L'IA à l'honneur lors de la mini-conférence "Préserver l'avenir" à Groningue

Gasunie, NVDO (Dutch Association for Effective Maintenance) et World Class Maintenance ont organisé une autre mini-conférence en novembre de l'année dernière. Cette édition, qui s'est déroulée dans les locaux de Gasunie, dans le nord de la province de Groningue, s'intitulait "Maintaining the Future" (maintenir l'avenir) et était largement consacrée - comment pourrait-il en être autrement - à l'IA . Deux études ont été récompensées par le prestigieux prix de la thèse de doctorat en maintenance (PTA) et le prix de la thèse de master en maintenance (MTA). Nous nous sommes longuement entretenus avec les lauréats.

Fabian Wientjes & Lisandro Jimenez-Roa

Bien que le monde de la maintenance industrielle ne puisse ignorer l'IA aujourd'hui, la mise en œuvre de cette technologie n'est pas encore une simple réussite. Cette mise en œuvre, par exemple dans le cadre de la maintenance conditionnelle et de la maintenance prédictive, nécessite encore des recherches. Il suffit de penser à des aspects tels que la relation entre les humains et l'IA, la disponibilité de données suffisantes, la contrôlabilité, les coûts et la durabilité.

Heureusement, ces recherches battent déjà leur plein. Cette édition de la mini-conférence en a largement tenu compte lors du point culminant de la journée: la présentation du Maintenance PhD Thesis Award (PTA) et du Maintenance Master Thesis Award (MTA), une collaboration entre l'ONDV et WCM.

Ces prix prestigieux récompensent les recherches les plus innovantes qui contribuent à l'amélioration du secteur de la maintenance aux Pays-Bas. Les pairs présents à la mini-conférence ont choisi les études de Fabian Wientjes (Université des sciences appliquées d'Utrecht) et de Lisandro Jimenez-Roa (Université de Twente) comme lauréats. Vous trouverez ci-dessous un entretien avec eux.

Gagnant MTA: "Déploiement de l'IA pour une meilleure inspection des égouts"

Tout le monde est heureux lorsque la municipalité a ses égouts en ordre et les maintient en ordre avec un minimum d'interruptions pour l'entretien. En même temps, c'est un défi considérable de ne pas faire trop d'entretien. Dans son mémoire de maîtrise primé intitulé "Semi-Supervised Learning for Detecting Sewer Pipe Defects Using 360-degree Inspection Images", Fabian Wientjes, étudiant à l'université des sciences appliquées d'Utrecht, étudie comment l'IA peut contribuer à mettre en place un processus d'inspection des égouts plus intelligent et de meilleure qualité.

Un bon entretien commence par l'inspection en temps voulu des 37 éléments structurels différents décrits dans la norme européenne pour les inspections d'égouts NEN 13508-2. Avec un âge moyen d'environ 70 ou 80 ans, de nombreux égouts aux Pays-Bas ont besoin d'être entretenus, voire remplacés.

Le travail commence lorsqu'un inspecteur agréé envoie un robot dans les égouts. Il prend des photos à 360° tous les quelques centimètres pour déterminer l'état de la canalisation. L'opérateur d'égouts détermine ensuite les endroits où des travaux d'entretien doivent être effectués.La visualisation et l'évaluation des photos prennent beaucoup de temps et sont donc très coûteuses.

Mais l'alternative automatisée de la vision par ordinateur présente également des inconvénients. Elle est gourmande en données et nécessite des ensembles de données où chaque image doit décrire exactement (étiqueter) ce qui peut être vu. C'est là que les choses se gâtent. Les ensembles de données sont souvent incomplets et donnent donc une image incomplète de la situation réelle.

Plus complet et plus fiable

L'IA peut-elle aider à obtenir une image plus complète et plus fiable du réseau d'égouts? Il faut pour cela une méthode capable d'apprendre de manière plus ou moins autonome à "étiqueter" correctement les données existantes. Si l'IA a traité une petite quantité de données étiquetées, elle devrait être capable de traiter une grande quantité de données non étiquetées, comme un enseignant, pour trouver des bouchons ou des fuites et les classer. Si vous utilisez des protocoles uniformes, tels que la norme NEN, les phénomènes peuvent être classés de la même manière dans l'ensemble du secteur des égouts.

