En utilisant des techniques telles que l'apprentissage machine et l'analyse des données, la maintenance prédictive permet de détecter les signes avant-coureurs de défaillance ou de dégradation dans les équipements, ce qui permet aux équipes de maintenance d'intervenir de manière proactive pour éviter les temps d'arrêt non planifiés et les coûts associés. Toutefois, deux difficultés majeures se présentent : premièrement, la construction de modèles prédictifs pour la maintenance prédictive, et deuxièmement, la confidentialité des données, étant donné leur caractère privé.
L'Internet des objets (IoT), ou l'Internet des objets connectés, implique un réseau d'objets physiques intégrant des capteurs, des logiciels et d'autres technologies permettant la connexion et l'échange de données via Internet. Ces données reflètent les comportements dans des contextes d'utilisation spécifiques. Par exemple, dans le cas de deux objets connectés comme des convoyeurs de bagages dans un aéroport, leur comportement peut différer en fonction de la fréquence d'utilisation quotidienne, liée à l'affluence à l'aéroport, ce qui constitue le contexte.
Toutefois, cette perspective soulève des défis pour l'utilisation de ces données dans diverses applications, notamment la maintenance prédictive. Déployée pour prédire les défaillances potentielles des équipements ou des systèmes avant qu'elles ne se produisent, la maintenance prédictive se base sur l'analyse des données collectées en temps réel. Alors comment construire un modèle prédictif à la fois unique et applicable à la diversité des comportements des données de chaque objet ?
Meta modéliser l'hétérogénéité statistique en temps-réel d'un flux de données massives représente un grand défi pour tout data scientist ! Dans cette optique, le chemin le plus simple serait de construire un modèle prédictif pour chaque objet connecté. Cette approche peut sembler la meilleure, cependant, elle pose un grand problème de gestion et de maintenance des modèles une fois que le nombre d'objets connectés commence à augmenter. En outre, cette approche peut également rencontrer un obstacle majeur lié au partage de données. Dans de nombreux cas, les données sont privées et sont isolées dans des silos, ce qui peut limiter l'accès aux données nécessaires à la construction de modèles très performants.
Un modèle "englobant le local" pour une maintenance fiable et des données sécurisées
Face à ces limitations, une nouvelle approche proposée par Google en 2017 est l'apprentissage fédéré. Cette méthode vise à résoudre les problèmes de confidentialité des données en permettant aux modèles d'apprentissage machine d'être distribués sur des appareils locaux, évitant ainsi la nécessité de centraliser les données sur un serveur central. Avec cette approche, les données restent sur les appareils des utilisateurs tout en permettant la mise à jour d'un modèle centralisé grâce à l'agrégation des mises à jour des modèles locaux. Cette vision de respect de la vie privée permet d'assurer la confidentialité des données tout en exploitant les avantages de l'apprentissage machine sur des données distribuées.
L'apprentissage fédéré représente une grande opportunité pour la maintenance prédictive, surtout compte tenu des limitations d'accès aux données. Cette approche collaborative nous permet de construire un seul modèle global pour un groupe d'objets connectés. Chaque objet connecté entraîne son modèle localement avec ses propres données. Ensuite, ces modèles locaux peuvent être envoyés aux serveurs pour être agrégés, formant ainsi un modèle global pour l'ensemble des participants. Avec cette méthode, nous pouvons non seulement surmonter les problèmes d'accès limité aux données, mais également partager les expériences de chaque périphérique monitoré avec les autres participants via leur modèle local, enrichissant ainsi l'expérience globale. C'est particulièrement pertinent dans le cas de la maintenance prédictive, qui nécessite des données sur toute la durée de vie des périphériques, permettant ainsi une meilleure anticipation et gestion des défaillances.
Application Smart Transport avec Alstef : l'équipement de convoyeurs de bagages
Dans BL.Predict, notre engagement dans le domaine de l'apprentissage fédéré (FL) a débuté dès 2021. En partenariat avec Alstef Group, nous avons exploré un cas d'étude spécifique dans le domaine de la maintenance prédictive, axé sur la détermination de l'état des convoyeurs de bagages dans les aéroports. Les premiers résultats de nos travaux ont mis en évidence la capacité de l'apprentissage fédéré à traiter efficacement ce type de problématique, notamment dans sa dimension distribuée. Au cours de cette collaboration, nous avons également relevé plusieurs défis inhérents à l'application de l'apprentissage fédéré dans des environnements IIoT réels, tels que les contraintes de ressources et les échanges d'updates entre les serveurs et les participants. Pour surmonter ces défis, nous avons développé et mis en œuvre une plateforme dédiée à l'apprentissage fédéré, prenant en charge divers aspects allant de la gestion des participants au déploiement des modèles globaux.
Des modèles plus robustes, sécurisés et précis à fort potentiel industriel
L'apprentissage fédéré présente à la fois des opportunités et des défis pour la maintenance prédictive. Du côté des opportunités, il permet de tirer parti des données distribuées sur différents appareils pour construire des modèles globaux plus robustes et précis. Cette approche collaborative ouvre la voie à une meilleure anticipation des défaillances des équipements, réduisant ainsi les temps d'arrêt imprévus et les coûts de maintenance. De plus, elle offre une solution aux problèmes de confidentialité des données, en permettant aux données de rester sur les appareils locaux tout en contribuant à l'amélioration des modèles globaux.
Cependant, l'apprentissage fédéré pose également des défis majeurs, notamment en termes de gestion de la communication entre les appareils, de l'agrégation des modèles locaux et de la garantie de la qualité et de la représentativité des données utilisées. De plus, la diversité des appareils et des environnements peut rendre l'harmonisation des modèles globaux plus complexe. Néanmoins, en surmontant ces défis, cette approche offre un potentiel considérable pour transformer la maintenance prédictive en une pratique plus efficace et plus proactive, contribuant ainsi à améliorer la fiabilité des équipements et la satisfaction des utilisateurs.
Notre travail dans ce domaine se poursuit, notamment en abordant des problématiques telles que la sélection et le regroupement des participants en se basant sur leurs caractéristiques statistiques pour améliorer les performances des modèles.
