Les connaissances acquises lors d’une intervention de maintenance passée peuvent être réutilisées pour améliorer les prochaines interventions (Ben-Daya et al., 2009). Dans ce contexte et compte tenu de la complexité de mise en œuvre de stratégies comme la TPM (Total Productive Maintenance) et la RCM (Reliability-Centered Maintenance), les organisations s’orientent de plus en plus vers des solutions utilisant leurs connaissances internes (Hogan et al., 2011).
Plusieurs systèmes à base de connaissances ont été développés et améliorés par des méthodes de gestion des connaissances/expériences ou des méthodes d’extraction de connaissances, et ont permis de définir une mémoire d’entreprise aidant les décisions de maintenance. Les principaux objectifs de ces systèmes incluent notamment la programmation des tâches, le diagnostic des machines ou encore le choix d’une stratégie de maintenance.
En ce qui concerne la gestion des connaissances/expériences, une méthode de capitalisation des connaissances en maintenance est par exemple décrite dans (Rasovska et al., 2008), qui vise à développer un système d’aide à la décision pour le diagnostic et la réparation des équipements. Détecter, préserver, capitaliser et actualiser les connaissances stratégiques sont les grandes étapes de cette approche qui est principalement basée sur le Raisonnement à Partir de Cas (RàPC), et qui utilise des techniques de représentation des connaissances qui n’ont pas de mécanismes de raisonnement. MAIC (Materiali per Apparecchiature di Impianti Chimici) (Pieri et al., 2002) est un autre système d’aide à la décision à base de connaissances, qui utilise aussi le RàPC pour la résolution
de problèmes dans la maintenance d’une usine chimique, tout en prenant en considération des
1993), suggère des stratégies de gestion de maintenance à partir des connaissances expertes stockées dans une base d’informations. Dans (Chassiakos et al., 2005) est décrit un système visant plutôt la planification de la maintenance des ouvrages du génie civil (en particulier de ponts) à partir d’une base de connaissances.
D’autres travaux se concentrent surtout sur l’extraction de connaissances à partir des données disponibles, à l’aide de différentes techniques de data mining. Des outils traditionnels d’analyse de données ont ainsi été utilisés avec succès dans l’amélioration de la qualité des processus de maintenance. De nouveaux outils ont aussi été développés pour mieux exploiter les grandes quantités de données disponibles collectées par les systèmes informatisés dans l’industrie (Köksal et al., 2011), i.e. les techniques d’ECD.
Dans ce contexte, selon Choudhary (Choudhary et al., 2009), seulement 8% des études portant sur l’extraction de connaissances (data mining) dans l’industrie manufacturière sont liées au domaine de la maintenance. Cette constatation est cohérente avec le travail présenté dans (Harding et al., 2005) indiquant que même si ce secteur a été le premier domaine manufacturier profitant de solutions basées sur les techniques de data mining, seules quelques études ont été identifiées dans des applications de maintenance. Nous présentons dans la suite des exemples de data mining prédictif et descriptif dans ce domaine.
Un système d’aide à la décision permettant de prédire la défaillance d’un composant est suggéré dans (Létourneau et al., 1999), pour améliorer la maintenance préventive à partir de données recueillies par des capteurs. Dans (Shen et al., 2000), la théorie des ensembles approximatifs (rough-
sets) est appliquée afin de diagnostiquer des défauts à partir de l’extraction de règles d’association
décrivant les liens de causalité menant à des défaillances. D’autres modèles visent plutôt à mieux comprendre les données disponibles afin d’aider les processus de prise de décision stratégique dans le domaine. Certaines études suggèrent ainsi que l’extraction de règles d’association permet d’améliorer les procédures et les interventions ; d’autres ne ciblent pas explicitement une telle amélioration, mais fournissent des résultats intéressants qui peuvent être utiles à cet effet (le lecteur intéressé pourra par exemple reporter à (Chen et al., 2005) (Liu et al., 2011) (Meseroll et al., 2007) (Mirabadi & Sharifian, 2010)).
