Réduction du temps de résolution de maintenance
Ou comment trouver les meilleures hypothèses de résolution par panne nouvellement référencée
Contexte :
Dans tout environnement industriel, pour produire il est nécessaire d’avoir des outils de production composés d’éléments mécanisés, automatisés, … Ces éléments sous soumis à des contraintes fortes de tout type (mécaniques, températures, tensions, …) qui peuvent générer différents problèmes, qui peuvent aller d’un dysfonctionnement léger non bloquant à une panne.
En fonction du degré du problème, l’impact peut être tout sauf neutre. Il est donc nécessaire de réduire à minima le temps de cet impact.
Pour y arriver, une des solutions est de pouvoir proposer aux mainteneurs une solution qui va les guider vers les meilleures hypothèses de résolution.
En parallèle, les techniciens de maintenance doivent rester concentrés sur le travail de dépannage et non perdre du temps dans des recherches longues et fastidieuses. Il est alors judicieux de déléguer à l’IA les tâches de gestion, comme :
- la recherche des incidences similaires dans l’historique ;
- l’analyse de la situation courante (e.g. stock de pièces) ;
- des présentations des hypothèses de résolution de la panne.
Mots clés IA :
- Traitement de langage naturel ;
- Analyse sémantique ;
- Recherche de similitudes.
Problématique client :
Pour produire ses pièces, ce client met en œuvre des machines outils (tours, fraiseuses, rectifieuses, …). E, fonction de différentes contraintes, des casses machine (ou de sous-ensembles), se produisent aléatoirement et ceci malgré la mise en place d’une maintenance préventive. ce qui de facto va ralentir sinon bloquer la production.
De plus trouver la cause de la panne et le processus de réparation n’est pas toujours évident pour les mainteneurs, soit car l’information d’identification de la panne est trop parcellaire, ou car il est sous stress car trop à faire à un moment donné.
Sans compter, que par manque de connaissance la data est sous exploitée !
Approche neomia :
Mise en œuvre d’un modèle d’Intelligence Artificielle basé sur l’analyse sémantique et de recherche de similitude, qui permet de proposer aux mainteneurs des hypothèses de résolution de panne et en fonction des cas un scénario de réparation, ceci après analyse de la description par l’opérateur des symptômes relevés.
Point d'entrée :
La donnée est le point le plus important pour un projet de ce type.
Dans ce cas de figure, l’IA peut s’appuyer sur les données stockées dans :
- l’outil de gestion de maintenance, qui référence l’historique des pannes ainsi les opérations de maintenance correctives
- des outils métiers (MES, gestion de stock, …), qui référencent du déclaratif, les réglages machines, des remontées de codes (erreur, …), l’inventaire des pièces, …
Des données riches mais non centralisées, hétérogènes, non corrélées.
Ces données sont alors fusionnées, nettoyées, homogénéisées, pour ensuite être analysées par notre agent IA. Qui peut alors proposer les meilleures propositions de résolutions.
Chaque graphique représente un topic, où les mots affichés font partis du même groupe sémantique.
Ce qui signifie, qu’ils se réfèrent tous au même type de panne.
Notre modèle permet de corréler des pannes et donc des solutions, tout en s’affranchissant des saisies initiales des opérateurs.
Solution :
Adjonction d’un agent IA à l’outil de gestion de maintenance tel que définir dans le schéma ci-dessus.
La donnée stockée dans l’outil de gestion de maintenance est aussi de facto enrichie.
Il y a donc génération d’un cercle vertueux autour de la donnée, ce qui permet de proposer des propositions de résolutions de plus en plus pertinentes, qui vont donc réduire les temps d’intervention, ceci au bénéfique de l’entreprise.
Pour en savoir plus
N’hésitez pas à contacter un expert Neomia qui vous expliquera comment la mise en œuvre d’un agent IA de ce type peut se faire au sein de votre organisation.