Conception d’un service prédictif de maintenance d’appareil industriel : Partie 2

#datascience
#R
#strategie

Quel modèle est plus / moins affecté par un type de maintenance ? Existe-t-il corrélation entre le fait d’avoir fait une maintenance au temps T1 et une maintenance au temps T2 ? ...

Rappel du contexte exprimé en partie 1 

La démarche de création de services que nous avons eu à traiter reposait sur ce postulat. Une documentation dense, difficile à exploiter pour les équipes de maintenance et qui reste un objet figé dans le processus de maintenance d’appareil. Qu’entendons-nous par figé ? C’est-à-dire que la documentation n’évolue pas dans le temps et ne génère pas de nouvelles informations pouvant améliorer la compréhension de son usage.

La phase d’idéation nous a amenés à concevoir un processus de création de valeurs par la donnée. En digitalisant la documentation de maintenance, nous sommes partis du principe que :

  • Toute consultation de la maintenance fournirait de la donnée lors de sa consultation (analytics) ;
  • Toute maintenance effectuée fournirait de la donnée par la saisie de l'opération sur une interface ; 
  • Enfin, la base de données serait analysée en temps réel pour fournir de l’information complémentaire (statistiques) lors de la documentation de maintenance. 

Ce principe de système autoapprenant nous amène au cercle vertueux suivant : 

 

 

 
La base de données 

Suite à la création de services envisagée dans l’article précédent, et le schéma d’apprentissage automatique par la donnée, nous étions invités à réfléchir à la structuration de la base de données. Dans le cas de la maintenance de l’hélicoptère et du découpage en zone spécifique de l’appareil conçu sur l’interface utilisateur, nous avons été amenés à traiter la base de données suivante.

Voici ci-dessous les variables constitutives de la base de données. Chaque variable est disponible en interne dans l'entreprise ou bien elle est fournie par l'utilisation du service de document de maintenance que nous avons créé :

Modèle : 26 modèles sélectionnés

"AS332"  "AS350"  "AS355"  "AS365"  "BK117"  "BO105"  "EC120"  "EC130"  "EC135"  
"EC145"  "EC155"  "EC175"  "EC225"  "H160"  "SA3130"  "SA315"  "SA316"  "SA318"    
"SA3180"  "SA319"  "SA321"  "SA330"  "SA340"  "SA341"  "SA342"  "SE3160"  

Numéro de série : 900 numéros de série uniques : "NS100", …, "NS999". Association aléatoire numéro de série - modèle (min 22 hélicoptères, max 51 hélicoptères par modèle – moyenne : 34.62).

Heures de vol : Heures totales de vol de l’hélicoptère spécifique à la date de la maintenance. Maintenance pour chaque 400-600 heures de vol pour chaque hélicoptère.

Nombre de décollages : Nombre total de décollages de l’hélicoptère spécifique à la date de la maintenance. Maintenance pour chaque 200-300 décollages pour chaque hélicoptère.

Date : Date de la maintenance. Maintenance chaque 6-8 mois pour chaque hélicoptère, à partir du 1er Janvier 2000 au 31ème Décembre 2016 (29 maintenances pour chaque hélicoptère).

Intervenant : 900 IDs uniques : "ID100", …, "ID999". Ils correspondent à 900 intervenants associés aléatoirement à chaque maintenance : chaque maintenance ne peut être associée qu’à un seul intervenant. 

Zone d’intervention : 9 parties principales pour l’hélicoptère : "Z001", …, "Z009". Ces parties sont toujours les mêmes pour l’ensemble des modèles d’hélicoptères.

Outillages : 30 outillages différents : "OS100", …, "OS129". Chaque zone d’intervention est toujours associée à une même configuration d’outillages, même pour différents modèles d’hélicoptères (min 1, max 7 outillages).

Ingrédients : 30 ingrédients différents : "IN100", …, "IN129". Chaque zone d’intervention est toujours associée à une même configuration d’ingrédients, même pour différents modèles d’hélicoptères (min 1, max 8 ingrédients).

