Cet article présente un système intelligent basé sur un modèle de langage à grande échelle (LLM) pour la maintenance préventive des machines industrielles. Ce système va au-delà de la détection d'anomalies conventionnelle et fournit des recommandations de maintenance concrètes. Développé à partir du framework LAMP pour l'analyse de données numériques, ce système convertit les données d'analyse de fréquence des vibrations des roulements (fréquences BPFO, BPFI, BSF et FTF) en langage naturel, permettant une détection d'anomalies de haute précision en quelques tentatives seulement grâce au LLM. Les types de défauts (défaillances des bagues intérieures, extérieures, billes/rouleaux et cages) sont classés et leur gravité évaluée. Un composant multi-agents utilise l'intégration vectorielle et la recherche sémantique pour traiter les manuels de maintenance et accéder à des connaissances procédurales complètes et aux pratiques de maintenance les plus récentes via des recherches sur le web, fournissant ainsi des recommandations plus précises et approfondies. Le modèle Gemini génère des recommandations de maintenance structurées comprenant des actions immédiates, des listes de contrôle d'inspection, des actions correctives, des exigences en matière de pièces et des spécifications de calendrier. La validation expérimentale sur un ensemble de données de vibrations de roulements démontre son efficacité à détecter les anomalies et à fournir des conseils de maintenance contextuels. Ce système comble efficacement le fossé entre la surveillance de l'état et la planification de la maintenance opérationnelle, offrant une aide à la décision intelligente aux industriels. Cette étude fait progresser l'application de la LLM à la maintenance industrielle, en fournissant un cadre de maintenance prédictive évolutif pour une variété de composants de machines et de secteurs d'activité.
