Internet Industriel des Objets IIOT : Maintenance prédictive (PdM) – maintenance proactive rendue prédictive

La maintenance prédictive (PdM) a toujours semblé être le cas d'utilisation parfait pour l'Internet des objets (IoT), plus spécifiquement pour l'IoT industriel (IIoT) et les environnements où la disponibilité des actifs spécifiques est critique et les pannes peuvent avoir des conséquences importantes pour plusieurs raisons.
La pierre angulaire du succès de la maintenance prédictive est l'exactitude des prévisions et la connexion des sorties du modèle prédictif avec les processus de maintenance d'entreprise (Jan Burian, IDC Manufacturing Insights)
Pas étonnant que la maintenance prédictive soit toujours l'un des cas d'utilisation les plus souvent mentionnés dans l'industrie 4.0. Cependant, PdM ne se résume pas à une fabrication intelligente. Les industries / segments avec la maintenance prédictive comme cas d'utilisation incluent en outre le transport, le pétrole et le gaz, les industries de process en général et de nombreux segments avec des environnements électriques critiques. En termes simples: où les scénarios et les cas d'utilisation sont ceux où PdM a le plus de sens – la valeur commerciale -.
Bon nombre des principales technologies souvent citées dans le contexte de l'industrie 4.0 (peuvent) jouer un rôle dans la maintenance prédictive et ses évolutions: big data, IA et ML (intelligence artificielle et apprentissage automatique), IoT, cloud computing, data analytics et , de plus en plus, le edge computing et les jumeaux numériques.
L'IIoT, en combinaison avec l'analyse prédictive et le ML, sont cependant les principaux moteurs de l'étape plus mature de la maintenance prédictive.

Des données exploitables, souvent en temps réel, sur des facteurs prédéfinis sont collectées à partir de capteurs et des algorithmes d'analyse prédictive sont appliqués pour prédire quand quelque chose pourrait se produire – et donc une maintenance proactive, appelée prédictive dans ce cas, est nécessaire.

