Pour l’ensemble des équipements industriels, la maintenance préventive consiste à anticiper les défaillances en planifiant à l’avance des activités de contrôle en fonction de paramètres prédéfinis. Cette opération permet de s’assurer de la pérennité de ces équipements mais ne répond pas totalement aux enjeux de continuité de leur disponibilité pour assurer un rendement optimum et de s’adapter aux conditions réelles d’exploitation.

Mise en œuvre pour limiter et optimiser l’indisponibilité des machines et engins, la maintenance prédictive est de plus en plus utilisée dans le monde de l’industrie. Véritable innovation disruptive, la maintenance prédictive permet de réduire le temps d’immobilisation des équipements de plus de 50%. Explications.

Mise en œuvre de la maintenance prédictive en entreprise

Pour mettre en œuvre de la maintenance prédictive, les entreprises doivent d’abord s’interroger sur sa pertinence et identifier quel en est le gain. En première étape, elles doivent faire un audit de leur ligne de production et mesurer les éléments de vie de leurs équipements à l’aide de l’IoT – accéléromètres, capteurs de pression, capteurs de vibrations… – Elles cartographient ainsi toutes les données disponibles et étudient comment et où elles peuvent les collecter.

Le travail d’analyse vient dans un second temps. Il nécessite de vérifier que les données sont en phase avec les objectifs recherchés. A ce stade du déploiement de leur stratégie de maintenance prédictive, les entreprises cherchent à comprendre les comportements observés et peuvent s’appuyer sur une démarche « data science » pour une analyse « intelligente ». Leur objectif consiste à découvrir et à détecter des anomalies et cas notables, notamment grâce à la data visualisation, la statistique descriptive et le machine learning.

En troisième étape, les entreprises doivent déterminer les modèles de prédiction de défaillances à partir de cette préparation des données, de l’analyse avec les experts métier et de l’expérimentation de ces modèles. Plus l’historique des évènements est conséquent plus cela augmentera la fiabilité des modèles. Après validation, ils sont mis en production dans la chaîne d’analyse sur les flux de données en continu avec la remontée en temps réel des d’informations des capteurs. Cette mise en place de la maintenance prédictive complète ainsi et optimise la maintenance préventive.

De la maintenance préventive à la maintenance prédictive

En effet, la maintenance préventive, très en amont de la panne fonctionne mais avec un inconvénient économique car elle pousse à sur-maintenir les équipements avec un coût associé important. A l’inverse, la maintenance prédictive s’inscrit dans une démarche économique agile en prévenant les pannes, en espaçant les visites de contrôle sur les équipements ou les maintenances programmées sur les lignes de production.

La maintenance prédictive vise ainsi un objectif d’excellence opérationnelle pour prédire aussi précisément que possible quand l’équipement est à risque ou avec des performances détériorées. Elle prend en compte le contexte et l’utilisation de la machine contrairement à la maintenance préventive. En effet, cette dernière ignore toutes les variables du moment, propres à l’environnement dans lequel le produit a été utilisé. Par exemple, l’opération d’une flotte d’hélicoptères en mer du Nord avec une salinité forte ne présente pas les mêmes contraintes sur les appareils que dans le cadre d’une opération dans le désert.

Ainsi, la maintenance prédictive qui repose sur des mécanismes comme le machine learning permet d’injecter plus d’intelligence dans le contexte d’exploitation des appareils. Cette opération passe par les étapes clés de l’analyse de l’historique des évènements pour en déduire les règles que l’on va appliquer en « temps réel » afin de déclencher, si nécessaire, des actions de maintenance et préserver le maintien en condition opérationnelle. Ces avantages de la maintenance prédictive sur la préventive ne sont pourtant pas synonymes d’absence d’écueil pour les entreprises. En effet, elles doivent faire face aux défis du passage à l’échelle et de la gestion des données.

Passage à l’échelle et gestion des données : deux défis pour les entreprises

Les entreprises font souvent l’erreur de ne pas passer par l’ensemble des étapes pour se concentrer sur le résultat sans avoir réfléchi en amont à la stratégie adaptée à leur dimension. En effet, les principes réalisés à l’échelle d’une machine ne sont pas pour autant ceux systématiquement reproductibles à l’ensemble du parc. Dès lors, il faut faire appel à une solution évolutive qui permet de facilement passer à une dimension supérieure. La maintenance prédictive fonctionne souvent très bien à l’échelle d’un « lab » ou d’une initiative ciblée. Elle devient plus complexe lorsque l’entreprise souhaite appliquer les modèles à un parc de 100 machines ou à un groupement d’usines.

De surcroît, les entreprises doivent apprendre à bien gérer leurs données. Ainsi, elles ne doivent jamais se lancer dans un projet sans avoir évalué leur capital de données, cerné les informations dont elles ont besoin, les manques et comprendre les relations entre ces données. Enfin, une connaissance très fine des enjeux métiers sont au cœur d’un déploiement réussi de la maintenance prédictive.

De multiples facteurs sont donc à prendre en compte pour mettre en place la maintenance prédictive. Seul le suivi minutieux d’étapes déterminantes, une compréhension fine du passage à l’échelle et l’implication des équipes métiers assureront son plein succès au sein de l’entreprise.

__________
Thomas Féron est Senior Solution Consultant chez TIBCO Software