Passez à la maintenance prédictive

• Twitter
• Facebook
• Linkedin
• Flipboard
• Email

Anticiper une panne, maîtriser l’arrêt des machines, augmenter leur durée de vie, diminuer les stocks de pièces de rechange… Voici les promesses alléchantes de la maintenance prédictive (ou prévisionnelle). Cette approche consiste à collecter et à analyser les données d’un équipement industriel, sa température et ses vibrations, par exemple. Puis, à partir de celles-ci, à mettre en place un système d’alertes afin de prévenir une défaillance en intervenant avant la panne. La maintenance prédictive va plus loin que la maintenance curative, qui consiste à réparer une fois la panne survenue, ou que la préventive, qui consiste à planifier des interventions de maintenance d’après des moyennes d’utilisation. Le prédictif permet de se fier à l’utilisation réelle d’un équipement pour optimiser les opérations de maintenance, avec réduction de coût à la clé. La chimie a été l’un des premiers secteurs à s’en emparer. La méthode se démocratise aujourd’hui avec l’avènement de l’internet industriel. Mais mettre en place une maintenance prédictive peut s’avérer complexe. Quelles données choisir ? Combien ? Faut-il abandonner la maintenance préventive ? Voici cinq étapes pour répondre à ces interrogations et vous accompagner dans le passage au prédictif.

1.Commencer petit et précis

Le mot maintenance prédictive laisse imaginer des algorithmes super-intelligents capables de s’appuyer sur des milliards de données pour prévoir, voire empêcher une défaillance des mois à l’avance. Certes, ce peut être le cas. Air liquide commence à mettre en place un tel système après avoir accumulé des données de production pendant quinze ans. Mais cette vision est assez loin de la réalité chez la plupart des industriels. « Il ne faut pas être trop ambitieux dès le départ », prévient Frédéric Garcia, responsable du service de maintenance des moyens industriels chez Figeac Aero. Le sous-traitant aéronautique lotois pratique la maintenance prédictive depuis cinq ans, sur un périmètre limité de données captées sur ses machines de production : vibrations, défauts géométriques, force de serrage des outils. Avec à la clé la prévention de 40 % des pannes, revendique l’entreprise. Aujourd’hui, Figeac Aero étend ces mesures à d’autres paramètres : courants électriques, températures, pressions et débits, relevés plus fréquemment. Et met en place un système d’alerte automatique. Prochaine étape, l’intelligence artificielle ? « Nous y réfléchissons, bien sûr, mais ce n’est pas une fin en soi. Nous nous lancerons uniquement si l’investissement vaut le coup. »

L’usine de Bosch à Rodez (Aveyron) est justement en train d’y passer, après avoir travaillé deux ans sur un système d’alerte classique. Le fabricant de systèmes d’injection travaille sur des techniques de machine learning – apprentissage machine – avec un étudiant chercheur des Arts et Métiers. Il espère tester son système en septembre. « L’objectif est d’apprendre au système à émettre un diagnostic sans intervention humaine », explique Grégory Brouillet, chef de projet maintenance 4.0 chez Bosch à Rodez. Mais ici encore, l’objectif est ciblé. « Nous nous concentrons sur les machines goulots de l’usine, poursuit Grégory Brouillet. Et nous travaillons sur un type de défaillance précis, critique pour nous : la déviation des temps de cycle. Déployer des algorithmes prévisionnels sur l’ensemble de nos machines n’aurait pas de sens. » Samuel Blanquet, référent manufacturing chez l’éditeur SAS, confirme : « Le mieux, au départ, est de se concentrer sur des actifs critiques dont les pannes arrêtent ou freinent l’ensemble de la production. Nos clients testent en général le système sur une machine, puis l’étendent à une ligne et à l’usine. » Il ajoute que le plus important est « de déterminer le cas d’usage », remarquant que beaucoup de ses clients « veulent faire du prédictif sans avoir bien défini leur objectif. »

2.Ne pas négliger le temps de préparation

Pour passer à la maintenance prédictive, il faut avant tout connecter ses machines à un système de collecte des données. Cela prend du temps. Deux mois par machine pour l’usine Bosch à Rodez. « J’avais sous-estimé cette étape, reconnaît Grégory Brouillet. La difficulté tient au fait que le système n’est pas toujours à même de comprendre les langages des différentes machines. Nous avons dû recruter et former une personne en interne, qui travaille à temps plein sur cette question. Elle crée des connecteurs, c’est-à-dire des traducteurs, pour que le système comprenne bien toutes les machines. » Développer un système capable d’émettre des alertes automatiquement est également chronophage car il n’existe pas de logiciel clés en main. « Le système pour automatiser nos alertes tel que nous l’imaginions n’existe pas sur le marché. Nous avons donc conçu une solution intégrant une partie développée en interne et des briques logicielles du commerce », explique Frédéric Garcia. Un POC (proof of concept) sur quatre machines de technologies différentes est prévu au deuxième semestre de l’année 2017.

