Maintenance prédictive : quels avantages pour le secteur industriel ?
Temps de lecture : 5 minutes
Publié le 28 août 2017
Quelle est la probabilité qu’un équipement subisse une défaillance dans un avenir proche ? Quelle durée de vie lui reste-t-il ? Quelles sont les causes des pannes possibles ? Comment y remédier ? En mettant en place une stratégie de maintenance prédictive, il vous sera possible de répondre à ces questions cruciales et de mettre un terme aux suspensions d’activité imprévues qui nuisent à votre activité !
Conséquence du développement de l’IoT, du cloud et du machine learning, les systèmes de maintenance prédictive se multiplient, rendant la collecte, le stockage et le traitement des data de hardware industriel de plus en plus simples.
Mais de quoi parle-t-on au juste ? On peut définir la maintenance prédictive comme une forme d’entretien du matériel, basée sur le pronostic des risques de défaillance dans un avenir proche et la planification d’interventions avant l’arrivée de la panne. La plupart des systèmes de maintenance prédictives comportent des capteurs IoT, qui transmettent des data stockées sur le cloud, lesquelles alimentent des algorithmes de machine learning permettant de prédire les risques de pannes. Des avancées encore inimaginables il y a dix ans, et pourtant bien réelles !
La maintenance prédictive en 3 étapes clés
Algorithme, mon bel algorithme, dis-moi quand viendra la panne. Conte de fée ? Plus maintenant : la défaillance des équipements est désormais prédictible avec l’avènement de l’IoT industriel, du cloud et du machine learning. Et pour cela, un système de maintenance prédictive nécessite trois étapes essentielles :
- Collecter les données à l’aide de capteurs et les centraliser sur un cloud pour pouvoir les analyser ;
- Modéliser des schémas de panne, en mettant au point des algorithmes qui apprennent à reconnaître les signes avant-coureurs ou les anomalies en se basant sur un historique des pannes ;
- Mettre en place un système de machine learning, pour que les algorithmes « apprennent » à reconnaître les nouveaux événements et défaillances lorsqu’ils surviennent. Cette étape permet d’aller au-delà des schémas d’anomalies et de défaillances identifiées pour en ajouter de nouveaux au fur et à mesure de la collecte d’informations sur le matériel.
La combinaison de ces trois étapes permet, dans la majeure partie des situations, d’identifier les causes des pannes et de prévoir leur timing dès l’apparition de signes avant-coureurs, souvent invisibles aux yeux des experts humains.
Une avancée pour réduire les risques opérationnels
Dans de nombreuses usines, la sécurité des personnes et des équipements est assurée par le fonctionnement ininterrompu des machines qui ne sont alors jamais mises en veille et consomment en permanence de l’énergie. En effet, le personnel sur place ne dispose pas toujours de la formation nécessaire pour faire face à un arrêt – accidentel ou non – des équipements sans risquer de se blesser. Dans ce genre de configuration, une panne s’avérerait alors particulièrement problématique.
Schneider Electric a donc mis au point une solution de maintenance prédictive destinée à éviter les pannes tout en faisant des économies d’énergie grâce à l’anticipation et l’identification rapide de leurs causes. Une solution déployée pour mieux prévoir les besoins en pièces de rechange et mieux planifier la mobilisation de spécialistes. Résultat : des coupures d’électricité moins fréquentes, une sécurité accrue des collaborateurs… et une productivité optimisée !
La maintenance prédictive améliore votre efficacité
Prévoir la maintenance selon un planning fixe, alors qu’elle n’est pas toujours nécessaire, contribue à augmenter les dépenses en immobilisant inutilement des équipements. Dans l’aviation civile, par exemple, les opérations de maintenance généralisées selon un planning prédéterminé peuvent être contre-productives et générer un manque à gagner important. Le fabricant de réacteur d’avion Rolls-Royce a ainsi mis au point une solution afin d’identifier préalablement les pièces spécifiques du réacteur nécessitant une opération de maintenance, grâce à des capteurs mesurant leur usure et retransmettant ces données pour nourrir un algorithme prédictif, tout en optimisant la consommation de carburant.
De plus, la gestion des stocks de pièces de rechanges, ainsi que la mobilisation au bon moment et au bon endroit des équipes de maintenance, peuvent tourner au casse-tête pour les entreprises, d’autant plus lorsque les techniciens spécialisés se font rares. Une problématique bien connue des entreprises gérant des éoliennes, aux mécaniques fragiles et dont l’entretien nécessite des compétences encore trop peu répandues.
Pour éviter d’avoir à gérer des stocks trop importants de pièces de rechange et pour optimiser les déplacements des techniciens spécialisés, là encore la maintenance prédictive vient en renfort. Grâce aux capteurs placés sur le moteur du générateur – la partie la plus fragile du système – les opérateurs peuvent désormais prévenir le plus justement possible les risques de pannes et intervenir en conséquence.
L’efficacité de la maintenance peut être encore améliorée avec la mise en place d’un système d’intelligent edge. Celui-ci repose sur des devices « on site » qui collectent les data, les agrègent et les cryptent avant de les envoyer sur un cloud pour nourrir des algorithmes prédictifs. Avantages de la solution : un besoin de bande passante réduit, des coûts de l’IoT sous contrôle, des data sécurisées ainsi qu’une latence réduite. Autant de points positifs qui ont conduits le spécialiste de la découpe de métal Sandvik Coromant à adopter un tel système.
De fournisseur de produits à fournisseur de services : une maintenance prédictive qui profite aussi aux clients finaux
Face à une concurrence nouvelle, y compris dans le domaine industriel avec, par exemple, les véhicules autonomes ou l’impression 3D, les entreprises industrielles se doivent d’apporter une plus-value, sous peine de perdre des parts de marché au profit de ces nouveaux venus. Bonne nouvelle : la maintenance prédictive permet justement aux entreprises industrielles de créer et de capter cette nouvelle plus-value.
Par exemple, en optimisant les tournées des techniciens de maintenance, grâce à Dynamics 365 connecté à Azure IoT. Le moteur intelligent de planification des interventions utilise la géolocalisation et l’expertise de chaque technicien pour trouver les meilleurs itinéraires.
L’ascensoriste ThyssenKrupp a rapidement compris l’avantage qu’il pouvait tirer de ces nouvelles technologies. Il propose donc un système de maintenance prédictive basé sur l’IoT et le cloud Azure.
Les données récoltées par les capteurs placés sur les ascenseurs permettent de mieux gérer le cycle de vie des pièces détachées et de les remplacer avant qu’elles ne tombent en panne, épargnant ainsi au client un temps d’attente. L’entreprise bénéfice alors d’une plus grande réactivité qui donne lieu à une offre améliorée et répond véritablement aux besoins de ses consommateurs, tout en construisant une image de marque de confiance, proche de ses clients. Bref, un avantage concurrentiel certain, les clients d’ascensoristes aimant rarement attendre une semaine que leur ascenseur soit réparé !
Autre champ d’application : la maintenance prédictive appliquée aux véhicules individuels. Nissan a ainsi choisi de s’associer avec Microsoft Azure pour son système de véhicules connectés. Par exemple, les capteurs placés sur les systèmes de freinage peuvent calculer l’usure des disques et le moment où il sera nécessaire de les changer, évitant ainsi une panne, voire un accident. Une innovation qui bénéfice entièrement au consommateur final… mais aussi à la marque, qui y gagne une image de fiabilité et de réactivité.
