GenAI révolutionne la maintenance des actifs industriels grâce à ARGiS (Asset Reliability GenAI Suite), une solution novatrice qui améliore les méthodes traditionnelles d'apprentissage automatique. Alors que les modèles traditionnels d'apprentissage automatique ont démontré une précision accrue pour la maintenance prédictive, ils éprouvent souvent des difficultés à relever efficacement des défis critiques tels que l'interprétation des alarmes, la mise en œuvre des résolutions et le transfert de connaissances entre différents actifs. ARGiS relève ces défis en intégrant les données des capteurs IoT, les dossiers de maintenance historiques et l'expertise des spécialistes dans une seule plateforme intelligente.

L'interface multilingue du système élimine les barrières techniques, permettant aux techniciens de maintenance d'accéder à la documentation, de résoudre les problèmes et d'enregistrer des solutions dans la langue de leur choix. Ce billet présente l’approche d’ARGiS, son architecture technique et ses avantages transformateurs pour la fiabilité des actifs et les opérations de maintenance.

Principaux défis liés à la maintenance des actifs

Les installations de fabrication sont confrontées à quatre principaux défis en matière de maintenance des actifs :

• Inspection de qualité réactive
  Les ingénieurs identifient l’usure des outils par des inspections manuelles et des vérifications de la qualité de surface après l’usinage des pièces.
• Manque d’infrastructure d’information synchronisée pour l’ensemble de l’usine pour les ingénieurs sur le site
  Manque de mises à jour en temps réel, car l’intégration de l’IdO avec l’apprentissage automatique pour la machinerie connectée demeure sous-développée.
• Manque d’infrastructure pour consigner les nouveaux rapports d’action corrective
  Les unités de fabrication ont de la difficulté à enregistrer des rapports multilingues sur une plateforme unifiée.
• Manque d’une base de connaissances numérique
  Des manuels d’entretien complexes retardent les réparations et augmentent les coûts de service.

La solution ARGiS répond aux défis ci-dessus en fournissant des informations intégrées et une suite exploitable.

Composantes de la solution

La suite de solutions ARGiS est conçue pour résoudre les problèmes ci-dessus en tirant parti des prédictions ML et en intégrant GenAI afin d'améliorer la fiabilité des actifs. Ci-dessous, les quatre piliers du flux de la solution :

Figure 1 : Piliers de la solution ARGiS

Flux du processus ARGiS

La fiabilité des actifs est gérée, prédite et maintenue en fonction du flux de données IoT en temps réel et des alarmes machines. Le flux de processus comprend :

1. Collecte de données IoT : Les machines dans les usines de fabrication transmettent continuellement des données opérationnelles, des informations sur l’état et des codes d’erreur au système IoT, qui stocke et surveille ces données en temps réel.
2. Collecte et stockage des données :Les données en direct sont collectées et stockées à l’aide de protocoles basés sur l’IoT, fournissant la base pour les analyses, les alertes et le traitement ultérieur.
3. Informations et alarmes des machines : L’état des machines, les conditions de fonctionnement et les alarmes sont affichés directement sur le tableau de bord, permettant une surveillance conviviale.

4. Modèles ML : Un modèle basé sur l’IA est déployé pour surveiller les informations sur les machines et prédire l’usure des outils. Une formulation mathématique supplémentaire améliore la précision des prédictions.

   

   Figure 2 : Flux du processus ARGiS

5. Tableau de bord de fiabilité des actifs : Un tableau de bord d’information visuelle consolide les données provenant de toutes les usines et tous les actifs, alertant les utilisateurs des anomalies prédites ou des pannes inattendues des machines.
6. Chatbot GenAI : Les utilisateurs ont accès à un assistant conversationnel propulsé par l’IA, leur permettant d’interroger rapidement les journaux précédents, les manuels d’entretien et les ressources Web afin de résoudre les problèmes avec un minimum de temps d’arrêt.
7. Profils d’utilisateurs : Répond aux besoins tant du personnel d’atelier que du niveau ingénieur de maintenance.
8. Maintenance des journaux pour références futures : Ajout de nouveaux journaux sur les récentes résolutions de problèmes par le biais d’enregistrements audio et d’images de journaux manuscrits, avec prise en charge multilingue.

