Abonnez-vous Identifiez-vous

Identifiez-vous

Vos codes d'accès sont erronés, Veuillez les saisir à nouveau. Mot de passe oublié ?

[Tribune] Trois conditions pour un passage à la maintenance prédictive réussi

,

Publié le

La maintenance prédictive promet d'éviter les dysfonctionnements et de mieux gérer ses équipements. A condition de veiller à coupler l'analyse des données à la réflexion humaine et de bien gérer la conduite du changement, nous explique Florian Douetteau, PDG de Daitaiku.

[Tribune] Trois conditions pour un passage à la maintenance prédictive réussi © D.R.

En tirant parti de la connexion entre les machines, la maintenance prédictive permet aux industriels de divers secteurs d’éviter plus efficacement les dysfonctionnements, de mesurer leur utilisation réelle, et ainsi de réaliser des économies considérables. A condition de coupler machine-learning et réflexion humaine, de connecter les savoir-faire analytique et technique, et de gérer correctement la conduite du changement.

Cibler les équipements prioritaires

Plus poussée que la maintenance curative (réparer un équipement après la panne) ou préventive (procéder à une vérification périodique des infrastructures), la maintenance prédictive collecte des données en temps réel provenant de sources diverses, les combine et utilise le machine learning afin d’anticiper les dysfonctionnements des appareils et de leurs composantes. Bien entendu, pour un effet durable et à faible coût, il est nécessaire de se concentrer sur des dysfonctionnements susceptibles de freiner l’activité générale. Pour que des machines puissent transférer des données les unes aux autres, il faut en effet y placer des capteurs.

Une installation qui peut s’avérer coûteuse lorsqu’on a un important volume d’appareils à équiper, comme c’est le cas dans le domaine des transports ou de l’énergie. Un usage "intelligent" de la maintenance prédictive doit donc tenir compte de la fréquence réelle d’utilisation des machines, des circonstances de leur utilisation et de l’impact que celle-ci peut avoir sur le fonctionnement de toute la production : pour un transporteur ferroviaire, l’arrêt d’un train peut être problématique lorsque celui-ci est encore sur les voies, alors que c’est une situation normale s’il est arrivé à destination.

Coupler machine-learning et expérience humaine

L’Internet des objets rend possible la collecte d’une pléthore de données provenant de nombreuses sources : programmes informatiques, systèmes d’exécution ou de gestion, inspections visuelles, modes d’emploi des machines, données pouvant affecter indirectement les appareils (météo, circulation…), données géographiques, etc.

Les équipes en charge de la maintenance prédictive – data analystes, data scientists, en l’occurrence – ont ainsi besoin de déterminer, parmi l’important volume de données à leur disposition, lesquelles nécessitent une interprétation humaine et lesquelles peuvent être intégrées à un processus préétabli (une intelligence artificielle peut prendre le relai, par exemple). Pour cela, elles doivent prendre en compte un aspect essentiel : le terrain. En impliquant l’exploitation des données en temps réel, l’analyse prédictive rapproche davantage les métiers de l’analyse des données et les agents présents sur le terrain.

En effet, la présence de différents capteurs sur les appareils signifie que les données peuvent varier. Afin de distinguer les bonnes informations , et ainsi d’optimiser le traitement des données et l’action qui en résulte, data scientists et data analystes doivent travailler avec les techniciens. Ils doivent également être en mesure de confronter les données en temps réel aux données statiques, grâce à la visualisation, et de combiner les différents résultats provenant des divers capteurs placés sur une même machine afin d’en tirer les conclusions nécessaires. 

Anticiper la gestion du changement

La maintenance prédictive bouleverse les habitudes : au lieu de planifier des interventions préventives à intervalles régulières, les techniciens ont affaire à des data analystes qui surveilleront les machines de manière constante, à des appareils capables de transmettre des informations – défaillances, risques – qui, autrement, auraient été plus difficiles à détecter. Il importe donc que les dirigeants usent de tact et de pédagogie pour instaurer cette nouvelle approche. En fonction de sa culture, chaque entreprise pourra adopter la conduite du changement qui lui correspond : remplacer sa maintenance préventive par une approche entièrement prédictive, ou nuancer en combinant les deux méthodes. Il faut néanmoins garder à l’esprit qu’enrichir les mesures préventives avec des algorithmes prédictifs nécessite de savoir quand utiliser cette approche, d’impliquer les acteurs présents sur le terrain, et de connecter les savoir-faire entre eux.

La maintenance prédictive représente désormais un avantage concurrentiel fort dans l’industrie. Plus encore : elle contribue à ouvrir la voie à un usage plus fréquent de l’intelligence artificielle.

Réagir à cet article

Créez votre compte L’Usine Connect

Fermer
L'Usine Connect

Votre entreprise dispose d’un contrat
L’Usine Connect qui vous permet d’accéder librement à tous les contenus de L’Usine Nouvelle depuis ce poste et depuis l’extérieur.

Pour activer votre abonnement vous devez créer un compte

Créer votre Compte
Suivez-nous Suivre Usine Nouvelle sur Facebook Suivre Usine Nouvelle sur Twitter RSS Usine Nouvelle

Les cookies assurent le bon fonctionnnement de nos sites et services. En utilisant ces derniers, vous acceptez l’utilisation des cookies.

OK

En savoir plus