Gains :
- Capacité à comprendre les approches de maintenance et les indicateurs de surveillance de l'état (vibration, température, pression, analyse d'huile) et à marquer les anomalies depuis la ligne de base avec l'intelligence artificielle
- Capacité à évaluer un signal d'anomalie dans son contexte (charge, air, cycle), à le vérifier physiquement et à laisser la décision diagnostic-maintenance au chef mécanicien.
- Pouvoir comprendre que l'intelligence artificielle disant « il y a un dysfonctionnement » est une hypothèse, alors que son silence n'est pas une garantie « pas de problème » et qu'un contrôle humain de routine est indispensable.
La salle des machines est le cœur d'un navire. Le moteur principal (le moteur principal qui entraîne le navire), les générateurs, les chaudières, les pompes, les séparateurs, les systèmes de refroidissement et de carburant fonctionnent 24 heures sur 24. Une faille au milieu de la mer est bien plus dangereuse qu'une faille à terre : le service le plus proche peut être à plusieurs jours. La maintenance prédictive — planifier la maintenance en surveillant l'état de l'équipement et en prévoyant les pannes avant qu'elles ne surviennent — minimise ce risque. L’IA est puissante pour extraire des modèles et des anomalies à partir des données des capteurs ; mais les décisions en matière de diagnostic et de maintenance relèvent de la responsabilité du chef mécanicien.
Dans cette unité, vous apprendrez à utiliser l'IA en toute sécurité dans la surveillance des machines (surveillance de l'état), la détection des anomalies et la maintenance prédictive.
Approches de maintenance et place de l’IA
Il existe trois approches de maintenance de base :
- Maintenance après panne : la plus coûteuse et la plus risquée ; Réparer lorsque la machine tombe en panne.
- La maintenance planifiée (PMS - Planned Maintenance System, maintenance selon des périodes/heures de travail fixes) : est la norme sur les navires, mais parfois elle est précoce (inutile) et parfois elle est tardive.
- Maintenance prédictive (basée sur l'état) : basée sur l'état réel de l'équipement ; Comme « les vibrations et la température ont augmenté, le roulement nécessitera un entretien dans les 200 heures ».
L’IA permet spécifiquement la maintenance prédictive. La surveillance de l'état est la mesure continue de l'état de santé des équipements ; principaux indicateurs :
- Vibration : indicateur précoce de défaillances de roulements, d’engrenages et de balourds.
- Température : températures des roulements, des gaz d’échappement, du liquide de refroidissement.
- Pression : pressions d’huile, de carburant, d’air, de refroidissement.
- Analyse de l'huile lubrifiante : les particules métalliques présentes dans l'huile indiquent une usure.
- Performances : puissance, régime, consommation de carburant, répartition de la température des gaz d'échappement.
L’IA apprend l’historique de ces données et signale les écarts par rapport à la ligne de base – le comportement normal et sain de l’équipement. Mais ce que signifie une déviation (quel dysfonctionnement, quelle urgence) est une interprétation d'un ingénieur.
Astuce : lorsque vous recevez le drapeau d'anomalie AI, assurez-vous de donner la base de référence saine et les conditions de fonctionnement normales de l'équipement. Les valeurs des capteurs changent normalement lorsque la charge, les conditions météorologiques et la vitesse changent ; Une IA qui ne le sait pas produit de fausses alarmes.
Du marquage des anomalies au diagnostic
Lorsque l’IA signale une anomalie, le processus se déroule comme suit :
- Panneau : "La température des gaz d'échappement du cylindre 4 est supérieure de 25°C aux autres et est en augmentation depuis les 12 dernières heures."
- Vérification du contexte : cette augmentation est-elle due à un changement de charge/régime ou à un écart réel ? Il est examiné de manière croisée avec d’autres indicateurs.
- Vérification physique : L'ingénieur lit manuellement le tableau de bord, vérifie les équipements concernés (injecteur, soupape d'échappement).
- Diagnostic et décision : La cause est trouvée ; une maintenance est planifiée, reportée ou une intervention urgente est effectuée.
L'IA est forte à l'étape 1 ; Les étapes 3 et 4 appartiennent à l'ingénieur. L’IA disant « il y a un dysfonctionnement » n’est pas un diagnostic, c’est une hypothèse.
Attention : Le modèle prédictif peut être erroné s'il rencontre une situation différente des données sur lesquelles il a été entraîné (un nouveau type de carburant, un profil de charge différent) ; peut manquer le défaut réel (faux négatif) ou indiquer qu'un équipement sain est défectueux (faux positif). Par conséquent, dans les équipements critiques, le signal AI n’est pas converti en décision de maintenance/arrêt sans contrôle physique et interprétation de l’ingénieur.
trois mini-cases
Cas 1 — Détection précoce d’une défaillance d’un roulement. Dans un générateur, YZ marque l'augmentation d'une certaine fréquence (fréquence de défaut de roulement) dans le spectre vibratoire. Le deuxième ingénieur vérifie manuellement la mesure des vibrations, constate une augmentation du métal dans l'analyse de l'huile et remplace le roulement au niveau du premier port. Il n'y aura aucun dysfonctionnement pendant la navigation. AI a prévenu très tôt ; ingénieur vérifié et planifié.
Cas 2 — Fausse alerte. L'IA donne une "anomalie" soudaine dans la machine principale. Lorsque le chef mécanicien vérifie, il constate que l'écart a été causé par un changement de charge prévu à ce moment-là ; Le matériel est sain. Le modèle n'avait pas appris cette manœuvre "normalement". Aucune intervention inutile n’est effectuée. Leçon : une anomalie sans contexte produit de fausses alarmes ; Chaque signal est vérifié.