Architecture technique

ARGiS utilise les services infonuagiques AWS et la technologie GenAI. Le diagramme ci-dessous illustre son architecture technique :

Figure 3 : Architecture technique ARGiS 

1. Flux de données du système de contrôle M/C : Les systèmes de contrôle des machines (capteurs IoT, contrôleurs industriels, indicateurs d'état/des alarmes de machine) génèrent continuellement des données opérationnelles. Les données sont formatées en messages MQTT et publiées sur des sujets MQTT spécifiques. AWS IoT Greengrass agit comme courtier MQTT et traite et transfère davantage les données vers AWS IoT Core.
2. Collecte de données – AWS DynamoDB : Le service de base de données NoSQL d'AWS (DynamoDB) est utilisé pour stocker les données des appareils IoT après traitement, offrant une base de données évolutive pour les séries chronologiques et les données d'événements.
3. PostgreSQL : Une base de données relationnelle utilisée pour le stockage de données structurées, probablement pour la gestion de requêtes et de relations plus complexes dans le système.
4. Prédiction d'usure d'outils avec ML : Un modèle ML déployé sur Amazon Sagemaker analyse les données de la machine pour prédire quand les outils ou l'équipement risquent de tomber en panne, permettant une maintenance prédictive.
5. Tableau de bord de fiabilité des actifs : Une interface de visualisation présentant des analyses sur la performance des machines, des indicateurs de fiabilité et des alertes afin de surveiller la santé globale des actifs.
6. Bot vocal : Une interface utilisant les services de voix Amazon Nova Pro pour permettre des interactions vocales avec le système.
7. Assistance aux alarmes M/C : Une interface conversationnelle basée sur le langage naturel permet aux opérateurs de machines d'interagir avec la base de connaissances pour résoudre les problèmes d'alarmes de machine. Voici les principaux composants de ce flux :
   1. Réception des alarmes : Le composant reçoit des alertes lorsqu'une anomalie ou une défaillance potentielle est détectée dans les systèmes de la machine.
   2. Interface de requête utilisateur : Permet aux opérateurs d’interroger le système concernant les détails de l'alarme, les tendances historiques et les actions recommandées via des requêtes textuelles ou des interactions vocales, reposant sur des capacités de synthèse et de reconnaissance vocale (Amazon Nova Sonic) propulsées par Amazon Bedrock.
   3. Réponse contextuelle : Fournit des réponses avec des informations pertinentes sur l'analyse des causes fondamentales, des incidents historiques similaires, des étapes de dépannage recommandées, l'impact attendu sur la production, etc.
8. Gestion des journaux : Ce composant de la solution représente le flux de travail des ingénieurs de maintenance pour le traitement et l'intégration des journaux. Ce système gère divers journaux de maintenance et les transforme en données structurées et consultables dans la base de données de connaissances. Voici les principaux composants de ce module :
   1. Types d'entrée de journaux multiples
      1. Images de journaux manuscrits : Journaux de maintenance physiques, fiches d'inspection ou notes capturées sous forme d'images.
      2. Journaux audio : Enregistrements vocaux d'activités de maintenance, d'observations ou de rapports verbaux.
   2. Pipeline de traitement multimodal :
      1. Les journaux manuscrits transitent par AWS Textract pour extraire le texte des images.
      2. Les journaux audio passent par AWS Transcribe pour convertir la parole en texte.
   3. Soutien multilingue :
      1. AWS Translate s'occupe de la « Traduction brute » du contenu non anglais.
      2. Amazon Bedrock fournit une « Traduction améliorée » avec une plus grande précision contextuelle pour la terminologie technique.
9. Base de connaissances – préservation des connaissances :
   1. Les journaux traités sont ajoutés à la base de connaissances, en même temps que les manuels de machines et les guides d'utilisateur stockés et traités.
   2. Le modèle Amazon Titan Text Embedding convertit le texte en représentations vectorielles (embeddings) pour la recherche sémantique.
   3. AOSS (Amazon OpenSearch Serverless) indexe ce contenu pour en permettre la recherche lors de futures maintenances.

