La Industria 4.0 ha permitido a los proveedores y fabricantes introducir nuevos conceptos tecnológicos. Los principales conceptos introducidos son el Internet de las Cosas (IoT), la computación en la nube y el análisis de datos, para conocer los estados de las máquinas y detectar posibles defectos. Este enfoque se denomina "mantenimiento predictivo", evalúa las condiciones reales y su evolución para predecir una eventual operación de mantenimiento antes de la avería.
Sin embargo, el despliegue del mantenimiento predictivo a escala industrial plantea varias cuestiones: la confianza en los datos de los sensores, el algoritmo necesario para detectar los defectos y predecir las averías, su adaptabilidad a un gran volumen y a los equipos.
Para su implementación, el mantenimiento predictivo utiliza la tecnología IoT para recoger medidas útiles para detectar fallos. A continuación, estos datos pueden ser transferidos al servidor central para ser almacenados y analizados (lo que implica latencia e importantes costes energéticos), o pueden ser almacenados y procesados en la red periférica, lo que se denomina "edge computing".
La diversidad de sensores pone de manifiesto la interrogación sobre una aplicación a gran escala. En efecto, los enfoques que operan en el aprendizaje local no facilitan la generalización de los modelos, ya que generan una diversidad de ejecución en las situaciones, sino que también dificultan el "arranque en frío" porque los modelos son difícilmente generalizables debido a la variedad de contextos de uso.
En este contexto, un nuevo enfoque de aprendizaje llamado “aprendizaje federado" surgió. Este enfoque permite que varios nodos, con diversos datos y recursos, participen en el entrenamiento de un modelo global. Cada nodo de un nivel EDGE contribuye al proceso de aprendizaje generalizado calculando independientemente un parámetro del modelo con los datos locales.
En este contexto, Berger-Levrault quiere desarrollar un enfoque de mantenimiento predictivo que explote el enfoque colaborativo de aprendizaje federado y aproveche el edge computing. El objetivo es proponer un sistema de supervisión para:
- Activar el "arranque en frío" cuando se instala un equipo nuevo,
- Detectar las anomalías aprendidas es una forma compartida para todos los clientes.
Por eso, Hamza SafriEl joven ingeniero de telecomunicaciones se ha unido al DRIT para comenzar su recientemente aceptada Tesis del CIFRE nombrado: "Aprendizaje federado para el mantenimiento predictivo".
Está realizando su tesis en colaboración con Laboratorio del INRIA de Grenoble y su director de tesis y supervisor son Frédéric Desprez y Denis Trystram.
