Traiter les biens physiques comme des patients placés sous surveillance médicale : une idée qui a conduit la P^re Soumaya Yacout, du Département de mathématiques et de génie industriel, à concevoir, développer et maintenant breveter un système intelligent pour prévenir les pannes ou les accidents.

Décalage entre certaines méthodes et ressources des organisations

Les pertes et les risques engendrés par une défaillance des machines industrielles et des infrastructures civiles peuvent peser très lourd. Mais comment les prévenir de façon automatique et le plus efficacement possible ? «

 Les méthodes mathématiques utilisant les statistiques et les probabilités pour étudier l’état des biens physiques sont certes puissantes, mais elles demandent une expertise en analyse statistique qui est rarement détenue par les organisations. Elles restent donc peu appliquées », déclare la P^re Soumaya Yacout, spécialisée en maintenance qualité et fiabilité.

Dès les années 2000, la chercheuse réfléchissait déjà au développement d’une solution de maintenance prédictive. Elle s’inspirait de l’exemple d’un système implanté dans des hôpitaux aux États-Unis. Utilisé pour la détection et la classification de l’état de santé de patients, il est basé sur une méthode d’analyse logique de données (ou LAD, pour Logical Analysis of Data). « Mon idée était que les biens physiques pouvaient eux aussi émettre des données exploitables sur leur état de fonctionnement et de vieillissement. Mais à l’époque, les entreprises n’étaient pas réceptives… », se souvient-elle. 

L’accident du viaduc de la Concorde, en 2009, a suscité une prise de conscience des organisations sur la nécessité de mieux prévenir les risques de défaillance de leurs biens physiques. « À ce moment-là, on commençait aussi à parler d’un nouveau phénomène  : le big data, qui annonçait une révolution dans le domaine de l’intelligence artificielle », témoigne la P^re Yacout, qui a travaillé avec son équipe d’étudiants à adapter la méthode LAD à l’environnement industriel. 

CBM-LAD 

En installant des capteurs sur les machines industrielles, on récolte un grand nombre de données en temps réel. Ces données fournies en continu sont traitées selon une technique de classification basée sur la théorie combinatoire et booléenne. Ce système intelligent, nommé CBM-LAD (pour Condition-Based Maintenance with Logical Analysis of Data), est en mesure d’établir un diagnostic et un pronostic de l’état des machines, en apprenant à partir de centaines de cas différents. Les machines peuvent communiquer avec les ressources de maintenance pour les alerter en cas de risques de défaillance, prévenant ainsi des catastrophes industrielles ou de mauvais fonctionnements. 

Le CBM-LAD a été breveté à l’automne dernier avec l’aide d’Univalor. Il est déjà utilisé par plusieurs organisations, comme Transport Québec pour surveiller l’état des autoroutes, ou CanmetÉNERGIE pour étudier l’efficacité et la performance des chaudières dans l’industrie des pâtes et papiers. 

« Avec la recherche qui se fait à l’IVADO, ces méthodes sont mieux comprises et ont gagné en popularité », déclare la P^re Yacout. « Mes étudiants se voient proposer des emplois avant même d’avoir obtenu leur diplôme ! » 

Bientôt, un système encore plus intelligent 

Avec son équipe d’étudiants, la P^re Yacout travaille actuellement à rendre CBM-LAD capable de sélectionner l’action de maintenance la plus opportune parmi un choix de plusieurs. « Un peu comme le célèbre robot R2-D2 de Star Wars », conclut-elle.