10. Agents GenAI :

    L'agent Amazon Bedrock est construit avec deux groupes d'actions. Le premier groupe d'actions permet à l'agent d'extraire des données d'une URL précise fournie par l'utilisateur (le cas échéant), tandis que le second groupe d'actions permet à l'agent d'effectuer une recherche Internet basée sur une requête utilisateur sans exiger d'URL.

    Cela donne aux utilisateurs (gestionnaires de ligne/ingénieurs de service) un accès rapide à l'information publique la plus pertinente sur Internet.

Cette architecture IoT/IA Générative basée sur AWS offre une évolutivité exceptionnelle grâce à des composants sans serveur et des services gérés (AWS Lambda, Amazon DynamoDB, Amazon Bedrock), une sécurité des données robuste via le chiffrement et les contrôles d’accès intégrés à AWS et une résilience opérationnelle complète grâce à l’informatique en périphérie (Greengrass) combinée au traitement infonuagique.

Avantages

• Dépannage proactif : Permettre aux ingénieurs en fiabilité d’identifier rapidement les causes fondamentales des défaillances et de fournir aux équipes de maintenance des recommandations concrètes pour minimiser les temps d’arrêt.
• Opérations optimisées : Offrir aux ingénieurs et aux équipes de maintenance un accès instantané aux conditions opérationnelles idéales, ce qui simplifie leur processus décisionnel et assure une performance optimale du système.
• Maintenance axée sur les données : Permettre aux équipes de maintenance et d’opérations d’analyser les dossiers d’entretien ainsi qu’une base de connaissances complète afin d’obtenir des informations précieuses, favorisant ainsi l’amélioration de la fiabilité des actifs, de l’efficacité et de la performance globale du système.
• Solution de journalisation multilingue : Offrir aux ingénieurs et travailleurs de maintenance la possibilité de consigner les nouvelles résolutions de problèmes dans le système avec un minimum d’effort à des fins de référence future.

Conclusion

ARGiS relève les défis critiques de l’Industrie 4.0 comme les arrêts imprévus et les interruptions de production en :

Transformant la maintenance réactive en solutions proactives

Tirant parti de l’architecture sans serveur AWS pour une évolutivité de calibre entreprise

Offrant un chiffrement de bout en bout pour la sécurité des données

Permettant le déploiement transparent sur plusieurs sites

Préservant l’expertise technique pour usage futur

Cette solution aide les organisations à atteindre l’excellence manufacturière grâce à une fiabilité accrue des équipements, une allocation optimisée des ressources et la préservation du savoir institutionnel.

Votre organisation est-elle prête à révolutionner la gestion des actifs avec GenAI ? ARGiS peut transformer les opérations de maintenance, réduire les arrêts et optimiser l’allocation des ressources.

Découvrez la puissance d’ARGiS de première main :

• Demander une démonstration personnalisée
• Découvrez comment ARGiS peut répondre à vos défis spécifiques
• Renseignez-vous sur l’intégration transparente à vos systèmes existants

Ne laissez pas une gestion des actifs désuète vous freiner. Faites le premier pas vers l'excellence de l'Industrie 4.0 dès aujourd'hui.

Contactez-nous pour une démonstration : Courriel : AWSEcosystemBU@hcltech.com

Transformez votre stratégie de fiabilité des actifs avec ARGiS – là où l'IA rejoint l'expertise industrielle.