DiagRAMS révolutionne la maintenance prédictive

Dans des usines de plus en plus automatisées, la lutte contre les pannes et les dysfonctionnements en tout genre, même les plus discrets, est devenue une priorité de tous les instants pour les industriels. Il y a encore quelques années, ces derniers n'avaient que trois options quant à la conduite à tenir : soit ils optaient pour une maintenance corrective (réparer les pièces une fois la panne constatée), soit ils s'orientaient vers une maintenance préventive avec des interventions planifiées régulièrement pour vérifier que tout va bien, soit ils conjuguaient les deux approches. Avec l'Internet des objets et la multiplication des capteurs connectés, une nouvelle voie se dessine : celle de la maintenance prédictive. L'enjeu : détecter la probabilité des dysfonctionnements afin de prévenir pannes et accidents et optimiser les stratégies d'entretien et de réparation en s’approchant d’un idéal "juste à temps".

Prévenir pour réduire les coûts de maintenance

Pour les entreprises la promesse est des plus alléchantes. L'an dernier, une étude du cabinet McKinsey estimait que la maintenance prédictive devrait permettre aux industriels d'économiser 630 milliards de dollars d'ici à 2025, via la réduction du coût de maintenance de 10 à 40%, la diminution du nombre de pannes de moitié et l'augmentation de la durée de vie des machines. Mais pour l'heure les services de maintenance prédictive ne sont pas toujours à la hauteur des attentes, en particulier en ce qui concerne l'accès aux données, souvent très complexes, peu intelligibles et inadaptées aux exigences de professionnels mobiles et pris par le temps.

Du service partenariats à la création d'entreprise

C'est ici qu'intervient DiagRAMS Technologies, une startup en cours de création sur la base de recherches menées par l'équipe-projet Modal* du centre Inria de Lille. Mais, fait rare dans l'univers Inria, cette "spin-off" est avant tout l'idée de deux chargés des partenariats et des projets d'innovation au sein du service transfert du centre. Fort de dix ans d'expérience dans le secteur du machinisme industriel pour l'agroalimentaire, Jean-François Bouin en assurera la présidence. Il pilotera l'entreprise avec Margot Corréard qui dispose, elle, de solides expertises en matière de management de projet, de marketing et de communication. « Nous avions accompagné l'équipe Modal au cours de partenariats noués avec Arcelor Mittal et Alstom et les outils qu'ils avaient développés nous semblaient très prometteurs et surtout en phase avec les besoins actuels des industriels, remarque Jean-François Bouin. Margot et moi avons la fibre business, nous aimons travailler ensemble… alors nous nous sommes lancés, avec le soutien de l'équipe Modal qui était ravie de voir ses travaux prendre vie sur le marché. D'ailleurs trois chercheurs sont aujourd'hui nos conseillers scientifiques ! »

Une solution sans ajouter de nouveaux capteurs

« L'originalité de notre solution repose sur le fait que nous utilisons les capteurs existants (capteurs de process installés nativement dans les machines), alors que la quasi-totalité des logiciels du marché exigent la mise en place de dispositifs supplémentaires, ce qui génère des surcoûts et se traduit par une accumulation de données pas toujours lisibles », indique Margot Corréard.

Les algorithmes de machine learning développés par l’équipe de recherche permettent de traiter les données industrielles brutes (consommation énergétique, analyse vibratoire, courbe de température…) sans nécessiter de prétraitements qui réduisent l’information contenue dans les signaux originaux. Ces données sont comparées à des "signatures" de pannes modélisées par des algorithmes prédictifs en se basant sur l’historique de dysfonctionnement des équipements. Quand une machine sort de son fonctionnement normal et se rapproche d'une signature critique, l'alerte est lancée en temps réel afin d'engager l'opération de maintenance qui permettra de remédier au dysfonctionnement et d'éviter une panne complète.  « La performance de détection s'affine au fil des usages et il devient possible d'identifier les problèmes au plus tôt, alors même qu'ils sont encore totalement indécelables avec les outils de détection classique - avec davantage de précision et sans pour autant générer de faux positifs », ajoute Jean-François Bouin.

Cette technologie permet d’expliquer les résultats de prédiction aux utilisateurs : fini l’effet boîte noire, les industriels ont besoin de comprendre pour agir efficacement. DiagRAMS Technologies travaille sur une visualisation précise et intuitive pour les équipes du terrain, qu'il s'agisse des ingénieurs ou des techniciens de maintenance.

En route vers l'aventure

Alors même que la startup n'a pas encore d'existence juridique, l’équipe est déjà partie prenante d'un premier projet d'envergure, avec un partenariat associant Modal à Nokia Germany et Apsys Airbus dans le cadre du programme européen "EIT Digital – 4.0 Industry" destiné à développer des méthodes d'analyse de données pour la maintenance prédictive, et plus précisément l'analyse de causes de défaillances. « Pour ce faire nous avons recruté un data-scientist qui est dédié au projet EIT, ajoute Margot Corréard. Un second recrutement a aussi été mené pour finaliser le développement de notre solution logicielle, que nous allons coconstruire avec des partenaires industriels avant une commercialisation sur abonnement, sans doute courant 2020. »

*Modal est une équipe-projet Inria commune avec le laboratoire Paul Painlevé (CNRS, Université de Lille).