XGBoost et détection d'anomalies sur capteurs IoT pour anticiper les pannes de robots de soudure et réduire les arrêts de ligne.
Sur une ligne d'assemblage automobile, un robot de soudure à l'arrêt bloque toute la chaîne en aval. La maintenance actuelle est planifiée à intervalles fixes ou déclenchée en réactif après panne, ce qui génère soit des remplacements prématurés de pièces encore valides, soit des arrêts non planifiés de plusieurs heures qui désorganisent tout l'ordonnancement de production.
Le coût du statu quo se mesure en heures de ligne perdues, en pénalités de retard vis-à-vis des constructeurs donneurs d'ordre, et en stocks de pièces de rechange surdimensionnés par précaution. Les équipes maintenance passent une part importante de leur temps en inspections systématiques peu discriminantes plutôt qu'en interventions ciblées.
La démarche démarre par un audit des capteurs existants et de leur fiabilité, puis une phase d'étiquetage des pannes passées à partir des ordres de maintenance pour constituer un jeu d'entraînement supervisé. Un travail important porte sur l'ingénierie de variables temporelles, extraction de features fréquentielles par transformée de Fourier rapide sur les signaux vibratoires, calcul de dérives tendancielles sur les paramètres de soudure.
Deux familles de modèles sont combinées. Un modèle de détection d'anomalies par isolation forest repère les comportements atypiques en temps réel sans nécessiter d'étiquette de panne. Un modèle de survie de Cox, puis un gradient boosting XGBoost entraîné sur les épisodes de panne étiquetés, estime une probabilité de défaillance à horizon court et moyen terme par robot et par composant critique.
Le déploiement expose un score de risque par actif, rafraîchi en continu, avec seuils d'alerte calibrés avec les équipes maintenance pour limiter les faux positifs qui désensibiliseraient les opérateurs.
Si 25 % des arrêts non planifiés deviennent anticipables, le temps de ligne récupéré pourrait représenter un gain significatif en capacité de production sans investissement machine supplémentaire. Si les interventions ciblées remplacent une part des remplacements systématiques, le coût de pièces de rechange pourrait baisser sensiblement, sous hypothèse que les seuils d'alerte restent calibrés et acceptés par les équipes terrain.
Pas nécessairement. L'audit initial évalue si les capteurs en place suffisent pour un premier pilote. Des capteurs additionnels ciblés peuvent être ajoutés ensuite sur les points les plus critiques identifiés par le modèle.
Un pilote sur une ligne ou un type de robot peut produire des alertes exploitables en 10 à 14 semaines, à condition que l'historique de pannes soit suffisamment fourni pour entraîner un modèle fiable.
La calibration des seuils se fait conjointement avec les équipes maintenance, avec un objectif explicite de limiter les faux positifs. Chaque alerte est accompagnée d'une explication des facteurs de risque via SHAP pour construire la confiance progressivement.
Nous le cadrons, le construisons et le mettons en production. Ou nous formons vos équipes à le faire.
Nous utilisons des cookies de mesure d'audience et de suivi publicitaire pour comprendre la fréquentation du site et l'efficacité de nos annonces. Rien n'est déposé sans votre accord. En savoir plus