Avec l’essor de l’IoT industriel, un retour sur investissement élevé est attendu des solutions de maintenance prédictive. Mais malheureusement, le manque de données historiques de pannes pour entraîner des algorithmes de Machine Learning au cours des dernières années, a provoqué beaucoup de frustrations de la part des clients industriels et des investisseurs.
Il fallait ouvrir une nouvelle voie vers le succès. Cela ne pouvait venir que de la recherche académique. Grâce à sa technologie inédite inventée au CNRS, Amiral Technologies a prouvé à plusieurs clients que son logiciel DiagFit pour la prédiction en mode aveugle des pannes a levé cet obstacle majeur pour atteindre un retour sur investissement élevé.
La technologie repose sur une innovation qui consiste à déterminer l’espace de bon fonctionnement et de détecter et caractériser les dérives afin de déceler les alertes d’usure ou de panne. Elle a été lauréate du concours i-Lab du ministère de la recherche en 2019.
Outre l’absence de données historiques, DiagFit a supprimé d’autres facteurs limitant le déploiement opérationnel dans le monde industriel, ceci est rendu possible grâce à :
• la spécificité de la solution pour traiter signaux physiques de type “séries temporelles” issues des capteurs IoT industriels, et la généricité par rapport aux types de signaux traités (vibration, courant, pression, température, humidité, etc.) ;
• la technologie performante d’extraction automatique d’indicateurs de santé des séries temporelles industrielles ;
• l’adaptation à toute configuration grâce à une solution multi-plateforme (embarquée, edge et cloud).
