Internet Industriel des Objets IIOT : Maintenance prédictive avec l'IoT – La voie vers de véritables retours

L'Internet des objets a un effet profond sur le secteur manufacturier, entraînant une automatisation accrue, des opérations plus efficaces et la création de nouveaux modèles commerciaux précieux. Bien que l'application des technologies numériques puisse apporter des avantages tout au long de la chaîne de valeur, c'est sans doute dans le domaine de la maintenance prédictive que l'impact le plus significatif peut être dérivé.

L'utilisation de capteurs et d'analyse de données signifie que les entreprises peuvent repérer les tendances de l'état et des performances de l'équipement, et prévoir avec précision quand une panne pourrait survenir. Une telle prévoyance élimine les temps d'arrêt imprévus, offrant des gains de productivité substantiels.

L'analyse de rentabilisation de la maintenance prédictive avec l'IoT

Avant de décrire comment l'IoT peut soutenir la mise en œuvre de la maintenance prédictive, il est utile de définir un certain contexte en examinant comment les activités de maintenance ont traditionnellement été effectuées. Dans la plupart des cas, la maintenance programmée utilisant des intervalles prédéterminés a été la méthode la plus courante pour réduire la probabilité de défaillance de l'équipement et de l'usine. Il y a un problème avec cela, cependant – l'âge n'est pas toujours un indicateur précis de l'état. Ainsi, cette approche préventive a souvent entraîné le remplacement de pièces ou de machines après une période spécifique, même si elles auraient pu durer beaucoup plus longtemps.

En effet, ce type de maintenance suppose une probabilité d'échec plus élevée avec une utilisation ou un âge plus élevés. Cependant, selon les recherches du groupe consultatif de l'ARC, cela ne s'applique qu'à 18% des actifs industriels, les 82% restants affichant un modèle de défaillance aléatoire. Cela entraîne inévitablement des temps d'arrêt imprévus et une perte de productivité, ainsi que d'autres facteurs moins évidents qui doivent également être pris en compte.

Une défaillance aléatoire peut endommager les autres équipements associés, ce qui entraîne des risques pour la sécurité. En outre, les temps d'arrêt imprévus nécessitent une rectification urgente, ce qui peut entraîner des paiements salariaux plus élevés en raison d'heures supplémentaires imprévues et d'autres coûts associés. En bref, la maintenance préventive présente de sérieuses limitations qui affectent le résultat net.

Donc, ce qui est nécessaire, c'est une approche véritablement prédictive – en utilisant des capteurs, une collation de données, des analyses et un apprentissage automatique pour surveiller l'équipement en continu et prévoir les pannes avec une précision beaucoup plus grande. Ce type de plan – utilisant tous les avantages de l'Internet des objets – assure la maintenance nécessaire plutôt que possible. De plus, à l'avenir, certains types de machines pourront effectuer une auto-maintenance, éliminant ainsi la nécessité d'une intervention humaine.

La taille du prix pour la maintenance prédictive au sein de la fabrication est immense.

Selon la société de conseil en gestion McKinsey, la maintenance prédictive pourrait réduire les coûts des équipements d'usine jusqu'à 40%, tout en réduisant les temps d'arrêt jusqu'à 50%. Il a également la possibilité de réduire les investissements en capital jusqu'à 5%, en prolongeant la durée de vie des actifs industriels existants. En conséquence, ces économies pourraient s'élever à 630 milliards de dollars par an d'ici 2025, prédit McKinsey. Pas étonnant que les fabricants adoptent la maintenance prédictive compatible IIoT comme moyen de transformer leurs activités.

Les technologies de base permettant la maintenance prédictive

Alors, comment fonctionne la maintenance prédictive? À un niveau supérieur, il est fourni par le rapprochement de plusieurs méga-tendances, notamment le big data, le cloud computing, le edge computing, le machine learning et la connectivité. Ensuite, le défi pour les ingénieurs de conception développant des solutions IoT est de construire une plate-forme de support en utilisant des produits de base adaptés à la tâche spécifique à accomplir. Ces produits comprennent des capteurs, des solutions filaires et sans fil, des antennes, des batteries et des connecteurs de plus en plus petits et des composants passifss pour permettre une petite connectivité, souvent distante, à faible consommation d'énergie. De plus, ces produits devront avoir été conçus pour résister à des conditions défavorables souvent rencontrées dans les environnements industriels.

Une fois en place, les données des capteurs peuvent être extraites d'actifs tels que les actionneurs, les moteurs et les entraînements, et filtrées via des passerelles de terrain, avant d'être transmises sur le cloud via la connectivité sans fil. Les données du capteur sont ensuite reconditionnées de manière efficace, de sorte qu'elles peuvent être diffusées en flux ordonné vers un lac de données pour filtrage. Une fois structurées dans un entrepôt de données volumineuses en informations plus significatives concernant des indicateurs de performance spécifiques, tels que les vibrations ou la température, les données peuvent être analysées avec un apprentissage automatique pour identifier les anomalies. À mesure que les modèles prédictifs sont construits et formés au fil du temps, ils deviennent plus précis et offrent donc plus de valeur.

