XTRACTIS POUR LA MAINTENANCE PRÉDICTIVE

Prédiction de la dégradation fonctionnelle d'un groupe de propulsion navale

Benchmark versus forêt aléatoire, boosted trees & réseaux de neurones

L’objectif de cette étude est de prédire la dégradation fonctionnelle du compresseur d’un groupe de propulsion navale, à partir de mesures sur la turbine à gaz en état stable obtenues par simulation numérique de frégate. Elle illustre la capacité de l’IA xtractis à induire automatiquement des connaissances sous forme de relations mathématiques prédictives et intelligibles pour modéliser un phénomène très complexe.

Au final, xtractis confirme cette très grande complexité, génère un modèle de régression composé de 306 règles décisionnelles sans chaînage, utilisant 12 prédicteurs parmi les 14 potentiels, et prédit un état de dégradation pour l’infinité des points de l’espace de décision avec une fiabilité éprouvée.

Les avantages :

  • Permettre aux experts métiers et responsables de la maintenance de comprendre les relations causales entre certains paramètres de la turbine et son futur état de dégradation. 
  • Réaliser des actions de maintenance prédictives, spécifiques à chaque turbine, grâce à des diagnostics rapides et systématiques, permettant ainsi d’éviter des avaries critiques.

Sommaire :

– Type de Modélisation et données de référence

– Processus xtractis d’induction automatique

– Top-IVE : Meilleur modèle prédictif et intelligible

– Performances du top-IVE

– Intelligibilité du modèle et Explicabilité de la décision

– Exemple : Prédiction pour la Simulation #6945

– Ressources du processus xtractis (Induction + Validation + Déduction)

– Benchmark xtractis versus Forêt aléatoire, Boosted trees & Réseaux de neurones 

– Conclusions et Avantages de l’IA de Confiance xtractis

 

Résultats par xtractis® GENERATE 11.2.38415 (06/2021) Première version Use-Case : 01/2020
Version courante : 12/2021 (v3.8)