Concevoir des équipements électriques plus intelligents intégrés à l'IA

La combinaison de l’approche Model-Based Design et de l'IA dans les systèmes électriques améliore les opérations dans l’industrie.

Tous les éléments de la vie moderne dépendent de systèmes électriques fonctionnels. À l’échelle industrielle, la défaillance de ces systèmes entraîne des pertes de données, du gaspillage et de l’obscurité. Un composant en particulier subit une usure importante: le contacteur, un dispositif qui permet ou coupe le courant. Mais jusqu'à récemment, l’entretien des contacteurs impliquait d'essayer d'anticiper le moment où les dispositifs pourraient tomber en panne ou mal fonctionner. Pour résoudre ce problème, les ingénieurs de Schneider Electric ont combiné l'intelligence artificielle (IA) et l’approche Model-Based Design pour intégrer un algorithme de maintenance prédictive dans les contacteurs eux-mêmes. En conséquence, ils ont condensé un test de maintenance de plusieurs mois en une pause déjeuner.

Auparavant, l'estimation de la durée de vie restante des contacteurs nécessitait une période de tests intensifs de plusieurs mois. Mais grâce à l'accessibilité accrue des outils d'IA pour l'ingénierie, les ingénieurs de Schneider Electric ont non seulement réduit ce temps de test, mais ils ont également réduit le temps de développement de nouveaux contacteurs de trois ans à six mois.

« Avant cette nouvelle méthode, les clients devaient éteindre l'installation lors d'une campagne de maintenance », explique Silvio Rizzuto, expert technique principal chez Schneider Electric. « Par exemple, dans l’industrie alimentaire, si vous arrêtez la production, vous gaspillez tout ce qui reste sur la chaîne de production. »

De réactif à proactif

Parce que ces équipements essentiels gèrent des courants et des tensions très élevés, les contacteurs subissent une usure qui peut largement dépasser 10 ans, selon les conditions de fonctionnement. Cependant, les pressions de l'environnement peuvent réduire la durée de vie des dispositifs, et une intervention proactive peut la prolonger. En raison de ces variations, il est difficile d’estimer la durée de vie utile restante (RUL) d’un contacteur individuel en fonctionnement.

En lançant une nouvelle génération de contacteurs, l'équipe de Schneider Electric avait pour objectif de donner aux clients le pouvoir d'être proactifs plutôt que réactifs. Grâce à l'IA, l'équipe a cherché à intégrer un algorithme de maintenance prédictive dans un contacteur, éliminant ainsi la tension entre la surveillance de la longévité du contacteur et la préservation des opérations.

Rizzuto et ses collègues se préoccupaient depuis longtemps de ces questions. « Nos produits peuvent être utilisés dans une installation client pendant 20 ans, toujours sous tension », explique Rizzuto. « Les composants électriques ne sont pas conçus pour ce type d'application ».

Pour avoir une idée approximative de la RUL d'un contacteur, les techniciens interrompent leurs opérations pour inspecter visuellement les points de contact, à la recherche de décoloration ou de piqûres, signe d’un contacteur vieillissant. Mais les clients ne peuvent pas faire grand-chose pour optimiser la durée de vie de ces dispositifs et protéger leurs opérations.

En lançant une nouvelle génération de contacteurs, l'équipe de Schneider Electric avait pour objectif de donner aux clients le pouvoir d'être proactifs plutôt que réactifs. Grâce à l'IA, l'équipe a cherché à intégrer un algorithme de maintenance prédictive dans un contacteur, éliminant ainsi la tension entre la surveillance de la longévité du contacteur et la préservation des opérations.

Ouvrier installant des contacteurs dans un panneau industriel.

Installation des contacteurs TeSys Giga. (Crédit : Schneider Electric)

Partir de zéro

En 2016, Schneider Electric a commencé à développer le contacteur TeSys Giga, son premier contacteur équipé d'une fonction d'estimation de la durée de vie restante. Mais la première phase du projet s’est soldée, comme le dit Rizzuto, par un « désastre ».

« Nous avons décidé d'inclure l’approche Model-Based Design et la génération de code pour gérer la complexité. »
Silvio Rizzuto, expert technique principal, Schneider Electric

L'équipe du projet a commencé à créer un algorithme d'estimation de la durée de vie à partir de zéro, grâce au machine learning, pour classer les niveaux d'usure subis par les contacteurs. Pour générer les données nécessaires à l'entraînement de l'algorithme, ils ont construit une carte électrique capable de capturer les mesures nécessaires, telles que le courant, la tension et le nombre d'opérations, à l'intérieur d'un contacteur et ont soumis le dispositif à des opérations pour obtenir ces chiffres.

