#AAP 31 - Data science et fiabilité

Pour répondre à ses enjeux d’excellence opérationnelle, GRTgaz met en place une politique de gestion de ses actifs industriels en s’appuyant sur différents types de données telles que :

• des données de caractéristiques des matériels (types, dates de mise en service…),
• des données de défaillance et des données de maintenance.

Ces données sont capitalisées dans différentes bases qui fournissent, pour chaque matériel :

une période d’observation, l’âge du matériel au début de la période d’observation, le nombre de maintenances préventives, le nombre de défaillances observées ainsi que de nombreux facteurs (une trentaine) liés au matériel et à son environnement.

Des exemples de matériels étudiés sont : régulateurs de gaz, clapets de sécurité, soupapes, robinets…

Enjeux pour GRTgaz : La solution apportera une nouvelle vision pour enrichir une politique de gestion d'actifs industriels de GRTgaz.

Il s’agit de proposer des algorithmes de traitement de données permettant :

- D’estimer des paramètres de fiabilité (e.g. nombre moyen de défaillance par unité de temps) des matériels en fonction des facteurs connus, avec des indicateurs permettant de juger de la qualité des estimations;

- D’analyser les facteurs de fiabilité (e.g. corrélations entre facteurs, importance des facteurs sur les résultats de fiabilité, sélection optimale d’un nombre limité de facteurs pour l’estimation des paramètres de fiabilité…);

- D’analyser l’effet de la maintenance sur la fiabilité (e.g. effets des différents types de maintenance, selon les facteurs);

- De présenter graphiquement les résultats de façon à être lisibles par des non-spécialistes de la science des données.

La solution doit pouvoir être déployée de façon automatisée à partir de fichiers Excel standardisés.

Les facteurs peuvent être :

- quantitatifs (e.g. année de construction, pression de réglage, dimension…),

- qualitatifs (constructeur, région, type d’environnement…)

- booléen (présence ou non de caractéristiques particulières). Plusieurs facteurs peuvent être manquants et/ou erronés pour de nombreux matériels (jusqu’à environ 40% des valeurs concernées pour certains facteurs).

Pour les candidatures retenues, un jeu de données partiellement anonymisé vous sera fourni pour illustrer le développement des algorithmes. Ce jeu de donnée, correspondant à un type de matériel, sera composé de :

- près d’une dizaine de milliers de matériels observés

- une durée cumulée d’opération dépassant le milliard d’heures

- plus d’un million d’actes de maintenance préventive recensées sur la période d’opération

- plusieurs milliers de défaillances recensées sur les périodes d’opération et une trentaine de facteurs identifiés.