Maintenance Prédictive

Maintenance prédictive n’est pas nouveau

La maintenance prédictive a existé depuis longtemps. En effet, une inspection visuelle est destinée à estimer l’état d’un équipement et de prédire son moment de défaillance. Le moment de remplacement est ainsi ajuster avec cette prédiction. Par contre, c’est la technique de prévision qui a évolué au cours du temps. Nous distinguons 4 niveaux de maturité dans la maintenance prédictive. L’utilisation de Big Data dans la maintenance représente le quatrième niveau de maturité de la maintenance prédictive. D’autres appellations rencontrées sont Industrie 4.0, maintenance prévisionnelle* et PdM 4.0.

Maintenance prédictive consiste à prévoir les défaillances futures des actifs. Ensuite, il faut prescrire la mesure préventive la plus efficace en appliquant des techniques d’analyse avancées. Le Big Data sur l’état technique, l’utilisation, l’environnement, l’historique de maintenance, les équipements similaires ailleurs sont les données d’entrées.

4 niveaux de maturité de la Maintenance Prédictive

  • Niveau 1 Inspections visuelles : inspections physiques périodiques ; les conclusions sont fondées uniquement sur l’expertise de l’inspecteur.
  • Niveau 2 Inspection instrumentale : inspections périodiques ; les conclusions sont fondées sur une combinaison de l’expertise de l’inspecteur et des données de mesure de l’instrumentation.
  • Niveau 3 Surveillance de l’état en temps réel : surveillance continue en temps réel de l’état des actifs, avec des alertes basées sur des niveaux de criticité prédéfinis.
  • Niveau 4 Maintenance prédictive : surveillance continue en temps réel des actifs, où les alertes sont basées sur des techniques prédictives, comme l’analyse régressive et souvent basées sur la combinaison/corrélation de différentes valeurs mesurées.
Maintenance prédictive

Les 4 niveaux de maturité de la maintenance prédictive

Implémentation de maintenance préventive

Dans nos projets, la maintenance préventive fait souvent partie de la solution. De plus, nous réalisons chaque année une analyse de l’évolution de la maintenance 4.0 dans l’industrie. Ainsi, nous avons créé des meilleures pratiques pour les projets d’implémentation de cette nouveauté.

les facteurs clés de succès

 

  • La disponibilité des données est considérée comme le facteur de succès critique le plus important, tandis que la technologie arrive peu après.
  • Cela peut s’expliquer par le fait qu’il est encore technologiquement difficile de collecter des données de capteurs en continu et en temps réel à partir de nombreuses ressources.
  • De grandes parties d’un patrimoine d’actifs vieillissants ne sont pas encore équipées des capteurs nécessaires ;
  • La capacité du réseau de données est mise à rude épreuve lors de la collecte de grandes quantités de données à partir de flottes de camions et de trains circulant des longues distances ;
  • Les environnements industriels dangereux nécessitent une infrastructure IoT conçue pour répondre à des exigences de sécurité spécifiques.

Etapes de réussite

 

  1. Classement de la valeur de l’actif & étude de faisabilité : Ici sont identifiés les actifs pour lesquels il est utile d’appliquer la maintenance prédictive pour augmenter la fiabilité des actifs.
  2. Sélection des actifs : Sélectionner les actifs qui peuvent être repris dans les projets pilotes, tirer les leçons des résultats et les appliquer dans le déploiement du PdM4.0 aux autres types d’actifs.
  3. Modélisation de la fiabilité (Reliability Modeling): Analyse des causes profondes (RCA) et Analyse des effets des modes défaillants (AMDE) par type d’actif pour vous orienter dans la bonne direction. De quelles données vous avez besoin pour trouver les bonnes causes et de quelles données sensorielles et quels ensembles de données externes sont nécessaires pour cela.
  4. Conception de l’algorithme prédictive: c’est vraiment l’art de l’analyse de données. Le choix d’un algorithme est le facteur le plus important pour déterminer la qualité de vos prédictions. Cela peut être relativement simple, mais il se peut aussi que des spécialistes ou des scientifiques soient nécessaires pour créer des modèles complexes.
  5. Monitoring des performances en temps réel : C’est ici que votre modèle prédictive est mis en service. L’algorithme traite les données provenant de diverses sources pour surveiller l’état de l’actif en temps réel.
  6. Prévision des défaillances : L’algorithme commencera à prédire les pannes futures. Agir sur ces prédictions peut nécessiter une étape importante de confiance au début et sera soutenue par votre propre perspicacité.
  7. Préscrire les interventions : au plus haut niveau de PdM 4.0, l’algorithme prédit non seulement quand une panne se produit, mais aussi (à partir d’une bibliothèque de tâches) quelle action corrective prendre.

Etapes d'une implémentation de Maintenance prédictive

*même si la norme NF EN 13306 :2018 utilise le terme « maintenance prévisionnelle » nous utilisons « maintenance préventive » pour plus de compréhension car c’est ce terme qui est adopté par le secteur.