Après deux ans et demi de développement de l'IA, ils ont commencé à tester le nouveau contacteur TeSys Giga. Cette première itération a échoué aux tests de durabilité et personne n’a pu identifier la cause sous-jacente. La création manuelle d’algorithmes est un processus complexe, propice aux erreurs humaines. « C'est devenu impossible à gérer », explique Rizzuto. « C'est à ce moment-là que nous avons décidé d'inclure l’approche Model-Based Design et la génération de code pour gérer la complexité. »

Illustration déconstruite du contacteur TeSys Giga montrant les pièces individuelles, y compris les connexions de bloc (Adv), la base, l'ampoule, le cadre central et l'aimant mobile, ainsi que le CMD, la bobine et l'aimant fixe.

Le contacteur TeSys Giga. (Crédit : Schneider Electric)

Combiner l'IA et l’approche Model-Based Design

L’approche Model-Based Design et l’IA existent depuis des décennies, mais la combinaison des deux et la mise à disposition d’outils d’IA conviviaux pour les ingénieurs constituent un développement relativement récent. « Aujourd'hui, nous commençons à utiliser cette méthodologie », explique Cédric Tridon, ingénieur d'application MathWorks qui accompagne Rizzuto et d'autres clients de la région. « Désormais, les ingénieurs savent comment utiliser l’IA et nous disposons des outils pour les aider à développer des algorithmes d’IA pour résoudre leurs problèmes. Ils peuvent être utilisés pour de plus en plus d’applications. »

En remplaçant leurs méthodes manuelles par l'automatisation, l'équipe a repris le développement, la modélisation et la simulation des performances de l'algorithme de machine learning à l'aide de MATLAB. Ils ont comparé les résultats du modèle avec leur ensemble de données initial pour s'assurer qu'il fonctionnait comme prévu et ont utilisé Simulink pour développer, simuler et visualiser l'architecture de l'algorithme. MATLAB a également généré le code que l'équipe du projet doit intégrer dans le contacteur.

Utiliser MATLAB^® pour combiner l’approche Model-Based Design et l'IA a donné à l'équipe du projet deux avantages qu'elle n'avait pas auparavant : une interface visuelle pour un algorithme complexe et un moyen rapide et précis de simuler la fonction de durée de vie restante avant de la tester dans le contacteur réel.

Rizzuto, qui n'avait pas une solide expérience en IA, s'est appuyé sur les ressources MathWorks, telles que la formation, le support technique et les exemples en ligne, pour lancer le redéveloppement du contacteur TeSys Giga. L'équipe de Rizzuto avait appris de ses erreurs. « Nous ne voulons pas d'une boîte noire », déclare Rizzuto. « Nous voulons tout savoir sur le fonctionnement de notre algorithme. »

En remplaçant leurs méthodes manuelles par l'automatisation, l'équipe a repris le développement, la modélisation et la simulation des performances de l'algorithme de machine learning à l'aide de MATLAB. Ils ont comparé les résultats du modèle avec leur ensemble de données initial pour s'assurer qu'il fonctionnait comme prévu et ont utilisé Simulink^® pour développer, simuler et visualiser l’architecture de l’algorithme. MATLAB a également généré le code que l'équipe du projet doit intégrer dans le contacteur.

« Nous voulions pouvoir tester le RUL d'un contacteur, ce qui prend généralement quatre mois et demi », a expliqué Rizzuto. « Grâce au modèle, il est possible de simuler ce processus en seulement une heure, ce qui permet de gagner beaucoup de temps en développement. »

Même si leur nouveau processus de développement rendu possible par l’IA et la modélisation s’est avéré être un processus plus fluide, des obstacles subsistaient. Rizzuto affirme que les conseils des ingénieurs MathWorks ont été essentiels. Par exemple, l'équipe Schneider avait besoin d'une fonction de filtrage pour minimiser l'empreinte mémoire de l'algorithme. Lorsque le développeur du micrologiciel Schneider a eu besoin d'un filtre personnalisé, MathWorks l'a aidé à en développer un. De plus, Rizzuto et son équipe se sont appuyés sur des exemples en ligne de MathWorks pour créer une classe de stockage personnalisée pour la génération de code qui optimisait la présentation des données fournies par le code généré au niveau des différentes couches hardware.

