La maintenance prédictive n'est pas seulement une question d'IA

La maintenance prédictive consiste à exploiter les données actuelles et historiques des machines afin de comprendre et d'anticiper les problèmes de performance avant qu'ils ne surviennent. Grâce à des techniques sophistiquées Apprentissage machine d'intelligence artificielle permettant d'analyser les données générées dans les usines modernes, l'analyse prédictive permet de réduire les temps d'arrêt, d'optimiser les performances des équipements et de prolonger la durée de vie des machines.

Les promesses associées à la maintenance prédictive (PdM) sont ambitieuses. Une augmentation à deux chiffres du taux d'utilisation des actifs. Des machines intelligentes qui signalent les problèmes de performance avant même qu'ils ne surviennent. Une amélioration considérable des indicateurs TRS, TEEP et OPE.

Pour la plupart, ce monde est encore loin d'être une réalité. Et surtout, ce n'est pas un problème que les bons algorithmes prédictifs peuvent résoudre à eux seuls.

Cet article vous permettra de mieux comprendre le contexte de la maintenance prédictive. Je vous expliquerai pourquoi la maintenance prédictive ne se résume pas à une simple question d'intelligence artificielle, et je vous présenterai les étapes concrètes à suivre pour tirer le meilleur parti de votre Suivi machine .

La plupart des programmes de maintenance actuellement en vigueur dans le secteur manufacturier sont de nature préventive. La maintenance préventive (MP) est effectuée à intervalles réguliers ou lorsque les machines dépassent les seuils de production fixés.

La maintenance préventive est importante pour garantir le bon état des équipements, mais c'est un outil peu précis. Elle ne tient pas compte des conditions dans lesquelles chaque machine fonctionne, de l'usure variable des différentes pièces, ni d'autres facteurs susceptibles de prédire une panne. Elle aboutit souvent à des calendriers d'entretien plus ou moins fréquents que nécessaire. (L'exemple classique est celui de la vidange d'huile de votre voiture tous les 5 000 km, quel que soit son état de fonctionnement).

La maintenance prédictive, en revanche, utilise les données générées par une machine donnée pour dresser un tableau plus précis du cycle de vie des pièces et des équipements. En théorie, la maintenance prédictive (PdM) élimine toute approximation dans la planification de la maintenance. En offrant une visibilité sur la façon dont une machine donnée va se détériorer, la PdM permet aux fabricants de gérer la maintenance plus efficacement.

La réussite de tout projet de maintenance prédictive dépend de la qualité et de la quantité des données disponibles dans un ensemble d'apprentissage.

En d'autres termes, vous avez besoin 1.) de données suffisantes pour constituer un échantillon représentatif des performances de la machine au fil du temps, et 2.) de données qui reflètent fidèlement les performances et l'utilisation de la machine dans les conditions locales.

Pour expliquer pourquoi il est important de disposer à la fois de données en quantité suffisante et de données de qualité, je vais aborder ces deux aspects tour à tour. Commençons par la quantité.

C'est un mythe de croire qu'il faut des pétaoctets et des pétaoctets de données machine pour réussir à entraîner des algorithmes prédictifs. C'est également un mythe de penser que plus il y a de données, mieux c'est. Je suis sûr que beaucoup d'entre vous ont déjà entendu l'expression « garbage in, garbage out » (si l'on entre des données erronées, on obtient des résultats erronés) pour décrire comment un ensemble d'apprentissage de mauvaise qualité conduit à des résultats sous-optimaux.

Pour le PdM, vous avez besoin d'un volume de données suffisant pour constituer un échantillon représentatif des performances de la machine, afin de tenir compte de son utilisation dans une opération spécifique.

Selon un professeur d'ingénierie industrielle, constituer un échantillon représentatif n'est pas chose facile. « Lorsqu'il existe des milliers de variables, il faut généralement disposer de données portant sur des centaines de milliers, voire des millions de pièces, pour pouvoir établir des liens statistiques significatifs entre les problèmes et leurs causes profondes. »

Cela est particulièrement vrai lorsqu'on tient compte de ces précisions : « utilisation dans le cadre d'une opération particulière ».

Voici pourquoi : le cycle de vie des machines s'étend sur plusieurs années, voire plusieurs décennies. Pour constituer un ensemble de données représentatif, il faut donc observer une machine en fonctionnement sur une longue période. Comme l'a fait remarquer un groupe spécialisé dans le big data à propos de la maintenance prédictive : « La durée de vie des machines est généralement de l'ordre de plusieurs années, ce qui signifie qu'il faut collecter des données sur une longue période afin d'observer le système tout au long de son processus de dégradation. »

Ce problème lié aux données quantitatives est aggravé par le fait que de nombreux fabricants ne disposent pas de données historiques suffisantes. Il peut exister des informations sur les temps de fonctionnement et d'arrêt, les pièces produites et les registres de maintenance. Mais il est très hasardeux de supposer que ces informations sont exactes, et elles ne sont probablement pas assez détaillées pour fournir des informations véritablement prédictives.

De nombreux fabricants ont tenté de pallier ce manque de données en entraînant leurs algorithmes prédictifs sur des ensembles de données accessibles au public. Si la plupart des entreprises privées protègent farouchement leurs données de production, il existe un échange intense de sources scientifiques et du domaine public, et une simple recherche sur Google permet d'en trouver de nombreuses sur GitHub.

Mais même ces données ne suffisent pas à faire passer les fabricants de la gestion des projets (PM) à la gestion des produits (PdM), car elles ne reflètent pas la réalité de la production sur le terrain. Quelle que soit la taille de l'ensemble de données, celles-ci manquent de validité écologique.

