Qu’est-ce que l’Apprentissage Automatique ?

L’apprentissage automatique est un outil qui permet aux systèmes d’apprendre et de s’améliorer automatiquement en fonction de l’expérience. L’apprentissage automatique ne nécessite pas de programmation spécifique pour effectuer une activité. L’apprentissage automatique est le développement de programmes informatiques qui peuvent accéder à des données et, à travers une série d’algorithmes, utiliser ces données pour apprendre par eux-mêmes quelle action doit être entreprise en fonction de ces données.

L’objectif principal de l’apprentissage automatique est de permettre au système d’apprendre automatiquement sans intervention humaine. Cela permet au système de s’ajuster et d’agir en conséquence. Le processus d’apprentissage commence par l’observation de données de référence et d’expériences basées sur ces données. Le système commence ensuite à comprendre et à apprendre quelles actions entreprendre lorsque des motifs spécifiques au sein d’un ensemble de données se présentent.

Différents Types d’Apprentissage Automatique

Les Algorithmes d’Apprentissage Automatique se Divisent en Quatre Types Principaux

Les algorithmes d’apprentissage automatique supervisé sont le type d’algorithme le plus courant. Un algorithme supervisé applique ce que le système a appris dans le passé à de nouvelles données. Les algorithmes supervisés utilisent des exemples de jeux de données d’entraînement similaires précédents et des pannes étiquetées en leur sein pour prédire les pannes futures basées sur le nouveau jeu de données similaire que le système interprète. Les jeux de données d’entraînement sont généralement d’abord reconnus via l’intervention humaine, puis le système est enseigné à reconnaître les motifs associés à chaque jeu de données d’entraînement applicable. Ensuite, le système compare ces jeux de données d’entraînement aux jeux de données nouvellement acquis. Le système peut identifier et prédire les pannes ciblées une fois que suffisamment de jeux de données d’entraînement sont disponibles pour la comparaison. Ce type d’apprentissage automatique peut en outre comparer sa propre action décidée avec l’action correcte prévue et identifier les erreurs qui améliorent le modèle applicable.

Les algorithmes d’apprentissage automatique non supervisé utilisent des données « brutes » non classifiées et non étiquetées. Ces données brutes n’ont pas de pannes préalablement identifiées et tentent donc simplement d’inférer une action basée sur des pannes cachées non étiquetées au sein de données non catégorisées. Le système n’a pas de modèle de mode de défaillance prédéfini ni d’actions potentielles prescrites, il ne détermine donc pas la bonne action. Au lieu de cela, le système explore les données et tente de tirer des conclusions basées sur des motifs non identifiés ou des pannes étiquetées au sein de tout jeu de données d’apprentissage.

Les algorithmes d’apprentissage automatique semi-supervisé sont une combinaison d’apprentissage supervisé et non supervisé utilisant à la fois des jeux de données étiquetés et non étiquetés pour l’entraînement. Ces jeux de données sont généralement représentés par de grands volumes de données non étiquetées et non catégorisées. Le système intègre ensuite de plus petits ensembles prédéfinis de données de motifs de pannes étiquetées et catégorisées. Les systèmes d’apprentissage automatique comme notre plateforme Digivibe MX® qui utilisent cette méthode ont une précision d’apprentissage considérablement améliorée. L’apprentissage automatique semi-supervisé est choisi lorsque les données étiquetées acquises nécessitent des ressources spécialisées pour les entraîner et identifier les actions inférées à entreprendre lorsque le système reconnaît un motif de panne.

Les algorithmes d’apprentissage automatique par renforcement sont la méthode d’apprentissage automatique qui effectue des actions par essais et erreurs basées sur un ensemble de données et est récompensée lorsque la bonne action est prise. Cela crée une approche de renforcement dans le processus de prise de décision au sein du système. Cela permet au système de déterminer rapidement et automatiquement l’action idéale au sein d’un ensemble de données spécifique basée sur un simple retour de récompense. Cette méthode maximise les performances du système grâce à l’utilisation rapide de signaux de renforcement.

Mise en Œuvre avec l’Analyse Vibratoire

La surveillance en ligne de l’analyse vibratoire se prête bien à l’apprentissage automatique grâce aux grands jeux de données pouvant être analysés. Les deux types différents de systèmes de surveillance en ligne déploient cependant des types d’apprentissage automatique très différents.

Les systèmes de surveillance en ligne comme PHANTOM®, qui sont par définition un système de reconnaissance ou de surveillance, déploient généralement des protocoles d’apprentissage automatique semi-supervisé. Ils nécessitent certaines connaissances spécialisées pour identifier les exceptions au sein des jeux de données et une supervision pour assurer l’exactitude de l’analyse et des actions prises par le système d’apprentissage. Plus les données ont été examinées et traitées par le système, plus le système devient fiable.

Les systèmes de protection en ligne tels que les systèmes de protection conformes à l’API 670 déploient généralement des protocoles d’apprentissage automatique par renforcement. Une action est prise basée sur les données et le système la récompense. Un exemple de cette philosophie serait un système de sonde de proximité dépassant les tolérances de déplacement autorisées et arrêtant la machine. La récompense dans ce cas est que le système est préservé d’une défaillance catastrophique et généralement coûteuse.

PHANTOM® Intègre Trois Types d’Apprentissage

RMS : C’est le processus d’apprentissage le plus simple (mais non moins fiable). Durant cette période, PHANTOM® suivra le RMS de la vitesse, de l’accélération et de l’enveloppe d’accélération pour définir un comportement ultérieur.

Alarmes d’enveloppement : Durant le processus d’apprentissage, notre système de surveillance continue évaluera chacun des spectres pour déterminer un comportement normal à chacune des fréquences correspondantes. Ainsi, à l’avenir, PHANTOM® saura quand une fréquence inconnue apparaît ou que toute autre fréquence connue augmente en amplitude, et prendra ainsi via le protocole semi-supervisé des actions prédéfinies basées sur les données.

Pannes prédéfinies de roulements et de boîtes de vitesses : L’accent est mis sur le suivi des pannes prédéfinies de roulements et de boîtes de vitesses et sur la prise d’action appropriée en fonction des fréquences de panne présentes et de leur sévérité.