Les principales caractéristiques de ces études liées à l’extraction de règles d’association en maintenance, sont résumées dans le Tableau IV.1. Ce tableau liste pour chaque étude présentée l’algorithme utilisé pour l’extraction des règles, l’objectif principal de l’étude, le contexte d’application dans la maintenance et la source des données.
Nous pouvons constater dans le Tableau IV.1 que l’algorithme Apriori (Agrawal & Srikant, 1994), bien connu pour sa simplicité et son efficacité, est souvent utilisé pour l’extraction des règles. Nous remarquons également que les objectifs de ces études sont souvent assez précis, ce qui facilite notablement l’interprétation, l’évaluation et la validation des règles obtenues, toutes basées sur les liens entre les mêmes attributs classiques (par exemple, la relation symptômes-causes pour une activité de data mining visant au diagnostic). Peu de ces études se sont intéressées à l’obtention des différents types de règles que l’algorithme pourrait identifier à partir de l’analyse des attributs qui caractérisent les interventions dans une base de données.
Paula Andrea Potes Ruiz
94
Tableau IV.1. Revue des études liées à l’extraction de règles d’association en maintenance
Référence Algorithme/Outil Objectif/Description Contexte d’application
Source des données
(Chen et al., 2005) Apriori/
Trouver les corrélations entre machines et produits défectueux Fabrication de semi- conducteurs Système de suivi
(Zhang & Yang, 2006) Apriori/
Identifier les erreurs humaines pour améliorer la maintenance des aéronefs Transport aéronautique militaire "Systèmes d’information"
(Meseroll et al., 2007) /ThinkAnalytics
Analyser les résultats dans les tests pour identifier les écarts.
Industrie
aéronautique Built-in-tests
(Young et al., 2010) Apriori/Clementine
Relations entre
défaillances, diagnostics et actions de réparation pour améliorer les pratiques de maintenance
Industrie aéronautique
Rapports de maintenance
(Mirabadi & Sharifian, 2010)
GRI (Generalized Rule Induction) /Clementine
Analyser les causes des accidents dans un réseau ferroviaire
Transport ferroviaire
Rapports sur les accidents
(Baohui et al., 2011) Apriori/
Trouver des associations entre symptômes et actions correctives Industrie aéronautique Rapports de maintenance
(Liu et al., 2011) Algorithme Apriori basé sur SQL/
Trouver des relations entre défaillances dans la surveillance de l’état d’un tunnel ferroviaire
Ferroviaire
Rapports sur les
défaillances
(Maquee et al., 2012) Clustering+Apriori/
Analyser l’efficacité des activités de maintenance par la technique de clustering Maintenance de bus Rapports de maintenance
(Sammouri et al., 2012) T-patterns/
Associations temporelles entre les alarmes et l’occurrence de défaillances sévères Systèmes de transport ferroviaire Système de données de type FCD (Floating Car Data) (Kamsu-Foguem et al., 2013) FP-Growth/
Règles séquentielles pour améliorer les processus de production (incluant la maintenance)
Manufacturière Système de suivi
Il ressort de ces travaux un besoin en systèmes d’aide à la décision exploitant les connaissances issues de l’analyse des expériences passées (Chapitre II). L’idée de fournir à l’utilisateur une aide pour comprendre et interpréter les nouvelles connaissances découvertes et les liens possibles entre les
différents types de règles extraites par un algorithme devient alors d’un grand intérêt (Chapitre III). Un autre point intéressant concerne le fait que l’interaction avec les utilisateurs experts du domaine n’est pas détaillée dans ces travaux, sauf dans (Mirabadi & Sharifian, 2010) où l’utilisation de l’algorithme « Generalized Rule Induction » permet à l’utilisateur de spécifier le nombre de règles qu’il attend.