3.Aller chercher les bonnes données

Lorsque les machines sont connectées, elles envoient des données. Beaucoup de données. Le problème n’est donc pas tant leur quantité que leur qualité. Pour la SNCF, qui travaille sur la maintenance prédictive de ses trains depuis 2013, une bonne donnée signifie une donnée technique couplée avec des données de contexte, comme la température extérieure ou la vitesse du train. « Par exemple, l’information “une porte est ouverte” n’aura pas la même portée si le train est à l’arrêt en gare ou s’il roule à 40 km/h. Dans le premier cas c’est normal, dans le second il y a un gros risque d’accident », remarque Cyril Verdun, le directeur du pôle ingénierie matériel de Saint-Pierre-des-Corps (Indre-et-Loire). Autre critère de la bonne donnée pour la SNCF : sa répétabilité. C’est-à-dire le fait qu’elle puisse être mesurée régulièrement.

Pour obtenir une donnée pertinente, il faut parfois aller plus loin que celles transmises automatiquement par la machine. Pour mesurer les vibrations ou la consommation en énergie fine d’un moteur, par exemple, il faut investir dans des capteurs. Autre difficulté soulignée par Frédéric Garcia : « Certains paramètres des machines, comme le débit de l’arrosage, la géométrie 5 axes, ne peuvent pas être enregistrés par des capteurs lorsque la machine est en fonctionnement. Pour les mesurer, nous avons mis en place un programme test qui s’exécute automatiquement sur la machine une fois par semaine », explique-t-il. Une fois les données collectées, il faut définir un seuil pour chaque paramètre afin de lancer une alerte lorsqu’il sera franchi. Bosch, à Rodez, y travaille depuis un an. « Nous n’avons pas encore fini. Pour certains paramètres, c’est plus compliqué parce qu’ils ne dépendent pas de critères figés, ils sont évolutifs », signale Grégory Brouillet.

4.Impliquer les techniciens de maintenance

La SNCF a embauché cinq data scientists chargés de développer des algorithmes de prédiction des pannes. Mais pour identifier les paramètres pertinents sur lesquels se fondent ces algorithmes, l’entreprise ferroviaire s’est surtout appuyée sur le savoir-faire de ses ingénieurs métiers et de ses techniciens de maintenance. Idem chez Bosch à Rodez. Et chez Figeac Aero. Pour Samuel Blanquet, de l’éditeur SAS, intégrer les techniciens de maintenance dans le projet est un élément clé du passage au prédictif. « Il faut traiter les données avec des experts, des gens du terrain qui font de la maintenance au quotidien. Il faut parler avec eux parce que leur expérience représente énormément de données, explique-t-il. Un data scientist seul aura du mal à arriver à des résultats probants sans opérateur sur place pour l’orienter dans les phases exploratoires. »

5.Réorganiser ses équipes

Qui dit prédictif plutôt que préventif dit changement de calendrier et donc réorganisation des équipes de maintenance. À la SNCF, cette nouvelle planification a été l’une des difficultés. « Nous avions sous-estimé la gestion du changement », concède Cyril Verdun. Pour décrire le désarroi des opérateurs de maintenance confrontés aux alertes prédictives, il utilise une comparaison parlante : « Imaginez un parent de quatre enfants qui reçoit un texto à chaque éternuement ou léger changement de température de l’un de ses enfants. C’est stressant et il se perd dans la quantité d’informations. »

Pour contourner cette difficulté, la SNCF a formé des coordinateurs de travaux afin qu’ils communiquent avec les data scientists. « Nous leur avons expliqué notre métier pendant plusieurs jours. Nous passons aussi beaucoup de temps avec eux sur le terrain pour les accompagner. Nous avons créé des codes de communication », explique Quentin Coutadeur, l’un des data scientists de la SNCF. Résultat : les coordinateurs sont capables de hiérarchiser les informations, de prioriser les alertes et ainsi de programmer des opérations de maintenance. « Le métier de coordinateur existait auparavant, mais il consistait surtout à planifier une opération de maintenance à partir du calendrier. Il a beaucoup évolué depuis », témoigne Cyril Verdun.

Chez Bosch, pour préparer les techniciens de maintenance au changement, des réunions mensuelles sont organisées. « Nous leur présentons les outils de la maintenance 4.0, nous leur expliquons comment leur métier va évoluer », raconte Grégory Brouillet. Le chef de projet n’est pas inquiet car il estime que leur métier évoluera dans le bon sens. « Ils seront plus autonomes. Chaque technicien sera chargé d’un parc de machines et en recevra les alertes. Il devra alors s’organiser pour planifier une opération de maintenance plutôt que d’intervenir dans l’urgence après une panne. » Reste que la bascule du préventif vers le prédictif ne sera pas totale. Les opérations préventives ne vont pas disparaître complètement, car elles restent pertinentes pour certains paramètres. « Le préventif existera toujours, estime Grégory Brouillet. Les deux sont complémentaires. »