Cette page a été traduite automatiquement.
Merci de bien vouloir compléter un sondage de 1 minute concernant la qualité de cette traduction.
Kobe Steel utilise MATLAB Web App Server et MATLAB Production Server pour améliorer l'efficacité de ses laminoirs.
Une approche permettant aux ingénieurs d'exploitation et de maintenance de déployer rapidement des modèles hautement personnalisés
« Nous avons développé une application MATLAB qui permet aux utilisateurs de construire des modèles conditionnels tout en analysant les données. Cela permet aux ingénieurs d'exploitation et de maintenance (ou aux experts du domaine) de créer des modèles personnalisés pour chaque équipement de manière agile, même sans connaissance en Data Science. »
Principaux résultats
- MATLAB a permis le développement de bout en bout d'une application conviviale grâce à une méthodologie agile, permettant aux ingénieurs d'exploitation et de maintenance de créer, de prototyper et de déployer des modèles d'anomalies dans leur workflow opérationnel.
- Le modèle testé a démontré une précision de 89 % dans la détection des anomalies.
- En utilisant le système MONAD, le personnel sur site effectue des inspections d'équipements et une maintenance préventive en fonction des informations d'alerte.
Présentation d'un système de détection d'anomalies comprenant le prétraitement, le déploiement du modèle et le signalement des anomalies.
Kobe Steel est l'un des principaux fabricants du Japon, présents dans plusieurs secteurs et offrant une large gamme de technologies, de produits et de services axés sur ses trois activités principales : les matériaux, les machines et l'énergie électrique. L'entreprise travaille actuellement à améliorer l'efficacité de ses installations de laminage et à assurer la livraison en temps voulu de ses produits sidérurgiques, en identifiant et en corrigeant les anomalies de son processus de fabrication.
Étant donné que l'usine comprend de nombreux équipements, chacun ayant une grande variété de modes et de schémas de fonctionnement, l'équipe a identifié un défi majeur : il est difficile pour l'équipe de Data Science de l'institut de recherche de développer un modèle générique de détection d'anomalies applicable à tous les sites. La solution a consisté à déléguer le développement du modèle aux ingénieurs d'exploitation et de maintenance qui connaissaient les subtilités et les particularités des équipements de leurs installations de laminage. L'équipe a développé une application web MATLAB® appelée MONAD (Mode Oriented Novel Anomaly Detector) permettant aux ingénieurs d'exploitation et de maintenance de construire des modèles LOF (Local Outlier Factor) à deux variables, facilement interprétables. Les premiers essais se sont révélés très prometteurs, démontrant la capacité à détecter les défaillances initiales de lubrification des roulements avec une précision de 89 %. La généralisation de la modélisation auprès des ingénieurs d'exploitation et de maintenance a également permis à Kobe Steel d’accélérer le déploiement : dès le premier mois, 90 modèles de détection d'anomalies ont été prototypés.
Les données de processus issues des équipements de production sont collectées et prétraitées sur AWS® avant d'être évaluée par le modèle de détection d'anomalies déployé dans MATLAB Production Server™. Les résultats sont publiés dans un tableau de bord Web de supervision, alimenté par MATLAB Web App Server™. Si une anomalie est détectée, un e-mail est envoyé au responsable de l'équipement, qui inspecte l'équipement et effectue les réparations nécessaires avant qu'un dysfonctionnement n'arrête la ligne. Le concepteur du modèle sur site est également averti par e-mail et peut modifier le modèle en fonction des dernières données ou conditions afin d'en améliorer les performances.
Le système MONAD développé sous MATLAB permet aux ingénieurs d'exploitation et de maintenance de Kobe Steel de déployer rapidement des modèles hautement personnalisés, permettant la détection précoce d'anomalies potentielles ainsi qu’une réponse rapide.
