La maintenance est-elle plus intelligente en disposant de données prédictives ?
Eviter la panne d'une machine, les retards de train, les catastrophes pétrolières ... c'est ce qu'il est possible de faire grâce à la maintenance prédictive. Dans une tribune, Bernard Fourdrinier, Business consultant Europe du sud, moyen-orient et Afrique dans les domaines du pétrole, gaz, pétrochimie, IoT et smart building chez Teradata, fait le point sur les promesses du prédictif.
En analysant des données de masse issues des équipements industriels, il est possible d'augmenter l'efficacité de la maintenance, améliorer la disponibilité et optimiser les coûts. Mais, encore faut-il que la production ait déjà suivie un processus de digitalisation. Les premiers capteurs ont été installés dans les machines à la fin des années 1980. Dans les années 1990 l'intelligence a été introduite dans des processus de production. Les télésurveillances 24/7, quant à elles, ont été mises en œuvre depuis le début des années 2000. Aujourd’hui en 2017, où en sommes-nous des promesses du prédictif ?
Alors qu’y a-t-il de nouveau ?
L’avancée technologique dans les logiciels et les matériels a permis d'utiliser beaucoup mieux toute cette intelligence incorporée, et fournir aux clients des solutions à haute valeur ajoutée. Ceci a contribué non seulement à améliorer la performance des machines, en utilisant des données intégrées par des analyses comparatives, mais aussi à identifier les bonnes pratiques, quant à l'optimisation de consommation d'énergie… Aujourd’hui, nous savons que pour mener à bien des opérations de maintien en condition de fonctionnement, ou encore pour prolonger la durée de vie des équipements, il est indispensable d’utiliser de grandes quantités de données. La quantité de données disponibles pour la gestion de la maintenance est maintenant significativement plus grande : il est ainsi possible de combiner et d’analyser ces données provenant de plusieurs sources, comme un système de contrôle de condition autonome, un système d'automatisation, un système de gestion de maintenance informatisé et des applications de contrôle des coût, entre autres possibilités.
En analysant toutes ces données, les clients peuvent faire des prédictions. Ils pourront notamment connaître comment leur équipement fonctionnera dans un proche avenir et les intervalles de service optimum nécessaires. Le client va ainsi prévoir des arrêts de production et pouvoir organiser les arrêts uniquement quand cela est nécessaire. En intégrant toutes ces données, il est aussi possible de détecter des écarts et analyser les conditions de fonctionnement d'une façon totalement différente. Il sera aussi possible de prolonger les intervalles de service de 20 % et rallonger ainsi la durée de vie des équipements. Il n’est donc plus nécessaire de remplacer une pièce encore fonctionnelle, juste pour s'assurer qu'elle ne se cassera pas. Autant d’avantages qui permettent, à terme, de mieux utiliser le temps des ingénieurs…
Quand Union Pacific supprime 75% des déraillement de ses trains
Dans un récent article paru dans « Information Week », nous pouvions lire : « Union Pacific – Repousser les frontières avec l’IoT et les modèles prédictifs ». Dans le secteur ferroviaire, la première cause de déraillement des locomotives et des wagons est le manque de graisse dans la boîte d'axe des roues qui devient chaude et provoque à terme un déraillement.
Grâce au prédictif il est possible de prévoir quand une roue de locomotive va être défectueuse des semaines avant qu'elle ne cause un déraillement sur un train de marchandise de 2.5 kms de long, de 20,000 tonnes et roulant à 110 km/h. Le risque pour la vie des personnes, les retards, l’impact sur l’environnement et la perte d'argent et d’image pour l'entreprise en sont les conséquences directes. En plaçant des capteurs à infrarouges tous les 30 kms sur les rails on mesure à la volée la température des roues. Il y a environ 20 millions de lectures de température de roues par jour, afin de chercher la surchauffe. Les données sont envoyées via des fibres optiques vers un centre de données. Là, des algorithmes d'appariement de formes complexes signalent les valeurs atypiques, laissant des experts décider dans les cinq minutes d’une décision de mettre le train sur une voie de garage pour inspection, ou le ralentir à 60km/h jusqu'à ce qu'il puisse être réparé à la station suivante. L'utilisation de toutes ces technologies a réduit les déraillements de 75 %.
Eviter les catastrophes
A partir de ces excellents résultats et pour permettre une analyse encore plus fine, des microphones ont été installés pour écouter les phénomènes de bruits dans les roues. Sur une roue en bon état, il y a seulement une petite partie, de la taille d’une pièce d’un euro, qui est en contact avec le rail. Par usure ou un freinage incorrect, cette surface augmente et il y a un modèle sonore différent. Ainsi en prévoyant ou prédisant les problèmes à l'avance, on peut empêcher l’apparition des anomalies. Prédire et disposer d’options basée sur des faits, n’est pas seulement une évolution, mais aussi une révolution…
Nous l’avons compris, l’analyse prédictive a un rôle à jouer, dans la maintenance des machines. Siemens, par exemple, en adoptant le prédictif a permis à la Renfe (compagnie de trains espagnole) de s’engager contractuellement sur un temps de retard ne dépassant pas 15 mn pour les voyageurs entre Madrid et Barcelone : un seul voyage en retard de plus de 15 mn sur 2300. L’analyse prédictive a aussi un rôle non négligeable dans la sécurité des personnes. Pour preuve la catastrophe pétrolière et écologique de 2013 du Pipeline Pegasus, en Arkansas, aurait pu être évitée, si la compagnie s’était assurée d’automatiser le traitement des milliers d’informations pour anticiper les opérations de réparation.
Sélectionné pour vous
