Diagnostic de pannes du pont roulant par IA : RAG

Qu'est-ce qui inquiète le plus lorsqu'un pont roulant tombe en panne ? Ce n'est pas la panne elle-même, mais l'impossibilité de trouver quelqu'un pour la réparer. Le technicien chevronné qui connaissait parfaitement les vieux équipements est parti à la retraite, le nouvel apprenti feuillette un manuel de plus de trois cents pages sans trouver la bonne section, et une simple alarme du variateur de fréquence peut mobiliser toute une matinée sur le terrain. C'est la plainte la plus fréquente que nous entendons lors de nos missions de maintenance et de rénovation.

Les grands modèles de langage (LLM) ont connu une évolution fulgurante ces deux dernières années. Combinés aux données du Jumeau Numérique du pont roulant, ils enrichissent considérablement le contexte du diagnostic de panne. Du chatbot générique aux applications verticales spécialisées, la trajectoire technique est désormais éprouvée. La maintenance des ponts roulants constitue précisément un cas d'usage idéal pour le déploiement des LLM : le périmètre des connaissances est relativement clos (quelques manuels et guides de maintenance), les modes de défaillance suivent des schémas récurrents (moins de 100 codes d'alarme courants), et la prise de décision reste maîtrisée (l'IA propose, l'humain décide).

Cet article présente une solution d'ingénierie complète, du déploiement à la mise en œuvre : exécution locale d'Ollama couplée à une base de connaissances RAG, le diagnostic de panne du pont roulant répond instantanément. L'investissement matériel se situe entre 30 000 et 80 000 €, un PC industriel peut desservir 20 à 30 postes de maintenance, et la base de connaissances, une fois constituée, ne devient jamais obsolète.

Quatrièmement, tableau de sélection des technologies clés

Le système d'assistant de maintenance IA repose sur une architecture en trois couches, chacune ayant une responsabilité distincte, communiquant via des API standard :

Cinquièmement, points clés de la mise en œuvre du projet

La mise en place du système s'articule en quatre étapes, chacune reposant sur des choix d'outils et des paramètres de configuration bien définis.

2.1 Déploiement du modèle LLM : Ollama + Qwen2.5

Ollama est actuellement le framework d'exécution de modèles locaux le plus abouti. Compatible avec Linux et Windows, il suffit d'une seule commande pour installer le modèle et accéder à l'API. Nous recommandons Qwen2.5 14B d'Alibaba (14 milliards de paramètres) — ses performances en compréhension du chinois sont remarquables et ses exigences matérielles restent raisonnables. La version quantifiée en 4-bit ne nécessite que 8 Go de mémoire GPU pour fonctionner de manière fluide.

Commande de déploiement :

# installationOllama（SupportGPUDétection automatique） curl -fsSL https://ollama.com/install.sh | sh # ExtractionQwen2.5 14B（Environ8.5GB） ollama pull qwen2.5:14b # Démarrage du service（Par défaut127.0.0.1:11434） ollama serve

Vérification du bon fonctionnement du service :

curl http://localhost:11434/api/generate -d '{"model": "qwen2.5:14b","prompt": "Alarme du variateur de fréquence pour pont roulantOCCauses possibles du défaut de surintensité？Énumérer cinq causes","stream": false}'

2.2 Construction de la base de connaissances RAG

Les connaissances intrinsèques du modèle ne suffisent pas — Qwen2.5 connaît le concept général d'un pont roulant, mais ignore comment réinitialiser le PLC de votre modèle spécifique ou quelles pièces de rechange ont été remplacées l'année dernière. Le RAG (Retrieval-Augmented Generation) résout précisément ce problème : les manuels, les historiques de maintenance et les plans techniques sont indexés dans une base de données vectorielle. À chaque requête, les documents pertinents sont d'abord récupérés, puis intégrés au prompt avant que le modèle ne génère sa réponse.

