Approche de traitement des logs pour la prédiction d'erreurs critiques

Abstract

Anticiper la maintenance des équipements mécaniques complexes est devenue une ambition majeure de l’Industrie 4.0. La plupart des contributions scientifiques liées à la maintenance prédictive se base sur les données issues des moyens de surveillance sophistiqués mis à disposition. Parallèlement, les solutions basées sur des données de type Log Event sont encore faiblement explorées. Dans ce papier, nous proposons une approche par classification permettant de prédire l’arrivée des erreurs hautement critiques, basée sur les données log émises par les machines-outils. La méthodologie proposée reprend le concept de sacs, issu du paradigme Multiple Instance Learning pour étiqueter facilement l’information. Trois paramètres principaux sont également définis pour construire l’ensemble d’entraînement. Ils permettent d’ajuster finement la balance entre le délais d’anticipation, la pertinence de l’historique et la précision de l’anticipation.L’efficacité de l’approche est démontrée au travers d’un cas d’usage industriel où les erreurs critiques peuvent être prédites une semaine en avance.