La maintenance prédictive, vers des usines 4.0

factory-factory-worker-girl-1108101

L’usine 4.0 ou usine connectée (Smart Factory) est décrite comme la réunion entre l’industrie et le monde du numérique. Elle vise à réaliser de nouveaux gains de compétitivité et à optimiser la productivité. Cette convergence des transformations est une continuité car des outils “intelligents” existent déjà : capteurs embarqués, IoT, Cloud Computing… La communication continue et instantanée entre les différents outils et postes de travail permet aux équipes d’accéder à de nouvelles capacités d’auto-diagnostic, telles que la maintenance prédictive, et d’améliorer la chaîne de fabrication et d'approvisionnement.

CDe la maintenance préventive à la maintenance prédictive

Si la maintenance préventive permet d’éviter les défaillances des machines en cours d’utilisation, elle se base sur des critères prédéterminés et réduit la probabilité de défaillances ou dégradation. La maintenance prédictive, elle, repose sur des données récoltées par des Iots ou des capteurs embarqués, qui, en temps réel, sont désormais capable de prédire quand arrivera la panne. Ainsi, la maintenance prédictive apporte des changements immédiats : éliminer toute maintenance inutile, maintenir une chaîne de production ininterrompue, optimiser la distribution des ressources humaines et matérielles.

Le Machine Learning de la maintenance prédictive en 3 étapes :

La maintenance prédictive se décline en 3 grandes étapes.

  1. Collecter les données à l’aide de capteurs ou IoT et les centraliser pour pouvoir les analyser ;

  2. Modéliser des schémas de panne, c’est-à-dire créer des algorithmes qui apprennent à reconnaître les signaux des anomalies via les historiques des pannes ;

Voir le cas d’usage Maintenance Prédictive par Prevision.io .

3. Installer un système de Machine Learning capable « d’apprendre » à reconnaître les nouvelles défaillances lorsqu’elles surviennent. Cela permet d’aller par-delà les schémas de défaillances déjà identifiées pour en ajouter de nouvelles au fur et à mesure de la collecte des données.


Réduire les risques opérationnels


Il est très courant que les équipements assurent un fonctionnement ininterrompu, soit par sécurité, soit par manque de personnel pour réaliser un arrêt de la machine, ce qui rend chaque panne coûteuse et peu anticipable. La maintenance prédictive est destinée à éviter les pannes en même temps qu’elle permet des économies grâce à l’anticipation et l’identification rapide de leurs causes. Cette solution, une fois déployée, permet de prévoir les besoins en pièces de rechange et de mieux planifier la mobilisation des techniciens. Par conséquent, la maintenanc prédictive permet de réduire la densité des pannes d’équipements et d’assurer une meilleure sécurité pour les employés soit une productivité optimisée !

Cette solution, une fois déployée, permet de prévoir les besoins en pièces de rechange et mieux planifier la mobilisation des techniciens. Par conséquent, les arrêts des machines diminués, une meilleure sécurité des employés soit une productivité optimisée !

Optimiser les coûts de la maintenance


La maintenance préventive, régi selon un planning prédéterminé, contribue à des dépenses pas forcément nécessaires et donc contre-productive. Ce manque à gagner peut être supprimé grâce à la maintenance prédictive qui indique quand les pièces ou machines doit partir en maintenance.

La SNCF fait appel à la maintenance prédictive pour être en mesure de prédire les pannes sur les transiliens. C’est pour la SNCF le seul moyen de prédire et d’ajuster le personnel nécessaire et d’éviter les problèmes de circulation qu'entrainerait l’arrêt des trains.


Optimiser de la gestion des stocks

Afin d’éviter au maximum d’avoir des stocks trop volumineux de pièces de rechange mais aussi pour maximiser les déplacements des techniciens de maintenance, le machine learning devient la solution. La gestion des stocks et la mobilisation au bon moment et au bon endroit des équipes de maintenance sont très souvent un casse-tête et un gouffre financier. Les modèles prédictifs permettent d’étudier les données collectées et de commander le nombre de pièces ainsi que l’intervention nécessaire.


La maintenance prédictive concerne tous les secteurs d’activité

En définitive, des secteurs manufacturiers aussi divers que l’automobile, l’électronique, l’aéronautique ou encore la phama ont tout intérêt à passer à la maintenance prédictive.Ce rapprochement ne présente pas d’obstacles majeurs puisqu’il repose, en partie, sur des outils existant déjà : capteurs, automates, Big data, Internet des objets, Cloud Computing… Le challenge se trouve dans comment mettre en place une nouvelle organisation qui met le réseau au centre.


Our Latest
News