Ce qui est essentiel ici, bien sûr, est de veiller à ce que les bonnes données soient collectées et les bons ensembles de données analysés. Les données IoT utilisées pour déterminer l'état d'une machine peuvent couvrir des facteurs tels que la température et les vibrations, tandis que d'autres données statiques alimentant le modèle peuvent couvrir les spécificités de la marque, du modèle ou de la configuration. Les données d'historique d'utilisation et les informations de service peuvent également être utilisées pour améliorer l'efficacité du modèle et améliorer ses résultats prédictifs.

Il doit également y avoir un élément de conscience contextuelle, prenant en compte la variabilité statique et dynamique complexe des dispositifs physiques, souvent influencée par les spécificités de l'environnement d'exploitation. En reconnaissant progressivement les modèles et en identifiant les comportements anormaux dans le contexte des types de conditions variables rencontrées dans les environnements industriels, les logiciels d'apprentissage automatique peuvent comprendre plus précisément les tendances à long terme et repérer les événements indésirables avant qu'ils ne provoquent des temps d'arrêt.

2 exemples de maintenance plus intelligente compatible IoT

Ces techniques sont déjà utilisées à bon escient dans la fabrication discrète dans le cadre d'initiatives visant à développer les usines plus intelligentes du futur. Un exemple de ceci est Sandvik, le fabricant d'outils et de systèmes d'outillage, qui s'est associé à Microsoft pour créer des équipements de coupe détectés. Cela combine la collecte de données, l'analyse en continu et l'apprentissage automatique pour informer les ingénieurs lorsque la maintenance des bits d'outils est requise, ou pour fournir une alerte de défaillance imminente.

Parallèlement, le groupe d'ingénierie ABB a développé une solution de maintenance prédictive pour les applications critiques de moteur et d'entraînement dans les environnements de fabrication. Dans cet exemple, les capteurs, le cloud computing et l'apprentissage automatique se combinent pour fournir une vue d'ensemble des performances de l'équipement afin de maintenir la production en marche comme prévu. Cela a été utilisé à bon escient chez Tenaris, le fabricant de tuyaux en acier en Italie, qui a utilisé la technologie pour surveiller les moteurs haute et basse tension exécutant des pompes et des ventilateurs critiques, 24/7. La solution de maintenance prédictive a été utilisée pour collecter et analyser les vibrations pour indiquer la défaillance des roulements et les anomalies de tension et de puissance qui indiquent un court-circuit.

Les défis de la mise en œuvre de la maintenance prédictive

Si le concept de maintenance prédictive compatible IIoT est désormais bien compris et que certaines entreprises avant-gardistes l'utilisent au sein de leurs usines, pourquoi des recherches récentes montrent-elles que l'adoption à travers la fabrication a été plus lente que prévu?

Une enquête menée auprès de 600 cadres de haute technologie par la société mondiale de conseil en gestion Bain and Company a révélé que les clients industriels étaient moins enthousiasmés par le potentiel de la maintenance prédictive en 2018 qu'ils ne l'avaient été deux ans plus tôt. Ce changement de sentiment, a déclaré Bain and Company, était dû au fait que les fabricants avaient trouvé la mise en œuvre de la maintenance prédictive plus difficile qu'ils ne l'avaient prévu, et que la compréhension des données s'était révélée plus difficile qu'ils ne l'avaient initialement pensé. Alors que des projets de validation de principe avaient été lancés, bon nombre de ces sociétés avaient identifié des préoccupations concernant les problèmes d'intégration, notamment en raison d'un manque d'expertise technique, de la portabilité des données et du risque de transition.

L'enquête a révélé que, bien que les fabricants aient conservé un enthousiasme à long terme pour la maintenance prédictive compatible avec l'IdO, de nombreuses entreprises se sont arrêtées pour réfléchir, car elles reconnaissaient que la mise en œuvre de projets numériques pourrait prendre plus de temps que prévu et que le retour sur investissement pouvait être plus long que prévu.

Six outils pour une maintenance conforme aux meilleures pratiques

Ce nouveau sens du réalisme pourrait bien s'avérer bénéfique à long terme. Alors que le battage médiatique initial autour de la maintenance prédictive s'estompe, il est probable qu'il soit remplacé par un débat plus réfléchi sur les avantages et les inconvénients de l'adoption. Il offre également l'occasion de faire le point et de tirer des enseignements des meilleures pratiques des organisations qui ont ouvert la voie.

Hitachi, par exemple, a identifié six outils et techniques principaux que tous les programmes de maintenance prédictive réussis devraient avoir pour les faire fonctionner efficacement et offrir une chance raisonnable de succès. Elles sont:

  • Petits programmes pilotes initiaux
  • Une suite technologique pour agréger des données
  • Algorithmes pour surveiller les modèles et les événements en temps réel
  • Flux de travail efficaces
  • La gestion des services
  • Un accord de gestion du changement

Ces meilleures pratiques devraient aider les ingénieurs à résoudre des problèmes tels que l'analyse de rentabilisation et la valeur promise de la maintenance prédictive, les exigences technologiques et de données, ainsi que les défis de la mise en œuvre complète et de la réalisation de cette promesse.

En fin de compte, la maintenance prédictive compatible IIoT offre un nouveau monde courageux aux fabricants qui cherchent à améliorer la productivité, à renforcer la sécurité et à réduire les coûts. Cependant, le voyage vers ce jeu de fin prendra plus de temps et aura plus de hauts et de bas que beaucoup de gens auraient pu s'y attendre.

Laisser un commentaire