Cette fois-ci, lors des premiers tests software et hardware, l'équipe de Rizzuto avait une plus grande confiance dans ses résultats. En effet, le projet a été un succès. Avec l’approche Model-Based Design et l'IA, l'équipe n'a passé que six mois sur les mêmes tâches qui, sans ces ressources, auraient pris près de trois ans. La nouvelle procédure a également évité les problèmes auxquels l'équipe de Schneider Electric a été confrontée au début : créer un algorithme à la main, une méthode sujette aux erreurs, sans moyen de le simuler avant de le tester dans le hardware.

Les clients utilisent les contacteurs TeSys Giga de Schneider Electric, équipés de la fonction d'estimation RUL, depuis 2021. « Grâce à cette nouvelle fonction, ils peuvent planifier la maintenance de ce produit et l'utiliser plus efficacement », explique Rizzuto. Ils n'ont plus besoin d'arrêter les opérations pour inspecter les contacteurs et peuvent planifier les réparations ou les remplacements de manière stratégique. Désormais, doté de son modèle, Schneider Electric peut également fournir un support technique continu à ses clients, en utilisant son modèle pour simuler des solutions possibles en une heure seulement.

Gros plan du contacteur TeSys Giga, montrant l'indicateur LED de signalisation d'usure.

Le diagnostic de l'usure des contacts et la détection des défauts locaux avec un indicateur LED permettent aux clients de planifier quand remplacer l'ensemble des modules de commutation. (Crédit : Schneider Electric)

En plus d'accélérer le développement de produits, Rizzuto affirme que MATLAB et Simulink ont permis un flux de travail plus fluide entre les membres de l'équipe. Communiquer avec une équipe internationale et s'assurer que tout le monde reste informé de l'état d'avancement du projet s'est avéré particulièrement difficile. Mais MATLAB et Simulink ont contribué à atténuer ce problème. « Utiliser MATLAB et Simulink est clairement un avantage car de nombreux ingénieurs savent déjà utiliser ces outils », explique-t-il. L'utilisation de Simulink pour visualiser l'architecture de l'algorithme a également fourni un langage commun pour comprendre un algorithme complexe.

L'avenir de la maintenance prédictive

La combinaison de l'IA et de l’approche Model-Based Design a déjà permis à Schneider Electric d'économiser du temps et de l'argent sur le développement et permet à Rizzuto et à ses collègues de poursuivre également des projets plus ambitieux. Fort du succès de TeSys Giga, Schneider Electric travaille désormais sur une nouvelle version pour la gestion de la maintenance prédictive des contacteurs avec le développement d'un nouveau contacteur. Ce contacteur comprendra une fonction de diagnostic interne qui indique les pannes susceptibles de survenir lors des prochaines opérations en plus de l'estimation RUL.

« L'interface conviviale de ces outils les rend faciles à comprendre. Les applications Diagnostic Feature Designer et Classification Learner m'ont permis d'explorer les fonctions basées sur l'IA, même sans expérience en IA. »
Silvio Rizzuto, expert technique principal, Schneider Electric

« L'interface conviviale de ces outils les rend faciles à comprendre », explique Rizzuto. « Les applications Diagnostic Feature Designer et Classification Learner m'ont permis d'explorer les fonctions basées sur l'IA, même sans expérience en IA. » L’application Classification Learner a accéléré la conception des modèles, accélérant ainsi encore le développement de l’IA. « En moins d'un mois, j'ai pu créer un prototype en temps réel pour la fonctionnalité de maintenance embarquée dans nos contacteurs », a-t-il ajouté, ce qui a impressionné ses responsables de développement.

Dans le nouveau contacteur, qui reste pour l'instant un prototype, un réseau neuronal moyen alimente la fonction de diagnostic qui alerte les clients des problèmes de maintenance dès qu'ils surviennent. Cette fonctionnalité supplémentaire renforce encore les défenses des clients contre les dommages imprévisibles aux équipements, les retards de production et le gaspillage.

Capture d'écran de l'histogramme de Diagnostic Feature Designer.

Le Diagnostic Feature Designer et son interface graphique multifonction ont permis à l'équipe d'explorer les fonctions basées sur l'IA même sans expérience en IA.

Lire d'autres articles

MACHINE LEARNING