GenAI révolutionne la maintenance des actifs industriels grâce à ARGiS (Asset Reliability GenAI Suite), une solution innovante qui améliore les méthodes traditionnelles d'apprentissage automatique. Bien que les modèles traditionnels d'apprentissage automatique aient démontré une meilleure précision de la maintenance prédictive, ils peinent souvent à relever efficacement des défis critiques tels que l'interprétation des alarmes, la mise en œuvre des résolutions et le transfert des connaissances entre différents actifs. ARGiS relève ces défis en intégrant les données des capteurs IdO, les historiques de maintenance et l'expertise des spécialistes dans une plateforme intelligente unifiée.

L'interface multilingue du système supprime les barrières techniques, permettant aux techniciens de maintenance d'accéder à la documentation, de résoudre les problèmes et d'enregistrer les solutions dans la langue de leur choix. Cet article explore le flux de solution d'ARGiS, son architecture technique et les avantages transformateurs pour la fiabilité des actifs et les opérations de maintenance.

Principaux défis liés à la maintenance des actifs

Les installations de fabrication font face à quatre grands défis en matière de maintenance des actifs :

• Inspection de la qualité réactive
  Les ingénieurs identifient l'usure des outils à travers des inspections manuelles et des contrôles de la qualité de surface après l'usinage des pièces.
• Manque d'une infrastructure d'information synchronisée pour l'ensemble de l'usine à destination des ingénieurs de site
  Absence de mises à jour en temps réel car l'intégration de l'IdO avec l'apprentissage automatique pour la machinerie connectée reste sous-développée.
• Manque d'infrastructure pour maintenir de nouveaux journaux d'actions correctives
  Les unités de production ont du mal à enregistrer des journaux multilingues dans une plateforme unifiée.
• Manque de base de connaissances numérique
  Des manuels de maintenance complexes ralentissent les réparations et augmentent les coûts de service.

La solution ARGiS s'attaque à ces défis en fournissant une information intégrée et une suite exploitable.

Composantes de la solution

La suite de solutions ARGiS est conçue pour répondre aux problèmes ci-dessus en utilisant les prédictions de l'apprentissage automatique et en infusant GenAI pour améliorer la fiabilité des actifs. Voici les quatre piliers du flux de solution :

Figure 1 : Piliers de la solution ARGiS

Flux de processus ARGiS

La fiabilité des actifs est pilotée, prédite et maintenue sur la base du flux de données IdO en direct et des alarmes machines. Le flux de processus comprend :

1. Collecte de données IdO : Les machines des sites de production transmettent en continu des données opérationnelles, des informations de statut et des codes d'erreur au système IdO, qui stocke et surveille ces données en temps réel.
2. Collecte et stockage des données :Les données en direct sont collectées et stockées selon des protocoles IdO, fournissant la base pour l'analyse, l'alerte et le traitement ultérieur.
3. Infos machines et alarmes : Le statut des machines, les conditions d'opération et les alarmes sont directement affichés sur le tableau de bord, offrant une surveillance conviviale.

4. Modèles d'apprentissage automatique : Un modèle basé sur l'apprentissage automatique est déployé pour surveiller les informations machines et prédire l'usure des outils. Une formulation mathématique supplémentaire améliore la précision de la prédiction.

   

