Approche de traitement des logs pour la prédiction d'erreurs critiques.

Anticiper la maintenance des equipements mecaniques complexes est devenue une ambition majeure de l’Industrie 4.0. La plupart des contributions scientifiques liees a la maintenance predictive se base sur les donnees issues des moyens de surveillance sophistiques mis a disposition. Parallelement, les solutions basees sur des donnees de type Log Event sont encore faiblement explorees. Dans ce papier, nous proposons une approche par classification permettant de predire l’arrivee des erreurs hautement critiques, basee sur les donnees log emises par les machines-outils. La methodologie proposee reprend le concept de sacs, issu du paradigme Multiple Instance Learning pour etiqueter facilement l’information. Trois parametres principaux sont egalement definis pour construire l’ensemble d’entrainement. Ils permettent d’ajuster finement la balance entre le delais d’anticipation, la pertinence de l’historique et la precision de l’anticipation. L’efficacite de l’approche est demontree au travers d’un cas d’usage industriel ou les erreurs critiques peuvent etre predites une semaine en avance.