Dans le monde industriel concurrentiel d’aujourd’hui, la maintenance prédictive (PdM) n’est plus une bonne chose; c’est devenu une nécessité. Les méthodes PdM traditionnelles ont plusieurs limites. Cependant, les progrès des technologies sans fil, cloud et IA perturbent la façon dont le PdM a été réalisé au cours des dernières décennies. Les entreprises utilisent ces technologies pour offrir une solution PdM de bout en bout et facile à déployer à des prix extrêmement abordables. Cette tendance s’appelle l’Internet industriel des objets (IIoT). Selon ARC et d’autres, la maintenance prédictive est actuellement le plus grand cas d’utilisation de l’IoT dans tous les secteurs. Cet article compare et contraste les modèles traditionnels avec l’approche PdM moderne basée sur l’IoT.
Run-to-Failure et maintenance préventive
Traditionnellement, la plupart des usines ont adopté soit un modèle réactif (run-to-failure) soit un modèle de maintenance préventive (PM) en raison des coûts élevés de la maintenance prédictive. Dans un modèle réactif, une machine n’est réparée ou remplacée qu’en cas de panne. Cela entraîne des temps d’arrêt imprévus et des coûts de réparation importants. Idéalement, le cycle de défaillance est recommandé pour les actifs les moins critiques qui ont très peu d’impact sur les opérations.
Dans le cadre d’une approche de maintenance préventive, les équipes de maintenance créent des calendriers de réparation prédéfinis sans tenir compte de l’état réel de la machine. Les calendriers des bons de travail sont souvent basés sur les recommandations du fabricant. Ces horaires peuvent être peu fiables car les conditions de fonctionnement réelles de la machine peuvent être différentes des conditions de fonctionnement recommandées. De plus, des particules incorrectes peuvent entraîner des dysfonctionnements involontaires.
Dans l’une ou l’autre de ces approches, l’accent n’est pas mis sur l’évaluation et la prévision de l’état de la machine.
Maintenance prédictive traditionnelle
La maintenance prédictive fait référence à l’approche de maintenance consistant à comprendre la « santé » sous-jacente d’une machine pour déterminer si une action corrective est requise. Pour déterminer la santé des machines, des capteurs sont utilisés pour mesurer divers paramètres de la machine telles que les vibrations, la température et les ultrasons.
En surveillance continue, des capteurs câblés sont installés sur les machines et sont connectés au logiciel de gestion des actifs. Cependant, cette solution est très coûteuse et est souvent réservée au petit pourcentage des machines les plus critiques.
Pour le reste de l’équipement de l’usine, la maintenance prédictive a généralement été effectuée à l’aide d’un programme de visite. Un technicien parcourt périodiquement l’usine et collecte les données des capteurs à l’aide d’un collecteur de données.
Cependant, cette approche traditionnelle de collecte de données une fois par mois n’est pas vraiment prédictive car elle comporte plusieurs limitations.

Les solutions les plus sophistiquées vont plus loin en incluant un module d’analyse qui peut analyser toutes les données des capteurs en temps réel et automatiquement. Compte tenu de toutes les avancées récentes de l’IA, telles que l’apprentissage en profondeur et l’utilisation de puces GPU, les analyses basées sur l’IA sont capables de détecter les anomalies de la machine, de faire un diagnostic et de fournir un pronostic. Les progrès futurs dans cet espace impliquent la combinaison de plusieurs paramètres de capteur avec des informations historiques sur les bons de travail. Et tout cela se passe en temps réel !
L’avenir promet d’automatiser complètement la maintenance prédictive. Plus de collecte manuelle de données, plus besoin d’être sur place près de la machine. Et avec la technologie de l’IA, cela aide vraiment à faire évoluer le travail d’un expert en machines. L’IA peut surveiller de près toutes les machines et signaler les problèmes. Un expert n’a qu’à examiner l’état de santé des machines présentant des anomalies. L’IA remplace complètement la nécessité de configurer et de maintenir des alarmes manuelles. Ces alarmes sont difficiles à définir avec précision et, par conséquent, les utilisateurs finissent par perdre confiance en un système. Mais avec l’IA, les alarmes sont basées sur des données – des données difficiles à traiter pour les humains mais faciles à digérer pour les ordinateurs.
Historiquement, l’adoption d’une technologie de pointe impliquait un énorme investissement initial qui a souvent entraîné une adoption limitée de la technologie. Cependant, avec l’avènement de ces nouvelles technologies, ce n’est plus le cas. Les capteurs et les logiciels deviennent de plus en plus bon marché. De plus, les industries peuvent commencer petit en surveillant quelques machines critiques, puis évoluer progressivement vers l’ensemble de l’installation.
Plus important encore, toute cette technologie cool se traduit par des avantages tangibles. Les installations industrielles peuvent éliminer les temps d’arrêt imprévus, réduire les coûts de maintenance préventive et réduire les coûts de réparation imprévus.
Conclusion
Tout, de la nourriture que nous mangeons au carburant qui alimente nos voitures, des médicaments que nous consommons à l’électricité qui illumine nos maisons, est alimenté par des usines. Ces usines ont des millions de machines qui tournent, barattent, mélangent, broient et transportent les choses. La maintenance prédictive sans fil avec des analyses basées sur l’IA permet de surveiller, d’analyser et de prédire la santé de ces machines qui animent notre vie quotidienne.
Nous voyons un avenir où la maintenance préventive est entièrement remplacée par la maintenance prédictive. Des réparations ou des actions correctives ne sont nécessaires que lorsque les technologies prédictives indiquent un état de santé défaillant des machines. Avec des avantages évidents par rapport aux approches traditionnelles, la maintenance prédictive sans fil est prête à transformer la maintenance pour toujours.
À propos de votre blogueur invité :
Abhinav Khushraj est le co-fondateur et PDG de Petasense. Il apporte plus d’une décennie d’expérience dans la création d’entreprises au sein de grandes sociétés comme Citrix et Nokia. Il a également fondé deux autres startups technologiques dans le passé. Khushraj est diplômé en informatique du BITS, Pilani et d’un MBA du MIT Sloan.
Petasense propose un système de maintenance prédictive de bout en bout, facile à déployer. Ses clients – tels que Silicon Valley Power, JLL, C&W Services – surveillent leurs machines à l’aide de Petasense Vibration Motes. Les données de vibration sont envoyées au cloud en temps réel et analysées à l’aide de leur moteur d’analyse basé sur l’IA. Les utilisateurs reçoivent des alertes e-mail ou SMS en temps réel en cas de problèmes imminents. Petasense figurait parmi les 10 meilleures startups d’apprentissage automatique du concours ML Startup Competition de Google.