La donnée, premier levier d’une maintenance prédictive efficace
A l’ère de l’industrie 4.0, les entreprises ont de plus en plus recours à la maintenance prédictive pour prévenir les pannes et optimiser leurs équipements. Sa mise en place permettrait une réduction des coûts de maintenance jusqu’à 20%. La donnée est, pour ces entreprises, un véritable actif garant de son bon déploiement.
Avec le développement de l’Internet des objets, les entreprises du secteur industriel sont en mesure aujourd’hui de collecter des volumes de données de plus en plus conséquents en provenance de systèmes hétérogènes. Elles peuvent ainsi les exploiter dans le cadre d’un processus d’amélioration continue, notamment pour évaluer les performances et prendre de meilleures décisions. La collecte et l’exploitation des données permettent d’anticiper, d’optimiser la durée de vie des équipements des entreprises et d’améliorer l’expérience client.
En déployant la maintenance prédictive, les entreprises peuvent exploiter un maximum de données des équipements pour les optimiser, les fiabiliser et assurer une continuité tout au long du cycle de vie complet du produit jusqu’au rendu client. Les informations collectées permettent de réinjecter les analyses effectuées à chaque étape de la vie du produit pour optimiser son utilisation. La donnée est donc la base d’un bon déploiement d’une maintenance prédictive.
Comment la maintenance prédictive s’appuie sur la donnée et la capte
En effet, la donnée est essentielle pour réaliser des prévisions en temps réel. La mise en place d’une maintenance prédictive requiert de faire un état des lieux des données disponibles, de s’assurer qu’elles sont accessibles, historisées et de qualité. Celles-ci permettent de corréler un ensemble de situations sur un certain nombre de capteurs installés sur les machines, à partir de paramètres externes ou de comportements mesurés. Cette corrélation est clé pour prévenir une panne potentielle et apprendre dans quel laps de temps elle surviendra.
De surcroît, un historique de données suffisamment complet est essentiel pour prédire de manière fiable des événements potentiels pouvant survenir sur l’équipement. L’entreprise doit être en mesure d’extraire les données en continu et de les stocker. Elle peut ainsi obtenir une profondeur d’historique pertinente pour restituer efficacement les comportements observés. Capter les données devient, dès lors, une étape déterminante du déploiement.
Cependant, tous les équipements industriels ne permettent pas d’accéder directement aux données ou ne mettent à disposition que des données partielles. En effet, certains de ces équipements ne disposent pas de capteurs. Les entreprises doivent donc s’assurer de la bonne connectivité des équipements et d’adopter sur les plus anciens une stratégie visant à installer des capteurs adaptés – température, vibrations, accéléromètre…
Ainsi, la clé pour les entreprises est de prendre en compte, dès le début du déploiement, le rôle de la connectivité pour capter la data. Certaines start-up françaises ont notamment développé des boîtiers qui peuvent être ajoutés très facilement sur les équipements. Cependant, au-delà de la connectivité, problématique commune à toutes les entreprises, chaque secteur doit traiter la donnée de façon différentiée et adaptée.
Traitement de la donnée : à chaque secteur sa spécificité
En effet, chaque secteur a ses propres enjeux d’accès à l'information : une organisation du domaine de la défense ne fait pas face aux mêmes défis qu’une entreprise mécanique. Les nuances se situent tant au niveau de la sensibilité des données que dans leur pertinence vis-à-vis du contexte.
De surcroît, le niveau de maturité des entreprises dans la collecte des données est très variable. Dans le secteur manufacturier, les équipements sont en voie de transition numérique sur lesquels de plus en plus de capteurs sont installés grâce à l’essor de l’Internet des objets. A l’opposé, celui de l’aéronautique s’appuie déjà abondamment sur les capteurs. En effet, certains avions de ligne sont équipés de plusieurs dizaines milliers de capteurs, ce qui nécessite de gérer de gros volumes de données, de connaître et comprendre leur propriété pour détecter les incidents.
L’accès à la donnée est donc un facteur décisif pour déployer à bon escient la maintenance prédictive. Il devient dès lors nécessaire pour les entreprises industrielles de regrouper l’ensemble des données et de s’assurer leur fiabilité et cohérence dans le respect des critères de sécurité. La construction d’un modèle de maintenance prédictive pertinent et efficace dépendra, inévitablement, de cette étape que seule la maturité de l’entreprise concernée pourra déterminer.