Comment utiliser l'IA pour le pronostic et la gestion de l’état de santé des actifs industriels

EluciDATA Lab de Sirris accueillera l'événement.
Cet événement se tiendra en anglais.  
 

Pour qui?

Les ingénieurs, les techniciens et le personnel de maintenance chargés d'assurer la fiabilité et l'efficacité des équipements et machines de fabrication. Ces techniques peuvent également être utiles aux directeurs d'usine et cadres responsables de la maintenance stratégique et de la gestion des actifs. 
 

Pourquoi est-ce intéressant pour vous ?

Êtes-vous prêt à découvrir les dernières techniques de pointe qui révolutionnent la conception et la maintenance des actifs industriels ?

1. Vous voulez bien cerner vos installations complexes
   Ces actifs fonctionnent souvent dans des environnements industriels complexes, influencés par divers facteurs tels que les conditions environnementales, d'autres actifs du parc et l'interaction avec un utilisateur final humain (opérateur).
   Ces actifs requièrent des méthodes PHM pour évaluer leur état de santé, répondre aux exigences croissantes de fonctionnalité et de qualité et envoyer des alertes précoces en cas de défaillances potentielles.
   > Au cours de l'événement, nous vous donnerons une vue d'ensemble des techniques avancées de PHM.
    

2. Vous voulez garder une longueur d'avance

   En tirant parti du PHM, les entreprises peuvent glaner de précieuses informations, accroître leur efficacité opérationnelle et améliorer leur service après-vente. Ne manquez pas cette occasion de rester à la pointe de la conception et de la maintenance des actifs industriels !

   Au programme :
   > Exposés d'entreprises industrielles de premier plan
   > Résultats de recherche de pointe illustrés par des cas d'utilisation industrielle

Ce que vous apportera cet événement

Cet événement thématique sera l'occasion :

• de découvrir les possibilités offertes par le PHM dans des contextes industriels ;

• de puiser de l'inspiration de cas d'utilisation réels ;

• de vous entretenir avec des experts et de poser des questions ;

• de discuter avec des pairs des défis liés au PHM pour les actifs industriels ;

• d'établir des contacts avec vos pairs.

   

Programme (provisoire)
 

The event will be held in English.
 

12:00: Lunch

13:00: Welcome

13:30: Setting the context
 

13:40: Reducing the cost of energy using data - Joris Boeye, ZF Wind Power Antwerpen NV
ZF Wind Power develops digital products and services that increase the availability of connected wind turbines. These solutions build on the market's changing attitude towards data sharing between suppliers, OEMs and wind farm operators. By reducing technical barriers for field data exchange and integrating with a Digital Twin, ZF's domain expertise can be leveraged in various ways: this brings benefits in inventory optimization, to reduce downtime and to increase the energy output for our customers.

14:05: Big data analytics for PV plant operation: Benchmarking components with early prediction of losses and failure - Gofran Chowdhury, 3E

3E will show you some results of the R&D activities carried out in the framework of the multiple EU projects. We will talk about how monitoring data can be used for early prediction of losses from soiling, PV degradation,and transformers. In addition, we will present the preliminary results of component benchmarking based on our SynaptiQ database.

14:30: Coffee Break

14:40: An overview of the current state of the art in Prognostic and Health Management based on several real-world industrial use cases:

• From anomaly scores to discrete predictions - Vincent Vercruyssen, DTAI, KU Leuven
  Anomaly detection methods assign a real-valued score to each datapoint in a dataset that correlates with how anomalous the method thinks the datapoint is. These scores need to be transformed into discrete predictions by setting a threshold; if the score is higher than the threshold, the datapoint is an anomaly, otherwise it is normal. The standard way to do this is to set the threshold such that the proportion of scores above it equals the expected proportion of anomalies in the dataset, i.e., the contamination factor. However, in most real-world problems, such as identifying abnormal behaviours in wind turbine data, the contamination factor is unknown. In this talk, I will discuss two technical methods we designed to help estimate the contamination factor.
• Exploitation of Transfer Learning techniques for condition monitoring of rotating machinery - Konstantinos Gryllias, LMSD, KU Leuven
  State-of-the-art machine learning models remain data-intensive, relying on massive data for model training. However, an extensive training dataset is not always accessible in practice due to the expensive or time consuming data collection and annotation process. The data-deficiency issue may limit the expressive power of the ML models and deteriorate the models’ performance, thus has become one of the weakest spots of ML techniques. Nowadays Transfer Learning techniques (real to real, simulation to real) are proposed as an alternative to accelerate the preparation of a model. Thus in this short talk Transfer Learning approaches will be briefly presented and some applications with focus on monitoring of rotating machinery (at a component level e.g. bearings and at a system level e.g. wind turbines) will be highlighted.
• Advanced techniques for automatic tool wear inspection - Robbert Verbeke, Sirris

  For many manufacturing companies, the replacement of tools constitutes a significant share of the operating cost. As tools get more worn, the quality of the produced part diminishes. For this reason, tools are typically replaced after a fixed time long before such quality degradation can occur. By automatically monitoring the tool status the replacement time of tools can be optimized without sacrificing the quality of the produced parts.

  Much research has been done to estimate the tool wear using sensor data such as vibration or acoustic emission as input to an AI model. While these give promising results, the scope of the data was too narrow, for example using a fixed cutting speed during the operations, limiting its usefulness for industrial implementation so far.

  We will present results of a multi-modal analysis performed using data generated under different conditions. The sensor data captured are vibration, acoustic emission, and cutting forces. This is supplemented with a high-resolution image taken automatically after each operation.

15:40: Closing Remarks

15:50: Networking reception

16:30: End

Prix

90 EUR (hors VAT), grâce au soutien de VLAIO, les entreprises technologiques établies en Flandre ne paient que 30% de ce prix (soit 27 EUR, hors TVA).
 

Conditions générales

• Les factures seront envoyées après l'événement. Vous pouvez consulter nos conditions générales sur notre site web.
• En cas d'empêchement, vous pouvez vous faire remplacer par un collègue. Merci de nous communiquer son nom par e-mail à events.admin@sirris.be.
• Les annulations doivent être notifiées par e-mail à events.admin@sirris.be. Vous pouvez annuler votre participation sans frais jusqu'à 3 jours ouvrables avant l'événement. En cas d'annulation après cette date ou de non-participation sans annulation, la totalité des frais de participation vous sera facturée.