Avec Mataki, Savoie Transmissions est au diapason des machines industrielles
Pour un acteur de la construction automobile, chaque heure d'arrêt d'une ligne de production revient à une perte de 35 000 euros. Assurer une bonne maintenance des installations de son client est donc crucial pour Savoie Transmissions, spécialisé dans la maintenance des équipements de transmission mécanique, électromécanique et électronique. Pour renforcer ses compétences, le groupe basé près de Chambéry (Savoie) a élaboré un capteur collé aux machines pour en détecter les signes annonciateurs de panne et en alerter les clients.
La maintenance prédictive est un sujet phare pour l'entreprise depuis plusieurs années. "Quand j'ai racheté l'entreprise il y a cinq ans, je voulais réaffirmer notre ambition de garantir zéro panne et je me suis rendu compte que les moteurs arrivaient en réparation dans un état extrême. Il y avait donc quelque chose à faire pour anticiper le meilleur moment auquel intervenir pour allonger leur durée de vie, mais il n'y avait pas de solution appropriée sur le marché", raconte Pierre Arboireau, le président. Savoie Transmissions a alors élaboré en 2016 une première solution fonctionnant en 4G, qui lui a permis de faire évoluer son modèle d'affaires vers la vente de données, mais qui s'est révélée trop onéreuse par rapport aux espérances de l'entreprise. "Nous avons rencontré à ce moment-là Emmanuel Mouton, CEO de l'entreprise Synox, qui m'a parlé de capteurs IoT plus accessibles", se rappelle Pierre Arboireau.
Les équipes se sont lancées conjointement dans une deuxième version dès 2017. "Leur objectif était d'aboutir à une solution capable de fonctionner quelle que soit la typologie de machine à équiper. Nous avons donc d'abord pensé à une analyse acoustique des machines, avant de nous pencher sur les chocs et les vibrations car chaque appareil a une signature vibratoire constante et dont les mêmes variations sont synonymes de dysfonctionnement", se souvient Emmanuel Mouton, CEO de Synox, qui a pris en charge la plateforme IoT d'analyse de données. L'intelligence embarquée a été développée avec un prestataire local.
100 000 euros d'investissement
Il aura au final fallu deux ans de tests pour aboutir au capteur actuel. "Nous avons trouvé le capteur adéquat mais qui n'était pas adapté à notre problématique. S'est alors ensuivi des adaptations du logiciel pour embarquer un algorithme capable de détecter les dérives, des phases d'apprentissage, des tests et de nouvelles retouches au logiciel. Au fil du temps, nous avons ajouté des paramètres", explique Pierre Arboireau, pour qui aboutir à un algorithme de qualité a été le plus fastidieux. "Le plus long a été la confiance dans la mesure donnée par le capteur, pour garantir que les alertes envoyées n'étaient pas des faux-positifs ou des erreurs", précise de son côté Emmanuel Mouton, qui a intégré des indicateurs de tendance à ses dashboards pour permettre l'affichage de comparaisons. Le capteur, nommé Mataki, a été finalisé en mai 2019 et a demandé au total plus de 100 000 euros d'investissement de la part de Savoie Transmissions.
Aujourd'hui, une cinquantaine de capteurs sont déployés chez une vingtaine de clients parmi les mille que compte l'entreprise. "Notre objectif (commercialiser 1 000 capteurs par an pendant trois ans) risque d'être compliqué à tenir, car même si la maintenance est un sujet essentiel dans l'industrie 4.0, le marché est lent à décoller", reconnaît Pierre Arboireau. Mais Savoie Transmissions prévoit d'élargir son marché en proposant Mataki, non pas seulement à ses clients localisés dans la région Rhône-Alpes, mais à l'ensemble des acteurs de l'industrie 4.0 : "Du moment qu'il y a des vibrations et des chocs, Mataki peut être utilisé. Il serait par exemple possible de l'appliquer pour la maintenance des machines à laver", imagine Pierre Arboireau, qui se réjouit de l'avantage d'avoir une solution duplicable. Savoie Transmissions envisage par exemple d'utiliser Mataki sur des chariots robots mobiles afin d'en suivre les chocs lors de leurs déplacements automatisés. Les deux équipes continuent ainsi d'enrichir la plateforme de gestion de nouvelles données contextuelles.