Détection d'anomalies en temps réel
Surveillance continue des signatures capteurs. Détection d'écarts par rapport à la distribution nominale apprise, avec score de criticité.
Isolation Forest · Autoencoder · LSTM · One-class SVM
Domaine d'expertise
Maintenance prédictive — des capteurs à la prédiction de défaillance
Pipelines de maintenance prédictive à partir de vos données SCADA, historian ou capteurs IoT — vibrations, température, courant moteur, pression. De l'ingestion des séries temporelles à l'alerte dans votre CMMS.
Capacités
Ce qu'on construit
Estimation de durée de vie résiduelle (RUL)
Modélisation de la dégradation sur composants critiques — roulements, joints, pales. Horizon de prédiction configurable selon la dynamique de dégradation.
LSTM · Transformer · Survie paramétrique · Weibull
Classification de modes de défaillance
Identification du type de défaillance probable : déséquilibre, cavitation, usure abrasive, défaut roulement bague intérieure / extérieure.
FFT · enveloppe · Random Forest · SVM multi-classe
Dashboard de santé machine
Score de criticité par équipement, historique des anomalies, tendances sur les features clés, vue flotte pour le responsable maintenance.
Grafana · Plotly · API REST temps réel
Intégration CMMS
Déclenchement automatique d'OT au franchissement du seuil. Priorité, description du symptôme et équipement concerné pré-remplis.
SAP PM · IBM Maximo · Infor EAM · REST API
Optimisation des intervalles PM
Sur la base des dégradations observées, recalibration des intervalles de maintenance préventive existants pour réduire les interventions inutiles.
Analyse de survie · modèles de dégradation
Architecture
Pipeline type
Ingestion des séries temporelles → feature engineering → détection / estimation → alerte → action CMMS. Conçu pour fonctionner sur les historians existants sans interrompre la production.
Sources
Capteurs & historian
Accéléromètres, courant moteur, T°, pression, débit. OPC-UA, Modbus, OSIsoft PI, InfluxDB, Ignition.
Feature eng.
Extraction de features
RMS, kurtosis, skewness, FFT, enveloppe spectrale, bandes fréquentielles. Python / Apache Spark selon le volume.
Modèle
Détection / prédiction
Modèles entraînés sur l'historique labellisé. Seuils calibrés selon le coût d'une fausse alerte vs. un arrêt non prévu.
Action
Alertes & CMMS
Notifications email/SMS/Teams, création d'OT automatique, escalade selon criticité. Logs traçables pour auditabilité.
Équipements cibles
Ce qu'on instrumente
Applicable dès qu'un historique de données capteurs existe sur des défaillances passées — même partiel. Nous aidons à labelliser l'historique.
Moteurs électriques
Pompes centrifuges
Compresseurs
Ventilateurs industriels
Broyeurs et concasseurs
Convoyeurs
Presses hydrauliques
Fours et étuves industriels
Résultats
Ordres de grandeur observés
Constatés sur des déploiements comparables. Dépendent de la qualité des historiques, du type d'équipement et du niveau de documentation des pannes passées.
2 – 6 sem.
d'anticipation avant symptôme visible sur défaillances ciblées
30 – 60 %
de réduction des arrêts non planifiés observée sur parc instrumenté
+ 15 – 30 %
de disponibilité machine par optimisation des intervalles PM
< 5 %
de faux positifs après calibration seuils selon criticité équipement
Démarche
Comment on procède
01
Audit data
Recensement des sources capteurs, qualité et granularité des historiques, labellisation des pannes passées. 1 semaine.
02
Feature engineering
Pipeline ETL, extraction des features pertinentes par type d'équipement, baseline de performance. 2 à 4 semaines.
03
Prototype
Entraînement et validation croisée sur historique, calibration des seuils d'alerte, dashboard de santé. 4 à 6 semaines.
04
Déploiement
Intégration SCADA / historian / CMMS, alertes, mise en production sur équipements pilotes. 2 à 4 semaines.
05
MLOps
Drift detection sur les distributions de features, réentraînement sur nouvelles pannes, amélioration continue.
Démarrer
Un parc machines à instrumenter ?
Décrivez-nous les équipements critiques, les données disponibles et l'historique de pannes. Nous vous répondons avec une analyse de faisabilité sous 48h.