Maintenance prédictive : quand les données réduisent les pannes

Collecter des données sur le terrain pour anticiper les pannes, tel est le principe de la maintenance prédictive. En donnant aux industriels les moyens de prévoir les aléas plutôt que de les subir, elle leur permet de programmer les interventions qui éviteront de couteux arrêts de la production.

Dans l’industrie, la rentabilité d’une chaîne de production est souvent calculée à la minute près, pour optimiser au maximum les investissements humains et technologiques. Ainsi, le plus petit grain de sable qui vient se glisser entre les rouages de cette machine bien huilée peut représenter des milliers d’euros de perte en quelques minutes. Il n’y a donc rien de surprenant à ce que les entreprises souhaitent limiter les risques au maximum, en investissant dans un service de maintenance de haute qualité. Deux options s’offrent alors à eux : maintenant préventive ou maintenance prédictive.

Prédire pour réduire les interventions

Dans les milieux industriels, l’usage est à la maintenance préventive qui consiste à multiplier les interventions en amont afin de prévenir des incidents qui n’auront peut-être jamais lieu. Dans ce cas, l’entreprise dispose d’un plan de maintenance préventif, c’est-à-dire un accord contractuel qui programme, dès la livraison des équipements, un calendrier fixe d’interventions. Mais celui-ci ne tient pas exactement compte des données contextuelles. De fait, cette maintenance est trop prudente : elle va imposer plus d’arrêts de production et plus de frais qu’il n’est nécessaire.

À l’inverse, la maintenance prédictive, qui se base sur les faits grâce au relevé et à l’analyse des données au fil de l’eau, permet de proposer un plan de maintenance évolutif. Dans des industries comme celle des semi-conducteurs, où la fabrication d’un équipement peut nécessiter 200 étapes, il est impossible de vérifier le matériel utilisé sur l’ensemble de la chaine car cela prendrait bien trop de temps et ralentirait considérablement la production. Cependant, il n’est pas non plus possible d’éviter de contrôler les réglages, ni de se contenter de les tester aléatoirement pour gagner du temps, car cela remettrait en cause la fiabilité de la chaine dans son intégralité. Dans ce type de situation, la précision offerte par la maintenance prédictive est inestimable.

Exploiter les données pour modéliser les systèmes

L’étape de la récolte des données se fait relativement aisément car les entreprises sont plutôt matures quant à la récupération des données opérationnelles et à leur stockage. En revanche, leur analyse est plus compliquée car les entreprises se reposent encore trop souvent sur des outils de Business Intelligence classiques. Or, ceux-ci ne sont pas adaptés pour construire un modèle prédictif. Ils se contentent de mesurer des données agrégées sans les analyser réellement.

Dans un projet de maintenance prédictive, la première étape doit consister à déployer les fonctionnalités analytiques qui permettent non seulement de visualiser mais surtout de découvrir ce qui se cache dans les relevés. Si une telle combinaison se reproduit à l’avenir, il y aura 90 % de chances qu’elle mène à la même panne. Il s’agit donc pour l’opérateur d’éviter qu’elle se reproduise en testant, depuis le logiciel, des scénarios alternatifs dans la manière d’utiliser les équipements.

Choisir le bon moment pour agir et ne pas avoir peur de reconstruire

Les entreprises sont encore nombreuses à considérer la création de modèles et de scénarios comme une fin en soi, mais encore faut-il savoir quand les utiliser. Pour cela, il est nécessaire de pouvoir rechercher, comprendre et répondre aux événements en temps réel. Il est bien plus efficace d’appliquer le modèle comportemental trouvé à un flux ininterrompu de données dynamiques issues de capteurs ou de l’internet des objets à l’aide d’une solution de Streaming Analytics, qui va continuer à chercher les indices d’un incident futur dans les données transmises en temps réel.

Les technologies de Streaming Analytics vont sonder ces données nouvelles au fil de l’eau et lancer des actions pour limiter les risques dès qu’elles verront apparaître les modèles menant à un incident. Il ne reste plus ensuite qu’à agir directement sur l’équipement, soit d’envoyer une notification aux personnes en charge de l’exploitation. C’est ici tout l’intérêt de pouvoir interpréter les événements dans un contexte donné et d’accepter que ce contexte évolue en permanence. Il est naturel de constater que plus le temps passe, moins les modèles seront efficaces. Il est préférable de valider régulièrement la pertinence du modèle prédictif pour adapter la maintenance prédictive aux nouveaux comportements et, accessoirement, évaluer les améliorations opérationnelles du modèle précédent. L’analytique doit être utilisée à intervalles réguliers, dès que le modèle traité par le moteur de Streaming Analytics n’est plus efficace.