Cas 3 — Détérioration lente manquée. Une équipe ne remarque pas qu'une pompe de refroidissement perd lentement de son efficacité car l'IA ne déclenche jamais d'alarme ; Le modèle considère cette lente dérive comme « normale ». La baisse du débit est capturée lors du contrôle de routine des performances (œil humain). Leçon : le silence de l’IA ne signifie pas « tout va bien » ; Une inspection humaine régulière est essentielle.
Quatre modèles copiables
1) Priorisation des anomalies :
Votre rôle : consultant en surveillance de l'état des machines. Je vous donnerai des données sur les vibrations/températures/pressions et une base de référence saine pour [l'équipement] au cours de la dernière [période]. Je noterai également les changements de charge/cycle au cours de cette période. Tâche : marquer les écarts significatifs par rapport à la ligne de base ; Évaluez chacun d'entre eux comme « cela pourrait-il être dû à la charge/au cycle » ? Le diagnostic et la décision m’appartiennent ; Marquez-le simplement.
2) Résumé des tendances :
Je vais vous donner 30 jours de données de performances de [équipement]. Résumez les tendances lentes (augmentation progressive de la température, diminution de l’efficacité, augmentation de la consommation) et placez-les dans un tableau comme un graphique. DISCRIMINER les sauts brusques et les glissés lents. Marquez ceux qui ne sont pas clairs.
3) Projet de commentaire sur l’analyse du pétrole :
Je vous donnerai les valeurs (particules métalliques, viscosité, eau, TBN) et les plages normales d'un rapport d'analyse d'huile. Tâche : PROJET de valeurs qui s'écartent de la normale et de leurs significations possibles. Je ferai le diagnostic final ; Marquez chaque commentaire comme « doit être vérifié » et évitez les réclamations excessives.
4) Priorisation de la maintenance (avec PMS) :
Je vous donnerai la liste de maintenance PMS et les alertes de surveillance de l'état actuel pour les 30 prochains jours. Tâche : rédiger une proposition prioritaire basée sur les données de situation ; Quels sont ceux qui doivent être prioritaires et lesquels peuvent être planifiés en toute sécurité ? Limite : recommander de reporter les équipements critiques pour la sécurité ; La décision finale appartient au chef mécanicien.
Invite faible/Invite forte
Invite faible :
Y a-t-il un problème avec la machine ?
Pas de données, pas de référence, pas de contexte ; L’IA dit des bêtises ou invente des choses.
Invite puissante :
Votre rôle : consultant en surveillance de l'état des machines. Équipement : groupe électrogène n°2. Vous trouverez ci-joint les 14 derniers jours de vibrations/température/pression d'huile et une base de référence saine. Remarque : test de charge prévu effectué le jour 6. Tâche : marquer les écarts significatifs par rapport à la ligne de base, comparer chacun avec l'effet de charge/test, rédiger un PROJET de signification possible et marquer « vérification physique requise ». Le diagnostic et la décision m'appartiennent.
La ligne de base, le contexte et la demande de vérification sécurisent le signal d'anomalie.
Surveillance et maintenance : répartition des rôles
Quête
Apport de l'IA
Le métier d'ingénieur
Détection d'anomalies
Marquage des écarts
vérification physique
Analyse des tendances
Afficher le défilement lent
commentaire, raison
Commentaire huile/vibrations
brouillon
diagnostic définitif
priorité de maintenance
Suggestions
décision, planification
Arrêt/intervention
(Par décision)
Décision de l'ingénieur en chef
lente dégradation
peut manquer
Contrôle humain de routine
Erreurs courantes
- Demander des anomalies sans donner de référence. Le modèle sans contexte considère le changement charge/air comme un « dysfonctionnement ».
- Confondre le signal de l'IA avec un diagnostic. Le signal est l’hypothèse ; l’inspection physique et l’interprétation de l’ingénieur sont essentielles.
- Faire confiance au silence de l’IA. Une dégradation lente peut ne pas être prise en compte par le modèle ; Le contrôle humain régulier se poursuit.
- Report de la maintenance critique pour la sécurité grâce aux recommandations de l'IA. Le report d'un équipement critique est une décision d'ingénieur.
- Faire aveuglément confiance au modèle à l’état neuf. Le nouveau profil carburant/charge peut induire le modèle en erreur.
En résumé
La maintenance prédictive réduit le risque en pleine mer en détectant le dysfonctionnement avant qu'il ne se produise et en procédant à une intervention planifiée. L’IA est un puissant outil d’alerte précoce permettant d’extraire les anomalies et les tendances des données de surveillance des conditions. Mais chaque signal doit être évalué dans son contexte (charge, air, cycle), vérifié physiquement, et la décision diagnostic-maintenance doit rester du ressort du chef mécanicien. L'IA disant « il y a un dysfonctionnement » est une hypothèse ; Le silence n'est pas une garantie de "pas de problème". L’œil humain et l’inspection de routine sont indispensables.
Tâche de candidature
Sélectionnez un équipement (générateur, pompe, culasse de machine). Préparez une base de référence saine et 14 jours d'échantillons de données (y mettez une tendance lente et un rebond induit par la charge). Demandez à l'IA de le marquer avec le modèle de « priorisation des anomalies » et évaluez si elle peut distinguer le saut induit par la charge du défaut réel. Notez comment vous vérifieriez physiquement chaque signe.
liste de contrôle
- [ ] J'ai donné la ligne de base et le contexte de travail avant de demander l'anomalie.
- [ ] J'ai vérifié chaque signal IA par mesure/contrôle physique.
- [ ] J'ai séparé la variation liée à la charge/air du défaut réel.
- [ ] J'ai gardé la décision de diagnostic et de maintenance sous la responsabilité du chef mécanicien.
- [ ] Même si l'IA était silencieuse, j'ai maintenu un contrôle humain de routine.