Cours de maintenance prédictive

Leçon 1 • Paysage des stratégies de maintenance

Compare les philosophies de maintenance réactive, préventive et prédictive à l'aide de métriques de coût et de fiabilité. Fournit le contexte stratégique pour toutes les décisions ultérieures en matière de PdM.

Leçon 2 • Analyse de rentabilisation des programmes de PdM

Quantifie le ROI, la réduction des temps d'arrêt et les avantages en matière de sécurité pour justifier l'adoption de la PdM. Permet aux apprenants de présenter des propositions fondées sur des données aux parties prenantes.

Leçon 3 • Fondamentaux de l'ingénierie de la fiabilité

Introduit le MTBF, le MTTR, la disponibilité et les distributions de fiabilité comme fondements quantitatifs. Ces métriques évaluent l'efficacité du programme PdM tout au long du cours.

Leçon 1 • Thermographie et surveillance thermique

Explique les principes de la thermographie infrarouge et la détection des anomalies thermiques pour les actifs électriques et mécaniques. Établit l'élévation de température comme un indicateur précoce de défaillance.

Leçon 2 • Ultrasons et émission acoustique

Présente les ultrasons aériens et solidiens pour la détection de fuites, de défauts de roulements et de décharges électriques. Complète les méthodes vibratoires et thermiques pour une couverture complète.

Leçon 3 • Principes de l'analyse vibratoire

Couvre les concepts de fréquence, d'amplitude et de forme d'onde essentiels à l'interprétation des signaux vibratoires. Relie les motifs vibratoires à des défauts mécaniques spécifiques identifiés au chapitre 1.

Leçon 4 • Analyse des huiles et des lubrifiants

Enseigne le comptage de particules, les tests de viscosité et l'analyse spectrométrique pour évaluer l'état du lubrifiant et des composants. Relie l'état de l'huile aux modèles de progression d'usure du chapitre 1.

Leçon 1 • Réseaux de capteurs sans fil et IoT

Aborde le déploiement de capteurs sans fil, la gestion de l'alimentation et la topologie du réseau pour les actifs distants ou rotatifs. Introduit la connectivité IIoT comme un facilitateur de la surveillance continue.

Leçon 2 • Conditionnement et filtrage du signal

Explique l'amplification, les filtres anti-repliement et les techniques de réduction du bruit qui garantissent l'intégrité du signal. Prépare les apprenants à produire des données propres pour l'analyse dans les chapitres suivants.

Leçon 3 • Matériel et protocoles d'acquisition de données

Couvre les cartes DAQ, les API et les protocoles de communication industriels pour le transfert fiable des données des capteurs. Relie les choix matériels à l'évolutivité du système et aux exigences d'intégration.

Leçon 4 • Calibrage et maintenance des capteurs

Établit les calendriers de calibrage, la correction de la dérive et la vérification de l'état des capteurs pour maintenir la qualité des données. Assure la fiabilité des mesures comme fondement d'un diagnostic précis.

Leçon 1 • Étiquetage et annotation des données

Couvre les stratégies d'étiquetage des défauts, les flux de travail d'annotation d'experts et la gestion du déséquilibre des classes dans les ensembles de données de maintenance. Prépare les ensembles de données d'apprentissage supervisé utilisés au chapitre 5.

Leçon 2 • Intégration de données de sources multiples

Fusionne les flux de capteurs avec les ordres de travail GMAO, les historiques de procédés et les données environnementales pour un contexte plus riche. Permet l'analyse multivariée et les comparaisons entre actifs.

Leçon 3 • Architectures de stockage de données industrielles

Compare les bases de données de séries temporelles, les historiens de données et le stockage dans le cloud pour les données de capteurs à haute fréquence. Aligne la stratégie de stockage avec les besoins de vitesse d'accès et d'évolutivité.

Leçon 4 • Nettoyage des données et gestion des valeurs aberrantes

Enseigne l'imputation des données manquantes, la détection des valeurs aberrantes et la suppression des doublons pour les flux de données de capteurs. Améliore directement la précision des modèles dans les chapitres suivants sur l'apprentissage automatique.

Leçon 1 • Détection d'anomalies non supervisée

Applique le clustering, l'ACP et les autoencodeurs pour identifier les écarts sans données de défaut étiquetées. Aborde le défi industriel courant du manque d'exemples de défaillance.