Processus de construction de la base de connaissances :

Pour un PC industriel, le choix d'une base vectorielle se porte naturellement sur ChromaDB : implémentée en Python pur, elle ne nécessite aucun déploiement séparé et prend en charge le mode mémoire. Côté modèle d'embedding, le BAAI BGE-small-zh-v1.5 (384 dimensions, 150 Mo seulement, inférence d'environ 50 ms par requête sur CPU) offre d'excellents résultats pour la recherche sémantique en chinois, avec des exigences matérielles minimales.

2.3 Déroulement du processus RAG

Voici le déroulement complet d'un cycle de questions-réponses :

from langchain_community.vectorstores import Chroma from langchain_community.embeddings import HuggingFaceEmbeddings import requests embeddings = HuggingFaceEmbeddings( model_name="BAAI/bge-small-zh-v1.5") db = Chroma(persist_directory="./crane_kb", embedding_function=embeddings) question = "Alarme du variateur de fréquence pour pont roulantOUTraitement du défaut de surtension？" docs = db.similarity_search(question, k=4) context = "\\\\n\\\\n".join([d.page_content for d in docs]) prompt = f"""Répondre à la question de l。 Si le manuel ne contient pas l，Indiquer"Aucune information correspondante trouvée dans le manuel"。 Contenu du manuel： {context} Répondre à la question de l：{question}""" resp = requests.post( "http://localhost:11434/api/generate", json={"model": "qwen2.5:14b", "prompt": prompt, "stream": False}) print(resp.json()["response"])

L'élément central de ce processus réside dans l'assemblage du prompt. L'efficacité du RAG ne dépend pas tant du grand modèle (Qwen2.5 est amplement suffisant) que de la pertinence réelle des documents extraits. Lors des tests, il est recommandé d'attribuer manuellement une note à chaque question type (taux de correspondance, précision des réponses) : si le score est inférieur à 80 %, il convient d'ajuster la stratégie de découpage ou de changer de modèle d'embedding.

Script d'évaluation recommandé :

def evaluate_rag(test_qs, db, llm_url): results = [] for q, expected in test_qs: docs = db.similarity_search(q, k=4) hit = any(expected in d.page_content for d in docs) results.append({"q": q, "hit": hit}) rate = sum(1 for r in results if r["hit"]) / len(results) print(f"Retrieval hit rate: {rate:.1%}") return results

Questions fréquentes

3.1 Aide au diagnostic de panne (cas le plus fréquent)

Le technicien de maintenance saisit le symptôme de la panne sur son téléphone mobile ou une tablette, et l'IA lui propose les causes probables ainsi que les étapes de résolution. Prenons l'exemple du défaut de surintensité OC sur un variateur de fréquence :

3.2 Guide de maintenance (avec étapes détaillées)

L'IA ne se contente pas d'expliquer le problème, elle vous indique également par où commencer. Chaque opération de maintenance est consignée dans la base de connaissances sous forme de procédures standardisées :

Question de l：Comment remplacer les garnitures de frein du pont roulant？ AIRéponse：Voici les étapes de remplacement—— 1. Condamnation et consignation électrique，Vérifier que le frein est en position desserrée 2. Retirer les boulons de fixation du protège-poussière（M8 x 4） 3. Comprimer le ressort de frein à l 4. Extraire la goupille de positionnement de la garniture de friction 5. Retirer les anciennes garnitures de friction（Respecter le sens de montage） 6. Installer les nouvelles garnitures de friction（Vérifier l） 7. Relâcher le ressort，Remettre en place le protège-poussière 8. Régler le jeu de frein（valeur caractéristique0.5~1.0mm） 9. Mise sous tension et essai：Levage en mode par impulsions3fois，Vérifier l

3.3 Analyse de l'historique des défauts et tendances

L'IA est capable de compiler les enregistrements de défauts de l'année écoulée afin d'identifier les problèmes récurrents. En se connectant à l'interface de données de la plateforme de surveillance à distance du pont roulant, lorsqu'un technicien de maintenance interroge un défaut spécifique, l'IA complète automatiquement : « Ce pont roulant a présenté 4 défauts similaires au cours des 3 derniers mois. Il est recommandé de contacter le fabricant pour une inspection systématique. »

4. Tableau de sélection des technologies clés

Points clés de la mise en œuvre du projet

1. La qualité de la base de connaissances est primordiale. Le grand modèle n'est que le moteur ; c'est la base de connaissances qui fait le travail. Avant de lancer le système, consacrez au moins une semaine à rassembler toute la documentation du pont roulant : manuel d'utilisation, schéma électrique, annotations du programme PLC, et historique des défauts. Si les registres de maintenance n'existent pas en version électronique, désignez une personne pour saisir les bons de réparation papier au format Markdown. La qualité de la base de connaissances détermine directement la précision des réponses de l'IA — tout le temps investi en vaut la peine.