Un ingénieur a bien résumé ce dilemme lié aux données en écrivant : « La plupart du temps, il est difficile (voire impossible) [sic] d'obtenir des données sur les pannes des machines, car celles-ci ne sont pas autorisées à fonctionner jusqu'à la panne en conditions réelles. De surcroît, nous devons composer avec de nombreuses interférences provenant des activités de maintenance courantes et des imputations imprécises des ordres de travail de maintenance… la réalité est dure. »

Ce qui m'amène au point suivant. Non seulement vous avez besoin d'une quantité suffisante de données, mais vous devez aussi disposer des données adéquates.

Peut-être qu'une autre façon de décrire la qualité des données dans le contexte de la maintenance prédictive suffit pour en déduire un lien de causalité.

En d'autres termes, des données de qualité sont celles qui permettent aux fabricants de dépasser le flou des corrélations pour aller au cœur des causes des pannes de machines.

C'est plus facile à dire qu'à faire, car de nombreux facteurs de production influent sur la rapidité avec laquelle une pièce ou une machine atteindra sa fenêtre de défaillance. La vitesse de rotation de la broche, le nombre d'heures de fonctionnement, la température, les vibrations, l'humidité, l'utilisation… Ce ne sont là que quelques-uns des paramètres qui interagissent de manière spécifique et qui, pris dans leur ensemble, ont un impact variable sur la durée de vie de la machine.

Comme l’a fait remarquer avec justesse un auteur: « L’état d’un équipement complexe ne peut être évalué de manière fiable en se basant uniquement sur l’analyse de chaque mesure prise isolément. Il faut plutôt prendre en compte l’ensemble des différentes mesures pour obtenir une image fidèle de la situation. »

La bonne nouvelle, c'est que les progrès réalisés dans le domaine des capteurs et de l'informatique en périphérie permettent désormais de suivre un éventail plus large que jamais d'indicateurs de performance. La mauvaise nouvelle, c'est que même les machines les mieux connectées ne prennent pas toujours en compte les causes les plus importantes de la dégradation des machines.

Selon des études récentes, 20 à 50 % des erreurs de fabrication sont dues à des erreurs humaines, certaines estimations allant même jusqu'à 70 %.

En matière de maintenance prédictive, cela signifie qu’il est tout aussi important, voire plus, de comprendre comment les machines sont utilisées que de comprendre comment elles fonctionnent. Pour que la maintenance prédictive soit aussi efficace que possible, vous devez disposer d’un registre indiquant comment les machines sont utilisées au quotidien, si elles sont correctement réglées, si les changements de production sont effectués correctement et si la maintenance est réalisée de manière adéquate.

En d'autres termes, il faut adopter une approche centrée sur l'humain pour Suivi machine.

Même si vous ne parvenez pas à mettre en place un programme complet de maintenance prédictive, il est important de prendre des mesures en faveur d'une approche centrée sur l'humain Suivi machine peut commencer à créer de la valeur presque immédiatement. De petits pas peuvent mener à des avancées considérables.

Voici quelques mesures concrètes que vous pouvez prendre pour vous lancer.

1.) Mettez votre usine en ligne dès que possible. Comme je l'ai expliqué ici, des données locales fiables constituent la pierre angulaire de la maintenance prédictive. Plus tôt vous commencerez à collecter des données sur les machines grâce à IoT, plus tôt vous pourrez exploiter ces données pour en tirer un avantage concurrentiel.

Contrairement à ce que l'on croit souvent, se lancer dans IoT pas IoT cher et ne nécessite pas de mobiliser l'ensemble de votre entreprise. Il existe des moyens simples de connecter des machines existantes, et la baisse des prix des capteurs permet de commencer à surveiller les conditions ambiantes sans dépenses considérables.

2.) Envisagez le cloud. Les volumes de données nécessaires à l'entraînement et à l'exécution des algorithmes prédictifs peuvent mettre à rude épreuve les serveurs et les ressources informatiques. Le cloud computing dans le secteur industriel constitue une option de plus en plus abordable, sécurisée et évolutive pour répondre aux besoins en stockage et en puissance de calcul de l'analyse prédictive, sans avoir à investir dans une infrastructure sur site ni à en assurer la maintenance.

3.) Comprendre ce que l'on peut attendre des algorithmes Apprentissage machine . Savoir ce que Apprentissage machine sont capables de prédire permet de déterminer quels services, machines ou processus il convient de mettre en service en priorité.

Parmi les domaines de prédiction les plus courants, on peut citer : le calcul de la durée de vie d'une machine avant une panne ; l'identification d'une période pendant laquelle une panne est susceptible de se produire ; l'identification des types de pannes les plus courants ; et la détection de comportements anormaux de la machine.

Comprendre ce que Apprentissage machine mettre en lumière est essentiel pour définir les priorités de transformation numérique.

4.) Suivez l'utilisation des machines. Suivi machine fonctionne mieux lorsque les données des machines sont complétées par des informations concernant leur utilisation. La meilleure façon d'y parvenir est de relier les personnes et les machines via des applications opérationnelles. Cela permet d'obtenir une vue d'ensemble et aide à surmonter les sources de confusion courantes.

Vous souhaitez savoir comment connecter votre usine pour obtenir des informations véritablement prédictives ? Frontline Operations Tulip recueille les données humaines et machines dont vous avez besoin pour bénéficier d'une visibilité totale sur vos processus. Contactez-nous pour découvrir comment nous pouvons vous aider à mettre vos opérations en ligne!