Accueil Analyse d'huile L’apprentissage automatique stimule l’analyse de l’huile.

L’apprentissage automatique stimule l’analyse de l’huile.

0
0
89

kit de prélèvement

 

Dans l’industrie des lubrifiants, on parle de plus en plus d’une gamme de technologies désignées collectivement par l’industrie 4.0 et de la manière dont elles peuvent être utilisées pour améliorer les opérations. Une entreprise d’analyse d’huile a présenté des exemples concrets lors d’une conférence l’an dernier.

Bureau Veritas a incorporé des technologies d’intelligence artificielle et d’apprentissage automatique afin d’accroître à la fois la rapidité et la précision de l’analyse des échantillons d’huile, ce qui laisse plus de temps aux analystes humains pour se concentrer sur les échantillons problématiques qui nécessitent le plus leur attention. C’est le message que Cary Forgeron, directeur nord-américain du contrôle de l’état des huiles chez Bureau Veritas, a partagé lors du congrès ICIS-ELGI sur les lubrifiants industriels en Amérique du Nord, qui s’est tenu à Chicago en septembre.

Forgeron a présenté une étude de cas sur l’analyse prédictive, expliquant l’utilisation de l’intelligence artificielle par la société, qui passe à l’étape suivante du Big Data en permettant aux ordinateurs d’apprendre à mieux analyser les données au fur et à mesure que le programme reçoit plus d’informations.

Le défi pour les entreprises qui ne sont pas des géants de la technologie, a-t-il déclaré, consiste à apprendre à tirer le meilleur parti de ce que l’on appelle la révolution numérique. « Ce que nous avons découvert grâce à ce projet, c’est qu’il n’est pas nécessaire d’être Google ou Microsoft pour tirer parti de ce qui se passe », a-t-il déclaré aux participants.

Bureau Veritas effectue des analyses d’huile pour les utilisateurs finaux de lubrifiants, généralement des exploitants d’installations industrielles. Les clients prélèvent des échantillons de lubrifiants, tels que des graisses et des fluides de travail des métaux, et les envoient aux laboratoires de Bureau Veritas où ils sont testés. Les analystes examinent ensuite les données et classent les échantillons comme normaux et ne demandent aucune action; anormal, ce qui nécessite une action corrective; ou critique, ce qui signifie que l’équipement doit être arrêté pour maintenance ou réparation immédiate.

Croissance rapide

Forgeron a raconté comment Bureau Veritas avait eu du mal à développer l’activité d’analyse d’Analysts Inc. après l’avoir acquise en 2014. Avant la transaction, Analysts disposait de quatre laboratoires qui analysaient un million d’échantillons par an. Par la suite, il a été étendu à 17 laboratoires, dont plusieurs dans des pays du monde entier, mais n’a continué à recruter que 15 analystes, et le nombre d’échantillons n’a augmenté que de 20%.

L’enquête a montré que si les analystes examinaient tous les résultats, ils ne pourraient passer que 3,5 minutes en moyenne sur chacun. Le système créait également une possibilité d’erreur humaine et conduisait à des recommandations incohérentes depuis leur rédaction par.

«En travaillant avec nos clients, nous nous sommes rendus compte que les échantillons normaux ne leur tenaient pas vraiment à coeur», a déclaré Forgeron. Mais les analystes passaient autant de temps sur des échantillons normaux que des échantillons anormaux et critiques nécessitant plus d’attention.

Bureau Veritas a vu une possibilité de numérisation pour faciliter le processus d’analyse des échantillons d’huile. Il a mis en place un système utilisant des ordinateurs pour identifier et traiter les échantillons normaux, permettant ainsi aux analystes de gérer les résultats anormaux et critiques et d’interagir avec les clients. Le temps moyen passé par les analystes sur ces échantillons a augmenté à 15 minutes et les commentaires aux clients sont devenus plus uniformes.

Forgeron a expliqué que cela répondait aux objectifs de la société, à savoir améliorer les résultats et améliorer l’efficacité, et non de remplacer les humains par des machines. «Je pense que lorsque beaucoup de gens entendent parler d’intelligence artificielle ou d’automatisation, ils pensent que des personnes perdent leur emploi», a déclaré Forgeron. « Ce n’est pas vraiment le cas ici. »

L’intelligence artificielle et l’apprentissage automatique peuvent paraître intimidants pour ceux qui ne travaillent pas dans ces domaines, mais leurs fonctions sont relativement accessibles. «L’apprentissage automatique consiste à faire en sorte que les ordinateurs apprennent et agissent comme des humains et améliorent cet apprentissage avec le temps», a expliqué Forgeron. «Ce que nous voulons que l’ordinateur fasse, c’est commencer à apprendre. Mais nous devons l’enseigner d’abord. « 

L’apprentissage automatique nécessite l’apprentissage de l’ordinateur, l’élaboration de modèles d’apprentissage, puis l’introduction continue de données. Cette boucle d’apprentissage comprend un facteur de confiance. “[Si] on a confiance à 90% que c’est normal, on peut le relâcher. Si ce n’est pas 90%, cela revient à nos analystes de données. Ils l’examinent et cela alimente la machine.

Le jeu de données de Bureau Veritas pour l’analyse des échantillons d’huile est assez volumineux. La société peut traiter jusqu’à 1,2 million d’échantillons par an, y compris une analyse élémentaire pour chaque test.

«Nous examinons 27 ou 28 résultats de tests individuels par échantillon», a déclaré Forgeron, totalisant plus de 28 millions de points de données. «Commencez à ajouter des marques et des modèles OEM ainsi que des types de fluide, des marques, des fabricants et des qualités – vous pouvez voir que ces points de données augmentent considérablement.»

La prochaine étape a été la préparation des données, reconnaissant que – sans formation ni apprentissage – l’intelligence artificielle n’était pas aussi intelligente, par exemple, reconnaissant que des orthographes et des itérations légèrement différentes du nom d’une entreprise signifiaient la même chose.

«Vous devez parcourir et effacer ces données», a-t-il déclaré. «C’est là que vous commencez à construire certains de ces modèles. Si vous apprenez à la machine que ce sont les mêmes ou très similaires, la machine peut commencer à apprendre ou à voir cela à l’avenir. ”

Une fois que les résultats des tests ont été établis, l’entreprise a dû apprendre à la machine comment renvoyer des recommandations utiles. Pendant ce temps, l’intelligence artificielle a continué à apprendre et à évoluer.

Bien que Forgeron et ses collègues travaillent dans des laboratoires pour le compte de leurs clients, les données sont désormais au cœur de leurs préoccupations. «Je ne parle plus des tubes à essai et des aiguilles pour les clients», a-t-il déclaré. « Je parle des données – de ce qu’elles peuvent faire avec les données et de ce que nous faisons avec les données pour améliorer leur activité. »

( pubs.lubesngreases BY GEORGE GILL FEBRUARY 27, 2019 )

Web: www.bureauveritas.com

Web: www.icis.com

Charger d'autres articles liés
Charger d'autres écrits par JC-GIROUD
Charger d'autres écrits dans Analyse d'huile

Laisser un commentaire

Consulter aussi

Afton a annoncé l’acquisition de Aditivos Mexicanos fabricant et distributeur d’additifs lubrifiants.

Afton Chemical Corporation, leader mondial du marché des additifs pour lubrifiants et comb…