IA & Maintenance Prédictive de Compresseur d'Air
Instrumentisation complète (IO-Link / IFM) d'un compresseur et entraînement d'une IA pour calculer son Health Score.
01. À propos du projet
Projet majeur récompensé par la meilleure note de la promotion (20/20). L'objectif était d'évaluer en temps réel l'état d'un compresseur Mecafer de 20 litres et de diagnostiquer automatiquement 5 pannes (fuites d'air, balourd, défauts de courroie, obstructions).
J'ai instrumenté le système avec des capteurs industriels IFM (vibrations VVB001, débit SD5500, température TP3231 et courant AE001) raccordés à des maîtres IO-Link (AL1303/AL1306). Les trames de données (flux PDIN hexadécimal) sont transmises via MQTT, puis décodées dans Node-RED à l'aide d'un script de parsing JS.
Les métriques nettoyées sont envoyées dans InfluxDB et analysées par un modèle d'Intelligence Artificielle en Python (Arbre de Décision). Le système estime ainsi un 'Health Score' affiché sur une interface de diagnostic avec export CSV et alertes de dérive.
02. Architecture Industrielle & Matériel Utilisé
Le compresseur d'air a été équipé de capteurs industriels connectés en IO-Link à un maître de terrain ifm AL1306. Les données transitent via Modbus TCP et MQTT vers des systèmes de supervision locaux et cloud.
Architecture Réseau & Flux OT
Schéma d'interconnexion entre le maître IO-Link, l'IHM, Node-RED et le serveur Moneo.
Banc de test physique instrumenté
Le compresseur Mecafer instrumenté avec les capteurs de débit (SD5500), vibration (VVB001) et intensité (AE001).
03. Acquisition de Données & Alertes SMS/Mail
Nous avons comparé deux solutions d'acquisition : le logiciel industriel propriétaire ifm Moneo Configure et un pipeline open-source basé sur Node-RED exécutant des scripts JavaScript personnalisés pour parser les octets hexadécimaux bruts (payloads PDIN).
04. Simulation Physique des Pannes & IHM de Supervision
Chaque panne a été modélisée physiquement sur le banc d'essai (fuite calibrée, obstruction de la grille, fixation d'un collier Serflex pour simuler l'usure de courroie). Une IHM de supervision Node-RED permet de visualiser les courbes géométriques temporelles des capteurs.
05. Pipeline Machine Learning en Python & Arbre de Décision
Nous avons exporté nos mesures sous forme de fichiers CSV pour effectuer de la classification supervisée en Python. L'analyse des features montre l'importance relative de chaque paramètre pour chaque panne (ex: chute de pression pour les fuites, pic de vibration RMS pour le balourd).
Facteurs de Pannes & Importance relative
Importance des variables dans l'arbre de décision. Le débit d'air et le courant sont les discriminants principaux.
Diagnostic & Historique de l'IA
Historique des états réels vs états prédits par le modèle d'arbre de décision entraîné.