Détection YOLOv11

Pour ses recherches, Wientjes a obtenu un ensemble de données sur les canalisations d'égout à Apeldoorn de la part de Rolsch Assetmanagement (dans le cadre du projet Primavera) comme matériel de base. Il a utilisé le logiciel de détection en une étape YOLOv11 comme outil d'interprétation, mais s'est heurté à deux obstacles: un étiquetage incomplet et un déséquilibre prononcé entre les classes.

Les fissures et les fuites, par exemple, sont rares. Elles sont moins présentes dans l'ensemble de données, alors qu'elles peuvent être présentes dans le tuyau d'égout. De plus, il était difficile de détecter les fuites sur les images fixes, car l'eau qui coule ou qui goutte n'est pas visible sur les images fixes.

Détection insuffisante

D'autres expériences portant sur la répartition égale des classes, l' accent mis sur les exemples difficiles à classer et les techniques permettant d'obtenir un étiquetage plus fiable ont permis de faire un pas en avant. Cependant, la reconnaissance des défauts rares est restée insuffisante. Des recherches supplémentaires, notamment des entretiens avec des inspecteurs d'égouts expérimentés , ont montré qu'une IA réellement fiable pour l'inspection des égouts nécessite des protocoles d'annotation validés et appliqués de manière cohérente.

Ces protocoles doivent être rédigés par des experts du domaine et adaptés aux problèmes d'imagerie propres aux réseaux d'égouts. L'IA peut déjà détecter avec précision certains défauts tels que les entrées et les joints décalés. Cela s'explique par le fait qu'ils ont une apparence cohérente et reconnaissable.

Les dernières informations manquantes ou peu fiables doivent encore être complétées ou corrigées par les yeux de l'inspecteur. Dans l'ensemble, et avec des protocoles d'annotation normalisés et un échange de données plus large, la création de systèmes d'IA robustes et reproductibles semble désormais plus réalisable.

Ciblé et rentable

L'IA peut donc devenir un outil fiable pour un entretien des égouts plus rapide, plus ciblé et plus rentable. Mais elle doit être intégrée dans les processus d'inspection et d'entretien existants. Les interventions inutiles et les problèmes non découverts seront moins fréquents avec cette approche. L'IA peut donc également s'avérer utile pour l'inspection des tunnels, des ponts et des réseaux d'eau, qui sont confrontés à des défis similaires en matière d'inspection et d'entretien.

"L'étape suivante consiste à approfondir cette phase de recherche dans le cadre d'un projet pilote. Il est tout aussi nécessaire que les municipalités du pays partagent les données relatives aux canalisations d'égout afin de poursuivre les recherches. Cela permettra de compléter et de faciliter le travail de l'inspecteur. J'invite tout le monde à prendre contact avec moi pour réfléchir ensemble à ces développements", déclare M. Wientjes.

Gagnant PTA: "Formuler de meilleures tendances de dégradation dans la maintenance industrielle"

Avec des infrastructures, des machines et des processus de production modernes, comment savoir exactement quand il faut mettre sa salopette de maintenance? La réponse du Dr Lisandro A. Jimenez-Roa lui a valu le prestigieux prix de la recherche la plus innovante pour l'amélioration du secteur de la maintenance aux Pays-Bas.

Lisandro A. Jimenez-Roa travaille actuellement au Centre aérospatial royal néerlandais (NLR) en tant qu'ingénieur R&D senior. Son travail dans le domaine du pronostic et de la gestion de la santé (PHM) permet de gérer et d'entretenir intelligemment les systèmes techniques.

Cependant, l'intégration de toutes les données disponibles reste souvent problématique. L'une des principales caractéristiques de sa recherche doctorale est de réunir la modélisation de la fiabilité, la modélisation de la dégradation et l'optimisation de la maintenance. Cela permet de traduire les données de surveillance en une question décisionnelle concrète: quand et comment intervenir?

Jimenez-Roa l'illustre, dans la bonne tradition néerlandaise, par le café. Celui qui veut du café demain doit veiller à ce que la machine à café reste opérationnelle et sûre. Pour ce faire, il utilise des capteurs qui fournissent des données en continu sur, par exemple, les temps de chauffe et la puissance de la pompe à eau. Ces données indiquent dans quelle mesure la machine est encore "saine". En termes de PHM, il s'agit de la phase de surveillance. "La surveillance n'apporte une valeur ajoutée que si elle permet de décider quand et comment intervenir", précise M. Jimenez-Roa.

