Internet Industriel des Objets IIOT : La maintenance prédictive IoT industrielle est une application qui tue

La maintenance prédictive de l'IoT industriel devrait générer un large éventail de transactions B2B qui nécessitent une analyse des données. En effet, l'IIoT est sur un tel modèle de croissance, plusieurs des milliards de choses connectées dans les années à venir seront des actifs industriels, qui seront déployés dans des contextes tels que les usines, l'agriculture, les raffineries de pétrole et les centrales énergétiques.
Selon McKinsey, l'Internet industriel a le potentiel de fournir jusqu'à 11,1 billions de dollars sur une base annuelle d'ici 2025 et 70% de ce montant concernera probablement les solutions industrielles et interentreprises, c'est-à-dire que l'IoT industriel devrait valoir plus de deux fois la valeur de l'internet grand public.

L'IoT industriel est au cœur de la quatrième révolution industrielle (Industrie 4.0), qui est portée par l'interconnexion de tous les actifs industriels et la capacité de collecter et d'analyser des données à partir d'eux. Dans le cadre de l'IoT industriel, les actifs sont des systèmes cyber-physiques, qui permettent le contrôle des appareils physiques à travers leurs cyber-représentations et le traitement des données numériques les concernant.
Les applications des systèmes cyber-physiques couvrent une très large gamme, y compris le contrôle de la production, l'optimisation des processus, la gestion des actifs, l'intégration de nouvelles technologies (telles que l'impression 3D et la fabrication additive), ainsi que diverses tâches d'automatisation industrielle. Néanmoins, l'application la plus importante est la capacité de surveiller, de prévoir et d'anticiper en permanence l'état des actifs, en mettant l'accent sur la maintenance prédictive de l'IoT industriel en utilisant des prédictions sur le moment où un équipement doit être entretenu ou réparé.

La maintenance prédictive de l'IoT industriel est la clé de l'industrie 4.0

Les opérations de maintenance et de réparation (MRO) sont au cœur des opérations industrielles, car elles impliquent la réparation de dispositifs mécaniques, électriques, de plomberie ou autres afin d'assurer la continuité des opérations. De nos jours, la majorité des opérations de MRO sont effectuées sur la base d'un paradigme de maintenance préventive, qui vise à remplacer les composants, pièces ou autres équipements, avant leur endommagement, ce qui pourrait avoir des conséquences catastrophiques telles qu'une faible qualité de production et l'arrêt des opérations pour un temps considérable. Cependant, dans la plupart des cas, la maintenance préventive ne conduit pas à la meilleure utilisation de l'équipement (c'est-à-dire l'efficacité optimale de l'équipement d'exploitation (OEE)), car sa maintenance est généralement planifiée plus tôt que nécessaire.
Dans la maintenance prédictive industrielle de l'IoT (PdM), les limites des approches préventives sont atténuées. PdM est basé sur des prédictions sur l'état futur des actifs, avec un accent particulier sur l'anticipation du moment où un actif échouera afin de planifier correctement sa maintenance.
PdM s'appuie sur des modèles qui estiment que le coût de la maintenance devient (statistiquement) inférieur au coût associé au risque de défaillance de l'équipement.
Basé sur une planification optimale de la maintenance, PdM permet une amélioration de l'OEE, une productivité accrue des employés, une augmentation de la qualité de la production, une réduction des temps d'arrêt des équipements, ainsi qu'un environnement plus sûr où les pannes sont anticipées et les réparations planifiées de manière proactive. McKinsey & Co. estime que les économies économiques de la maintenance prédictive pourraient atteindre 240 à 630 milliards de dollars en 2025.
Néanmoins, il existe de nombreuses industries qui disposent d'une maintenance préventive, car elles n'ont pas de moyen facile d'intégrer et d'analyser les ensembles de données de milliers de capteurs hétérogènes qui sont généralement disponibles dans leurs usines. En conséquence, seule une fraction (soit 1% selon McKinsey & Co) des données disponibles est utilisée, ce qui constitue un sérieux revers pour libérer le potentiel des applications de maintenance prédictive, telles que la maintenance en tant que service, le calcul en ligne de l'OEE risques, calendriers de production axés sur la maintenance et plus encore.
L'avènement de la maintenance prédictive de l'IoT industriel libère progressivement le potentiel des technologies PdM, facilite la collecte et l'intégration des données de milliers de capteurs différents, tout en fournissant les moyens d'unifier la sémantique des divers ensembles de données. De plus, les technologies d'analyse IoT (notamment l'analyse prédictive) facilitent le traitement des flux de données IoT avec des taux d'ingestion très élevés basés sur l'apprentissage automatique et des techniques de traitement statistique qui peuvent prédire l'état futur des composants et des équipements.
Dans plusieurs cas, les données IoT sont traitées par des techniques basées sur l'intelligence artificielle telles que le deep learning, afin d'identifier les modèles cachés concernant la dégradation des actifs. Les techniques d'apprentissage en profondeur sont capables de tirer parti des données (multimédias) de multiples modalités de maintenance telles que la détection des vibrations, l'analyse de l'huile, l'imagerie thermique, les capteurs acoustiques et plus encore. De plus, les déploiements avancés de maintenance prédictive industrielle de l'IoT ne se limitent pas à dériver des prédictions sur l'état futur des actifs. Au contraire, ils sont capables de fermer la boucle vers le bas de l'usine, par exemple en modifiant les configurations des calendriers de production, en modifiant les cadences opérationnelles des machines ou même en pilotant les fonctions d'automatisation.

