Nous suivre Industrie Techno

Avis d'expert

Maintenance, mieux vaut prédire que guérir

Maintenance, mieux vaut prédire que guérir

Pas un jour sans qu’un article sur la maintenance prédictive ne soit publié. Si les premières expériences concernaient des secteurs bien précis comme l’aéronautique par exemple, maintenant toutes les industries mettent en œuvre ou, a minima, s’interrogent sur l’opportunité de mettre en place une maintenance prédictive. Aurelle Ong et Bertrand Favier, consultants d'Oresys, une société de conseil en management, organisation et système d'information, présentent les gains à attendre de la maintenance prédictive.

La maintenance prédictive est un ensemble de techniques qui a comme objectif de prédire avec un pourcentage déterminé la probabilité de panne d’un équipement identifié dans un délai précis, par exemple :

·         Il y a 90 % de probabilité qu’une panne empêche le décollage de tel avion dans les 3 semaines ;

·         Il y a 95 % de probabilité qu’une panne nécessite une intervention dans les 4 heures sur tel compresseur.

Jusqu’à maintenant, les deux grands types de maintenance utilisés dans l’industrie étaient :

·         La maintenance corrective : c’est en panne, je répare ou remplace ;

·         La maintenance préventive : suite à l’expérience, à des études, je sais que je dois faire tels actes de maintenance à fréquences régulières sur tels types d’équipement.

Si la maintenance corrective choisie n’a de sens que pour des équipements non critiques, souvent, c’est la conséquence d’une inefficacité des autres types de maintenance. La maintenance préventive s’appuie quant à elle sur les statistiques. Dans l’écrasante majorité des cas, un acte de maintenance préventive :

·         Arrive trop tôt : on aurait pu continuer à exploiter l’équipement plusieurs semaines voire plusieurs mois ;

·         Ou est planifié trop tard : un acte de maintenance corrective est nécessaire.

Mettre en place la maintenance prédictive pour intervenir juste à temps

L’objectif de la maintenance prédictive est d’arriver juste à temps. Ce "juste à temps" étant déterminé pour que cela n’ait pas d’impact sur la production et peu sur l’organisation de la maintenance. On comprend rapidement l’intérêt : limiter les actes de maintenance au strict nécessaire, allonger la durée de vie des équipements, optimiser la gestion du stock… Ce qu’on attend de la maintenance prédictive, ce sont des systèmes robustes, qui ne soient plus perturbés par des pannes : plus de trains en panne, plus de coupures d’électricité, plus d’ascenseurs à l’arrêt…. Ce qui se traduit par des gains de production ou de qualité de service. Encore faut-il que les gains dégagés compensent les mécanismes nécessaires pour réaliser cette maintenance.

Pour prédire une panne sur un équipement bien identifié, il faut que cet équipement et donc tous les équipements identiques du parc remontent en permanence des informations les concernant (vibrations, harmoniques, …) et éventuellement des informations sur ses conditions d’utilisation (température extérieure, durée de fonctionnement, dernières interventions opérées sur l’équipement….). Ces informations sont ensuite traitées en appliquant un modèle prédictif qui indique qu’une intervention "juste à temps" doit être réalisée pour l’équipement concerné. Ce modèle peut être le même pour l’ensemble des mêmes équipements (même modèle pour tous les moteurs de tel type) ou adapté en fonction des sollicitations de chaque équipement (un modèle pour les moteurs utilisés en milieu aride peut être différent du modèle pour les moteurs fonctionnant en milieu humide).

Construire un modèle prédictif

Pour construire ce modèle, il faut disposer d’un historique de données issues des équipements et des pannes constatées. Tout le travail consiste à déterminer le modèle qui permet sur cet historique de rapprocher certaines combinaisons d’informations et les pannes. Trouver le modèle n’est pas simple et fait appel à des spécialistes du traitement de données et aux compétences métiers pour interpréter les résultats. Mais les principales difficultés sont en amont :

· Disposer d’un historique suffisant pour construire le modèle prédictif et l’entrainer sur des situations de pannes antérieures ;

· Avoir des normes de communication standard pour récupérer les informations des équipements ;

· Avoir des données propres (on se confronte inévitablement à des problèmes de qualité de données, de référentiel …) ;

· Pouvoir "classer" les données, dans les pannes avérées ou les situations normales.

Si la maintenance prédictive est d’actualité, c’est pour plusieurs raisons :

· La multiplication des capteurs et objets connectés permettent de disposer de données (outre les réseaux classiques, les réseaux bas débit de type Lora ou Sigfox vont jouer un rôle important dans le déploiement des objets connectés et donc de ces réseaux) ;

· Les équipements de nouvelles générations deviennent plus complexes et intègrent de nouvelles données avec des systèmes embarqués ;

· Les technologies BI voire Big Data facilitent le traitement de grand volume de données.

· La maintenance est de plus en plus sous pression.

Le domaine des "utilities" en première ligne

Sur le long terme, la maintenance prédictive permettra aussi de proposer de nouveaux services comme proposer des garanties de SAV adaptées à l’utilisation d’un produit.

Le domaine des "utilities" est un excellent exemple de la multiplication des équipements connectés et de la nécessité d’avoir des systèmes robustes. Le déploiement de Smart Grid va faire exploser le nombre d’équipements qui seront, pour une grande majorité, connectés et permettront d’avoir des données en temps réel ou quasi réel. Là où le remplacement des pièces se fait à fréquence définie, demain il pourra être ajusté. Des modèles prédictifs ont ainsi été établis sur des turbines à gaz et permettent de remonter des alertes 30 heures avant qu’une panne ne survienne plutôt que 30 minutes avant.

En revanche, par essence, on a peu de recul sur des nouveaux équipements. Il faudra donc, avec des retours d’expérience limités, construire des modèles prédictifs qui s’enrichiront au fur et à mesure.

Aurelle Ong et Bertrand Favier, consultants d'Oresys

Bienvenue !

Vous êtes désormais inscrits. Vous recevrez prochainement notre newsletter hebdomadaire Industrie & Technologies

Nous vous recommandons

EMO 2019 : la fabrication additive sur le territoire de la machine-outil

EMO 2019 : la fabrication additive sur le territoire de la machine-outil

L'EMO, rendez-vous international dédié aux machines d'usinage, se tient du 16 au 21 septembre à Hanovre.[…]

Robotique industrielle : un chiffre d’affaires mondial record de 16,5 milliards de dollars en 2018

Robotique industrielle : un chiffre d’affaires mondial record de 16,5 milliards de dollars en 2018

Photovoltaïque européen, superalliages, smart-city… les meilleures innovations de la semaine

Photovoltaïque européen, superalliages, smart-city… les meilleures innovations de la semaine

Cinq start-ups de l'impression 3D à l'honneur du prochain salon Formnext 2019

Cinq start-ups de l'impression 3D à l'honneur du prochain salon Formnext 2019

Plus d'articles