 

Le dataset peut se résumer avec le schéma suivant : 

 

 
Les analyses menées 

En s'appuyant sur le dataset, 5 analyses ont été menées pour répondre chacune à une interrogation précise. Chaque analyse est possible grâce à l’usage du service créé et nous permet d’améliorer la performance de la maintenance.

  • 1. Quel modèle est plus / moins affecté par un type de maintenance ?
  • 2. Quel type de maintenance affecte le plus / le moins un modèle spécifique ?
  • 3. Combien d'unité d’ingrédient est nécessaire en stock pour effectuer la maintenance sur un modèle spécifique ?
  • 4. Existe-t-il corrélation entre le fait d’avoir fait une maintenance au temps T1 et une maintenance au temps T2 ? 
  • 5. Quels sont les intervenants les plus efficaces ? 

 

 
1. Quel modèle est plus / moins affecté par un type de maintenance ?

L'intérêt de cette première analyse est de savoir si un modèle est plus souvent en maintenance par rapport au découpage de zones effectuées dans le postulat de départ (pour rappel, nous avons 7 zones de maintenances sur les appareils).

Par cette analyse, nous pouvons détecter plus facilement les défaillances sur zone pour chaque modèle et ainsi informer le personnel de maintenance sur les zones sensibles. Aussi, les ingénieurs en charge de la construction peuvent ainsi interpréter la défaillance en analysant les caractères différanciants (matériaux, design, fournisseurs...) de la zone concernée pour chaque appareil.
Cette analyse peut s'avérer extrêmement pertinente, car elle devient un actif. L'historique de données permet d'avoir une information différenciante de la concurrence sur la capacité d'un matériau ou d'un fournisseur à faire défaut sur le long terme lorsque l'une de ses pièces ou matériaux est utilisé. 

 

 

 
2. Quel type de maintenance affecte le plus / le moins un modèle spécifique ?

Certaines maintenances sont statistiquement plus fréquentes sur certains types d'appareils. Cette analyse rejoint la première, mais axe le regard sur le type de maintenance précis par appareil :  

 

 

 
3. Combien d'unité d’ingrédient est nécessaire en stock pour effectuer la maintenance sur un modèle spécifique ?

Les fiches nous renseignent sur les ingrédients à utiliser et leur proportion. Via le service en ligne de maintenance, nous savons les maintenances effectuées sur les appareils et leur saisonnalité. Ainsi, nous pouvons prédire le nombre d'unités d'ingrédient à l'avance et mieux programmer les stocks.

L'exemple ci-dessous nous informe du nombre d'unités d'ingrédient de maintenance à prévoir pour la maintenance de 100 appareils de type AS350 qui ont plus de 10 000 heures de vol : 

 

 
4. Existe-t-il corrélation entre le fait d’avoir fait une maintenance au temps T1 et une maintenance au temps T2 ? 

Dans cette analyse, nous cherchons à connaître l'impact d'une maintenance sur la suivante.
Nous constatons que, comme en horlogerie, une maintenance peut rapidement en entrainer une autre dans l'aéronautique. Pour comprendre ce phénomène et anticiper les défaillances potentielles de chaque appareil après une maintenance, nous avons mesuré la probabilité de défaut d'une zone spécifique après une maintenance effectuée sur une zone similaire ou différente.

 


 

 
5. Quels sont les intervenants les plus efficaces ? 

Etant donné que le service stocke en base de données les interventions et les ID des personnes travaillant sur cette maintenance, nous pouvons mesurer la performance dans la maintenance des intervenants. L'objectif est que les intervenants les plus performants puissent expliquer leur démarche afin de faire progresser le groupe.
Nous avons considéré les deux paramètres suivants pour évaluer les intervenants : 

  • Mesure du nombre des jours entre deux maintenances réalisées sur la même partie d'un même hélicoptère ;
  • Considération : chaque pièce a toujours la même qualité et la même durée de vie.

Ce classement peut être fourni par modèle, par partie ainsi que par modèle et partie :

 

 

NB : Pour des raisons de confidentialité, l’ensemble des données présentées dans cet article sont «random» ou anonymisé, c’est-à-dire travaillé de manière aléatoire ou non définissable. Ainsi, nous vous invitons à ne tenir compte que de la méthode d’approche et non des résultats présentés.