L’étape clef de la maintenance prédictive consiste dans la mise au point d’algorithmes de Machine Learning capables d’interpréter et de prédire les pannes futures des systèmes en opération. Pour ce faire, notre approche s’est décomposée en 4 étapes :

– Exploration : Cerner la typologie des pannes et sélectionner les données à étudier. 

– Analyse non supervisée : Nous avons mené une étude non supervisée afin d’établir sans biais les différents contextes d’utilisation et modes de panne sur chacun des systèmes ciblés.

– Modèles prédictifs :  Nous avons pu entraîner des modèles de classification supervisée obtenant de bonnes performances pour identifier en avance de phase les pannes.

– Scoring et validation : Interprétation des feedback des ateliers montrant que le modèle a été performant.