Une solution de data science améliore l'utilisation de capteurs pour la maintenance prédictive de freins auto

Capteurs pour la maintenance prédictive : plus de confort et de sécurité !

L'entreprise - un constructeur automobile, surveille le cycle de vie des freins à l'aide de capteurs acoustiques. COSMO CONSULT a été chargé de développer une solution qui fournit des résultats pour les différentes valeurs mesurées, à partir desquels des conclusions en matière de maintenance, notamment prédictive, peuvent être tirées. Les automobilistes peuvent ainsi bénéficier d'un confort et d'une sécurité accrus.

Bénéfices principaux

  • Traitement du signal des données brutes
  • Modélisation du cycle de vie des freins
  • Généralisation de la variance des données de capteur traitées
  • Qualité de prévision de 80 %

Situation initiale

Equiper de capteurs les véhicules et leurs pièces d'usure, est devenu économique. L'idée de l'entreprise était de surveiller le cycle de vie des freins à l'aide de capteurs acoustiques mesurant l'élasticité du matériau et fournissant des valeurs pouvant déterminer l'usure réelle. COSMO CONSULT a été chargé de développer une solution qui aiderait à déterminer la durée de vie restante des freins ainsi que les moments optimaux de leur maintenance.

Approche retenue

L'un des défis du projet était que les freins n'étaient pas nouveaux et que la procédure de mesure n'était pas effectuée de manière uniforme. En outre, les temps de mesure étaient variables selon les différentes sources de données. Par conséquent, l'équipe projet a commencé par synchroniser les données. Dans le cadre du traitement du signal, il a été possible d'extraire les caractéristiques les plus importantes du capteur acoustique, pour l'analyse :

  • Transformations de Fourier
  • Asymétrie des pics
  • Statistiques du signal et métriques d'impulsion
  • Puissance
  • Bande passante

La synchronisation des données a ensuite été suivie d'une interpolation des mesures d'élasticité, puisque la fréquence de mesure était inférieure à celle du capteur acoustique. L'élasticité de certaines informations acoustiques a ensuite été modélisée par une tangente afin de réduire toutes les expériences en une norme uniforme. En utilisant cette norme, un modèle de variance généralisé a été utilisé pour prédire le moment où la maintenance des freins serait nécessaire. Le taux d'erreur relativement élevé, d'environ 20 %, pouvait s'expliquer par l'inhomogénéité des freins dans les expériences. Aujourd'hui, la solution propose un service supplémentaire qui peut être intégré au capteur acoustique. Il permet à l'utilisateur de traiter les données de mesure et de déterminer l'état actuel du frein.

Bénéfice supplémentaire

Un indicateur de l'ordinateur de bord avertit le conducteur de la nécessité d'une maintenance dès que la valeur limite préalablement définie est dépassée. Par conséquent, les conducteurs peuvent bénéficier d'un plus grand confort et d'une plus grande sécurité car les pièces d'usure telles que les les freins, peuvent être entretenues individuellement en fonction des comportements de conduite et de l'utilisation.

Nos solutions de data science pour la maintenance prédictive vous intéressent ?