Leçon 2 • Classification supervisée des défauts

Entraîne des arbres de décision, des forêts aléatoires et des SVM sur des ensembles de données étiquetés pour classer des types de défauts spécifiques. S'appuie sur l'ingénierie des caractéristiques et les données étiquetées du chapitre 4.

Leçon 3 • Maîtrise statistique des procédés pour les données de condition

Utilise les cartes de contrôle, le réglage des seuils et la gestion des alarmes pour signaler un comportement anormal de l'équipement. Établit la détection basée sur des règles comme référence avant les modèles avancés.

Leçon 4 • Validation et déploiement du modèle

Couvre la séparation train-test, la validation croisée et le déploiement en production des modèles de diagnostic. Garantit que les modèles se généralisent au-delà des données d'entraînement avant leur utilisation opérationnelle.

Leçon 1 • Quantification de l'incertitude dans les pronostics

Applique les méthodes bayésiennes, la simulation de Monte Carlo et la prédiction conforme pour borner les estimations de RUL. Convertit les prédictions ponctuelles en intervalles de confiance pour des décisions éclairées par le risque.

Leçon 2 • Concepts de modélisation de la dégradation

Introduit la construction d'indice de santé, la modélisation de trajectoire de dégradation et la définition du seuil de défaillance. Fait le pont entre la détection de défauts du chapitre 5 et l'estimation prospective des pronostics.

Leçon 3 • Modèles de données hybrides physiques

Combine des contraintes physiques avec des architectures de réseaux de neurones pour améliorer la généralisation et l'interprétabilité. Représente l'état actuel de l'art en pronostics industriels.

Leçon 4 • Modèles de prédiction de RUL basés sur les données

Entraîne des modèles de régression, le gradient boosting et les réseaux LSTM pour prédire la RUL à partir de trajectoires de capteurs. Exploite les ensembles de données de défaillance étiquetés préparés au chapitre 4.

Leçon 1 • Intégration GMAO et automatisation des ordres de travail

Connecte les alertes PdM aux plateformes GMAO pour générer automatiquement des ordres de travail et planifier les tâches des techniciens. Boucle la boucle entre la prédiction et l'action de maintenance physique.

Leçon 2 • Évolutivité et architecture du système

Aborde les microservices, la conteneurisation et le déploiement natif pour le cloud afin de faire évoluer la PdM sur de grandes flottes d'actifs. Garantit que la plateforme évolue avec les besoins de l'organisation.

Leçon 3 • Intégration du jumeau numérique

Synchronise les données des actifs physiques avec les modèles de jumeau numérique pour simuler des scénarios de défaillance et optimiser les interventions. Étend la PdM de la surveillance à l'expérimentation virtuelle.

Leçon 4 • Tableaux de bord opérationnels et visualisation

Conçoit des tableaux de bord en temps réel affichant les scores de santé des actifs, les alertes et les tendances RUL pour les opérateurs et les gestionnaires. Traduit les sorties des modèles en formats visuels intuitifs pour les utilisateurs non techniques.

Leçon 1 • Conformité réglementaire et préparation aux audits

Aligne les enregistrements PdM, les journaux d'inspection et les preuves de maintenance avec les normes de sécurité et de qualité de l'industrie. Prépare les organisations pour les audits externes et les revues de certification.

Leçon 2 • Amélioration continue et réentraînement des modèles

Établit des boucles de rétroaction, des calendriers de réentraînement des modèles et des processus d'analyse des causes profondes pour maintenir la précision de la PdM. Empêche la dégradation du modèle à mesure que l'équipement et les conditions d'exploitation évoluent.

Leçon 3 • KPI et mesure de la performance

Définit les KPI avancés et retardés — OEE, taux de fausses alertes, évitement de coûts — pour suivre la santé du programme. Fournit le cadre de mesure pour les cycles d'amélioration continue.

Leçon 4 • Gestion du changement organisationnel

Aborde la formation des techniciens, la résistance culturelle et la collaboration interfonctionnelle nécessaires à l'adoption de la PdM. Reconnaît que le succès technologique dépend de l'alignement des personnes et des processus.