Hausse des produits et services de maintenance prédictive industrielle de l'IoT

Le PdM se profile comme l'une des applications les plus meurtrières pour l'IoT industriel, ce qui est évident non seulement sur ses économies potentielles mais également sur la montée en puissance des produits et services basés sur l'IoT. La plupart des fournisseurs ont récemment publié des solutions basées sur l'IoT pour PdM. En plus de permettre la collecte et l'analyse des données, les fournisseurs s'efforcent d'améliorer leurs produits avec des fonctionnalités à valeur ajoutée qui les aident à se démarquer sur le marché. Par exemple:

La solution de maintenance prédictive IBM est en mesure d'effectuer une analyse des causes profondes de manière globale, y compris des prédictions sur où, quand et pourquoi les pannes d'actifs se produisent.
La solution de Software AG pour la maintenance prédictive industrielle de l'IoT s'intègre à l'ERP et aux systèmes de ressources humaines pour planifier automatiquement l'allocation optimale des tâches aux techniciens.
SAP intègre les informations de maintenance prédictive aux informations commerciales (par exemple, les systèmes CRM et ERP) et aux systèmes de gestion des actifs d'entreprise (MAE). À cet effet, il bénéficie de sa forte présence et de sa base installée sur le marché des ERP.
Microsoft propose des solutions PdM sur sa suite Azure IoT d'une manière qui propose des solutions préconfigurées (modèles) pour surveiller les actifs et analyser leur utilisation en temps réel.

Récemment, la plate-forme DataRPM a également été créée par un consortium de différents fournisseurs et fabricants. DataPRM revendique la capacité de fournir la maintenance prédictive cognitive (CPdM) pour l'IoT industriel, basée sur l'utilisation de l'intelligence artificielle pour automatiser les prédictions de défaillances des actifs et fermer la boucle à l'ERP, au CRM et à d'autres systèmes d'information d'entreprise.
D'autres acteurs majeurs de l'ingénierie industrielle et de l'automatisation, tels que SIEMENS et BOSCH proposent leurs propres plates-formes, tandis que toutes les grandes entreprises de conseil en informatique ont des services pertinents dans leur portefeuille. Néanmoins, il est révélateur de l'élan du marché de PdM et de son positionnement comme l'une des applications les plus importantes sur le marché en pleine croissance de la maintenance prédictive de l'IoT industriel.
À propos de Kelley ReinhardtPartner | Consultant en recherche de cadres retenu avec plus de 25 ans de recrutement de cadres supérieurs et de leaders fonctionnels dans les services d'ingénierie de réseaux mobiles et d'automatisation industrielle, y compris la robotique, la SCM, la fabrication, la RPA, l'IIoT et l'éclairage LED. 27 octobre 2019Facing New Cyber ​​Warfare Tactics – Implement CCI Methods – 15 août 2019Candidate Video Interviews the Good, the Bad, and the Ugly – 13 août 2019 Recrutement – 14 juin 2019Job Boards Impending Death Recruiting Insights – 14 juin 2019Programme de reconnaissance des employés 3 raisons pour lesquelles cela fonctionne – 7 juin 2019Industrial Robotics Cyber ​​Security Challenges in IIoT – 7 juin 2019 Grilles de services publics évolutives pour l'équilibre de la production d'électricité – 7 juin 2019

Laisser un commentaire