreprise proche de Techport où la pollution sonore des environs est au centre des préoccupations. Sur ce site, des capteurs mesurant uniquement les niveaux de bruit ont été placés à des endroits appropriés. Une première étape consiste à localiser le bruit: d'où vient-il et quelles mesures peut-on prendre pour le combattre? Ce faisant, les capteurs sont auto-apprenants et de plus en plus capables de distinguer leur propre bruit de celui, par exemple, du vent ou des sons provenant de l'extérieur du site. Les données peuvent également être utilisées pour informer les parties prenantes et, en fin de compte, bien sûr, pour prévenir la pollution sonore.

Une technologie de données avancée, mais abordable

Résoudre les problèmes

"Outre la localisation, d'autres applications peuvent être trouvées pour les capteurs de bruit dans les étapes suivantes. Par exemple, générer une alerte lorsque les mesures dépassent une certaine limite. C'est ensuite à l'utilisateur de décider ce qu'il veut en faire. S'il s'agit d'un signal unique, il peut s'en tenir là. Si la nuisance sonore persiste, il a un aperçu immédiat de l'endroit où le bruit cause la nuisance", souligne Gerver.

"Ces mesures simples lui donnent un aperçu des endroits problématiques d'une part, mais aussi des causes possibles. Par exemple, une porte ouverte, où la solution est alors simple: garder la porte fermée, et l'équiper d'un ferme-porte ou d'un capteur qui indique quand la porte est ouverte."

Futur

Il ne s'agit que de deux exemples concrets qui permettent d'obtenir un avantage rapide et accessible.

Détection d'anomalies

"Actuellement, nous sommes en train de trouver et de mettre en place de nombreux autres cas d'utilisation. Ce faisant, nous nous concentrons principalement sur la détection des anomalies. Il s'agit d'une stratégie utilisée pour reconnaître des exemples étranges qui ne correspondent pas au comportement attendu d'une machine ou d'un environnement. Vous pouvez ainsi vous concentrer sur le bruit, la présence de personnes et, dans le cadre de la maintenance, sur la température, le niveau de vibration, la pression, le nombre d'heures de fonctionnement, le nombre de démarrages et d'arrêts, etc.

"Toutefois, grâce au microcontrôleur, il est également possible de traiter des signaux plus complexes, tels que ceux recueillis par un capteur de vision; un moyen courant dans le cadre du contrôle de la qualité. Dans tous les cas, grâce à l'algorithme du contrôleur périphérique, le capteur apprend de mieux en mieux quand il s'agit d'une anomalie ou non. Comme nous l'avons déjà mentionné, avec ces cas d'utilisation, nous voulons explicitement collecter des données à partir d'anomalies. C'est important car en pratique, nous ne disposons souvent pas de ces données, alors que c'est précisément avec ces données étiquetées que l'on peut mieux prévoir la maintenance."

échanger Des idées?

Gerver: "Nous allons bientôt lancer deux cas d'utilisation chez Hilton Foods Holland et Biscuit International, et nous sommes donc toujours à l'affût de nouvelles applications. En outre, nous sommes toujours heureux de rencontrer des entreprises qui ont des idées ou qui souhaitent acquérir de l'expérience et des connaissances dans ce nouveau domaine. Dans tous les cas, n'hésitez pas à nous contacter à l'adresse andre.gerver@techport.nl pour que nous puissions échanger."