Tendances à la dégradation

Dans l'étude primée, il explore comment différents modèles mathématiques dans la phase de pronostic suivante peuvent aider à analyser et à intégrer les données collectées dans les tendances de dégradation. La phase de pronostic est la tâche qui, dans le cadre du PHM, consiste à comprendre la progression de la dégradation dans le temps. Il est alors possible de prédire ladurée de vie utile restante (RUL) des composants critiques.

Cet aspect particulier n'entrait pas dans le cadre de sa thèse. Celle-ci se concentre sur les modèles de dégradationmulti-états afin de saisir les niveaux de gravité des composants. Lorsque la durée de vie utile restante menace de tomber en dessous d'un seuil critique, un rendez-vous de maintenance préventive peut être programmé. On peut donc affirmer sans risque de se tromper que ceux qui enrichissent la PHM avec l'IA ne manqueront plus jamais de café.

Feuille de route pour une infrastructure moderne

La feuille de route renouvelée de PHM présente un grand potentiel pour les infrastructures, les machines et les processus de fabrication modernes. Ceux-ci sont si complexes, coûteux et vitaux que les défaillances doivent être évitées à temps, mieux et autant que possible. Pensez à l'eau potable, à l'électricité, aux égouts ou à l'internet. Sans parler des processus de production industrielle qui peuvent être déréglés de manière catastrophique. "L'étude indique que l'approche PHM systématique de l'IA permet de mieux contrôler ces systèmes que la maintenance réactive et programmée actuelle."

Prévoir les défaillances

Cette approche permet de réaliser des économies, d'améliorer la sécurité, d'augmenter la disponibilité et de prolonger la durée de vie. L'étude de M. Jimenez-Roa porte sur la manière dont la gestion de l'entretien des systèmes combine la technologie, les mathématiques et l'analyse des données pour gérer stratégiquement l'entretien des systèmes. Jimenez-Roa: "L'objectif ultime est de passer d'une maintenance planifiée ou réactive à une maintenance prédictive (predictive) et prescriptive (prescriptive)."

L'apprentissage par renforcement profond est un domaine de l'informatique qui se concentre sur les algorithmes capables d'apprendre des modèles à partir de données. Il est souvent considéré comme une sous-classe d'algorithmes d'IA qui obtiennent une image toujours meilleure de la santé d'un système. Ils apprennent à reconnaître et à extrapoler des modèles de dégradation dans les informations collectées. Les modèles mathématiques décrivent les processus de dégradation physique connus tels que la fatigue, l'usure et la corrosion.

Les arbres de défaillance, par exemple, sont des modèles mathématiques basés sur la théorie des probabilités. Ils aident à comprendre comment une défaillance se propage dans un système et sont largement utilisés dans l'ingénierie de la fiabilité et dans la validation des modèles modernes de maintenance intelligente. De cette manière, vous ne remplacez pas trop tôt les pièces qui fonctionnent encore bien, mais vous ne remplacez pas non plus trop tard les pièces défectueuses.

La thèse primée couvre trois domaines principaux de la gestion de la maintenance intelligente: la modélisation de la fiabilité, le pronostic basé sur les processus de Markov et l'optimisation de la maintenance. Les résultats montrent qu'il est possible de prendre de bien meilleures décisions en matière de maintenance. Une condition préalable est toutefois la disponibilité des bons "ingrédients" de données.

Lire, raisonner et expliquer

La thèse de M. Jimenez-Roa s'appuie sur des études de cas portant sur des conduites sous pression d'eaux usées. Ces systèmes se dégradent lentement, sont critiques, mais difficiles et coûteux à surveiller. Il a pu utiliser les bases de données d'inspections historiques de Rolsch Assetmanagement dans une étude de cas sur le réseau d'égouts de Breda.

Il a abordé le problème sous deux angles: d'une part, il s'est concentré sur la sélection des meilleurs modèles mathématiques pour modéliser la dégradation; d'autre part, il a développé et formé des "agents" pour déterminer la planification stratégique de la maintenance en simulant différents scénarios. À partir de ces scénarios, ils sélectionnent progressivement la stratégie de maintenance optimale.

Consultez toutes les présentations via ce lien.