   Figure 2 : Flux du processus ARGiS

5. Tableau de bord de la fiabilité des actifs : Un tableau de bord d'information visuel consolide les données de toutes les usines et actifs, alertant les utilisateurs des anomalies ou défaillances machines inattendues prédites.
6. Chatbot GenAI : Les utilisateurs disposent d'un chatbot alimenté par l'IA, leur permettant d'interroger rapidement les anciens journaux, manuels de maintenance et ressources web afin de résoudre les problèmes avec un minimum de temps d'arrêt.
7. Personas utilisateurs : Adapté aux besoins à la fois de l'ouvrier et de l'ingénieur de maintenance.
8. Maintenance des journaux pour références futures : Ajout de nouveaux journaux pour les récentes résolutions de problèmes au moyen de fichiers 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 schéma 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 de machines (capteurs IdO, contrôleurs industriels, indicateurs d'état/alertes machines) génèrent en continu des données opérationnelles. Les données sont formatées en messages MQTT et publiées sur des thématiques spécifiques MQTT. AWS IoT Greengrass agit comme broker MQTT, traite et transfère ensuite les données vers AWS IoT Core.
2. Collecte des données – AWS DynamoDB: Le service de base de données NoSQL d'AWS (DynamoDB) est utilisé pour stocker les données des appareils IdO après traitement, fournissant 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 structuré des données, probablement pour traiter des requêtes et relations plus complexes dans le système.
4. Prédiction de l’usure des outils par apprentissage automatique : Le modèle d'apprentissage automatique déployé sur Amazon Sagemaker analyse les données machines pour prédire quand les outils ou équipements risquent de tomber en panne, permettant une maintenance prédictive.
5. Tableau de bord de la fiabilité des actifs : Une interface de visualisation affichant des analyses sur la performance des machines, des indicateurs de fiabilité et des alertes pour surveiller la santé globale des actifs.
6. Bot vocal : Une interface utilisant les services vocaux Amazon Nova Pro pour permettre des interactions orales avec le système.
7. Assistance aux alarmes machines : Une interface conversationnelle en langage naturel permet aux opérateurs d'interroger la base de connaissances pour résoudre les problèmes d'alarme machine. Voici les composantes principales de ce flux :
   1. Réception des alertes : Le composant reçoit des alertes lorsque des anomalies ou des défaillances potentielles sont détectées dans les systèmes des machines.
   2. Interface de requête utilisateur : Permet aux opérateurs d'interroger le système au sujet des détails des alertes, historiques et actions suggérées via des requêtes textuelles ou des interactions vocales grâce à la conversion parole-parole (Amazon Nova Sonic) soutenue par Amazon Bedrock.
   3. Réponse contextuelle : Fournit des réponses contenant des informations pertinentes sur l'analyse de la cause racine, des incidents similaires, les étapes de dépannage recommandées, l'impact attendu sur la production, etc.
8. Maintenance des journaux : Ce composant représente le flux de travail de l'ingénieur de maintenance pour le traitement et l'intégration des journaux. Ce système traite divers journaux de maintenance et les convertit en données structurées et interrogeables dans la base de connaissances . Voici les éléments principaux de ce module :
   1. Différents types d'entrée de journal
      1. Images de journaux manuscrits : Journaux physiques de maintenance, fiches d'inspection ou notes capturées en images.
      2. Journaux audio : Enregistrements vocaux d'activités de maintenance, observations ou rapports verbaux.
   2. Pipeline de traitement multimodal :
      1. Les journaux manuscrits passent par AWS Textract pour l'extraction de texte à partir d'images.
      2. Les journaux audio passent par AWS Transcribe pour convertir la parole en texte.
   3. Prise en charge multilingue :
      1. AWS Translate gère la « traduction brute » du contenu non anglais.
      2. Amazon Bedrock fournit une « traduction améliorée » avec une précision contextuelle accrue pour la terminologie technique.
9. Base de connaissances – préservation des connaissances :
   1. Les journaux traités sont ajoutés à la base de connaissances, aux côtés des manuels machines et guides utilisateurs 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 permettre la recherche pour la maintenance future.

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 du contenu web à partir d’une URL précise fournie par l’utilisateur (le cas échéant), tandis que le second permet à l’agent d’effectuer une recherche Internet selon une requête de l’utilisateur sans exiger d’URL.

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

Cette architecture IdO/GenAI 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 robuste des données via le chiffrement intégré d'AWS et le contrôle des accès, ainsi qu'une résilience opérationnelle complète grâce à l’informatique en périphérie (Greengrass) couplée au traitement infonuagique.

Avantages

• Dépannage proactif : Permettre aux ingénieurs de la fiabilité d’identifier rapidement les causes profondes des pannes et fournir aux équipes de maintenance des recommandations concrètes pour minimiser les temps d’arrêt.
• Opérations optimisées : Fournir aux ingénieurs et équipes de maintenance un accès instantané aux conditions d’exploitation idéales, rationalisant la prise de décision et assurant une performance système optimale.
• Maintenance axée sur les données : Permettre aux équipes de maintenance et d’exploitation d’analyser les historiques de maintenance et une base de connaissances exhaustive pour obtenir des insights de valeur, favorisant une meilleure fiabilité, efficacité et performance globale du système.
• Solution de consignation multilingue : Offrir la possibilité aux ingénieurs et travailleurs de la maintenance de consigner de nouveaux résolutions de problèmes dans le système avec un minimum d’effort pour 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

Misant sur l’architecture sans serveur AWS pour une évolutivité de niveau entreprise

Assurant le chiffrement de bout en bout pour la sécurité des données

Permettant un déploiement multisite transparent

Préservant l’expertise technique pour l’avenir

Cette solution aide les organisations à atteindre l’excellence manufacturière grâce à une fiabilité accrue des équipements, une allocation optimisée des ressources et une conservation des connaissances institutionnelles.

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

Découvrez le pouvoir d’ARGiS en action :

• Demandez une démo personnalisée
• Découvrez comment ARGiS peut répondre à vos défis spécifiques
• Renseignez-vous sur l’intégration aisée à vos systèmes existants

Ne laissez pas une gestion désuète de vos actifs freiner votre progression. Faites le premier pas vers l’excellence Industrie 4.0 dès aujourd’hui.

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

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