2. Les modèles de prompts doivent être affinés itérativement. Pour une même question, la différence de qualité entre une réponse sans prompt système et une réponse avec un prompt soigneusement conçu est considérable. Format recommandé : le prompt système de l'assistant IA du pont roulant doit inclure une définition de rôle (« Vous êtes un ingénieur de maintenance de ponts roulants fort de 15 ans d'expérience ») + des règles de réponse (« Commencez par la cause la plus probable, puis énumérez les étapes de vérification, en indiquant le temps estimé pour chacune ») + une clause de non-responsabilité (« Ceci est une recommandation assistée par IA ; toute opération de maintenance finale doit être confirmée par du personnel certifié »).

3. Le déploiement hors ligne est moins coûteux qu'on ne le pense. Beaucoup pensent qu'un grand modèle exige une carte graphique A100, mais en réalité, Qwen2.5 7B quantifié fonctionne parfaitement sur une RTX 3060. Un PC industriel peut gérer confortablement 20 à 30 terminaux simultanés. Si les exigences de confidentialité de l'usine ne sont pas trop strictes, une solution cloud est envisageable — Qwen via l'API Alibaba Cloud ou l'API DeepSeek, facturée au token. Cependant, pour un environnement industriel, je recommande le déploiement local : les données ne sortent pas du réseau, et la latence reste stable entre 1 et 3 secondes.

4. Ne vous attendez pas à ce que l'IA remplace l'humain. Le rôle du grand modèle dans la maintenance des ponts roulants est celui d'un « outil d'assistance » — réduire le temps de recherche documentaire, proposer des pistes de dépannage, diminuer la dépendance à l'expérience. Les opérations physiques et les décisions finales restent du ressort du technicien de maintenance. En clarifiant ce positionnement auprès de l'usine, l'adoption sera bien plus facile.

5. Commencez par des cas d'usage simples, ne visez pas trop large dès le départ. Pour la première phase, je recommande de ne développer que deux fonctions : « consultation des codes d'alarme du variateur de fréquence » et « recherche intelligente dans le manuel de maintenance ». Utilisez 1 à 2 semaines pour les déployer, recueillir les retours et optimiser la base de connaissances. Pour une vue d'ensemble du cadre de maintenance prédictive des grues, consultez notre article précédent sur la maintenance prédictive des grues et le système PHM. La deuxième phase pourra étendre le diagnostic aux pannes du pont et du chariot. La troisième phase ajoutera l'analyse des données historiques. En déployant par étapes, chaque phase produit des résultats visibles, ce qui encourage l'adoption par les utilisateurs.

Conclusion

L'IA générative dans la maintenance des ponts roulants n'est pas un gadget — lorsque le technicien sort son téléphone mobile devant une alarme du variateur de fréquence et reçoit en 30 secondes la cause et la procédure de dépannage, la valeur du système n'a plus besoin d'être démontrée. Nous l'avons testé pendant trois mois dans deux ateliers : le temps moyen de localisation des pannes est passé de 40 à 15 minutes, et les défauts courants liés au variateur de fréquence sont désormais traités en quelques secondes.

Les exigences techniques de l'ensemble du système sont modestes : un PC industriel avec carte graphique, une instance Ollama, une base vectorielle et une base de connaissances bien structurée. Le plus chronophage n'est pas l'installation des logiciels, mais le transfert de l'expertise des techniciens chevronnés vers la base de connaissances — c'est précisément là que réside la valeur la plus précieuse.

Questions fréquentes