L'idée derrière la maintenance prédictive est simple et suffisamment attrayante et est similaire à d'autres formes de maintenance proactive avec certains avantages (et inconvénients) supplémentaires: une défaillance inattendue de l'équipement avec toutes les conséquences connexes peut être évitée, et la maintenance peut se produire avant que quelque chose ne se produise, au lieu de après les faits (maintenance réactive et en cas de panne), lorsque cela est jugé utile et possible. Ainsi, la maintenance prédictive est l'une des méthodes de maintenance permettant d'effectuer ce type de maintenance proactive et prend le plus de temps et de compétences à mettre en œuvre. En d'autres termes: il est important de l'utiliser lorsque cela a un sens. La maintenance prédictive n'est certainement pas le Saint Graal de la maintenance, elle a aussi ses limites.
Maintenance prédictive dans le cadre de la maintenance 4.0
L'utilisation de la maintenance prédictive est moins courante que les fournisseurs de solutions ne le souhaiteraient, et les clients, à l'exception de secteurs et segments spécifiques, ont jusqu'à présent été plus lents à l'adopter que ce qui était prévu au début de l'Internet des objets. Cependant, les choses recommencent à changer.
Dans le cadre de cet article, nous définissons la maintenance prédictive comme ce qui est également connu sous le nom de Maintenance 4.0, ou PdM 4.0, en corrélation avec les technologies mentionnées et les systèmes associés (par exemple, GMAO ou Système de gestion de maintenance informatisé).
En raison des progrès de l'IA et de l'augmentation des points de données, les analyses sophistiquées deviennent de plus en plus importantes et représentent une part plus importante du budget global de maintenance prédictive (IoT Analytics)
La raison: la maintenance prédictive en tant que telle n’est pas nouvelle et, au sens traditionnel, elle n’est même pas nécessairement liée à ces technologies, car de simples inspections – visuelles et instrumentales – permettent également une maintenance prédictive. Avec IIoT, l'apprentissage automatique et ainsi de suite, ce qui est maintenant souvent appelé maintenance prédictive, est en fait une étape plus avancée de PdM, avec plus de sources de données. D'autres utiliseront la surveillance conditionnelle et la maintenance prédictive de manière interchangeable.
Pourtant, avec les inspections visuelles et les inspections des instruments, la surveillance de l'état en temps réel est considérée comme une évolution de PdM, l'état de maintenance prédictive plus «  moderne '' et mature, comme dit, a été appelé, entre autres, PdM 4.0 (ce n'est pas le seul modèle), le 4.0 faisant évidemment référence à l'Industrie 4.0 et son usine intelligente, et avec PdM 4.0 comme quatrième étape de maturité dans l'évolution de la maintenance prédictive si vous voulez.
PdM 4.0 et ses objectifs dans l'évolution de la maturité de la maintenance prédictive – source voir présentation ci-dessous
Les inconvénients de la maintenance réactive (alias maintenance en cas de panne) par laquelle l'équipement / les actifs sont réparés après une panne sont suffisamment clairs. Cela ne signifie pas pour autant que la maintenance réactive est mauvaise.
Eh bien, au contraire, la maintenance réactive dans de nombreux cas fait partie d'un choix stratégique et le type de maintenance dépend de nombreux facteurs tels que les conséquences d'une défaillance de l'équipement et s'il est commercialement ou autrement intéressant d'investir dans des méthodes de maintenance plus proactives ou non ( et si oui, dans lequel). C’est toujours un mélange et parfois une maintenance prédictive ne sera même pas possible, encore moins une bonne option.
Pourtant, avec des actifs qui sont essentiels et doivent être disponibles à tout moment pour l'une ou l'autre raison (de nombreux exemples où une défaillance de l'équipement peut entraîner des coûts astronomiques, d'énormes dommages à la réputation ou pire encore), les options alternatives sont meilleures, même si elles viennent avec plus de planification et d'investissements initiaux. Tout dépend de l'importance de l'actif dans une perspective plus large.
La surveillance de l'état et la maintenance prédictive des actifs de production complexes sont encore loin des solutions plug and play
La maintenance prédictive n'est également qu'un de ces moyens d'agir avant que quelque chose ne tombe en panne (maintenance proactive), plutôt qu'après les faits. Une autre forme de maintenance proactive est la maintenance préventive qui vise également à réduire les risques de dysfonctionnement.
Parfois, ces approches de maintenance seront combinées avec des approches de redondance par lesquelles les organisations cherchent des moyens de poursuivre leurs opérations, même si quelque chose tombe en panne. Cela peut par exemple être le cas dans des environnements où les enjeux sont très importants. Exemple: comme Aimen Abd-el-azim l'explique dans une interview sur l'automatisation des postes, pour s'assurer que l'ensemble du réseau électrique fonctionne dans le bon environnement et dans des conditions optimales, dans les infrastructures critiques, le matériel principal est souvent dupliqué avec différents algorithmes (à partir d'autres fournisseurs) pour garantir que l'un fonctionnera si le second tombe en panne ou est temporairement hors service.
PdM 4.0 – la prochaine étape après la surveillance de l'état dans la maintenance prédictive
Comme nous l'avons dit, la maintenance prédictive est souvent appelée surveillance des conditions, mais la surveillance des conditions en temps réel est considérée comme une étape de maturité plus précoce dans le cadre plus large de la surveillance prédictive de la maintenance de PdM 4.0.
Nous ne développerons pas trop là-dessus pour l'instant car la surveillance basée sur les conditions et la surveillance prédictive telles qu'elles sont comprises aujourd'hui sont loin d'être omniprésentes, mais si vous voulez en savoir plus, consultez cet article de blog de Jan Burian, directeur de recherche, IDC Manufacturing Insights sur l'évolution du rôle de la maintenance des entreprises dans le secteur manufacturier.
Surveillance de l'état et maintenance prédictive comparée en bref:
La surveillance de l'état examine des paramètres prédéfinis (par exemple, avec l'analyse et le diagnostic des vibrations, l'analyse de l'huile, la surveillance de l'état du moteur et l'analyse de la signature du courant du moteur, l'analyse thermique ou tout autre type de technique pertinent pour l'équipement surveillé) et compare les paramètres avec des paramètres prédéfinis seuils grâce auxquels la visualisation permet de vérifier l'état de la machine.
La maintenance prédictive utilise des moteurs ML avec ces paramètres de l'équipement surveillé comme base, mais la différence réelle concernant ce que l'apprentissage automatique et les prévisions disent ce qui est susceptible de se produire dans un laps de temps spécifique et avec une probabilité spécifique. En règle générale, cela signifie également que la maintenance prédictive utilise plus de sources de données et d'ensembles que les données de capteur de la surveillance de l'état et les données enregistrées numériquement de l'étape précédente, l'inspection des instruments.
La différence peut sembler petite, mais ce n'est pas le cas. La maintenance prédictive utilise des données de surveillance, mais elle en utilise plus et, surtout, en fait plus avec les données. Il prédit, en effet.
La présentation au bas de ce blog va un peu plus en détail et rend les différences plus tangibles avec des informations supplémentaires sur ce qu'il faut considérer lors de la mise en œuvre de la maintenance prédictive.
Le marché de la maintenance prédictive et quelques conseils
IoT Analytics s'attend à ce que le marché des solutions de maintenance prédictive atteigne 23,5 milliards de dollars d'ici 2024.
Le graphique ci-dessous montre que l'on estime en outre qu'en 2024, les utilisateurs de PdM économiseront 188 milliards de dollars en plus d'autres avantages tels qu'une meilleure conformité réglementaire et une sécurité accrue. Vous pouvez également voir certains des défis et des changements concernant l'adoption de la maintenance prédictive.
Les initiatives de maintenance prédictive devraient permettre aux organisations d'économiser 188 milliards de dollars en 2024 à mesure que le marché évolue – source et plus d'informations
De toute évidence, il existe beaucoup plus de recherches sur le marché. Restez à l'écoute pour plus de détails, concernant également les industries qui utilisent le plus PdM avec des conseils stratégiques supplémentaires concernant l'utilisation de la maintenance prédictive et en attendant consultez la présentation promise ci-dessous qui est largement basée sur les travaux de PwC.
Tenez compte du fait que plusieurs défis ont eu un impact négatif sur l'adoption du PdM, ce qui est un aliment pour une prochaine contribution. Pour l'instant, concluons avec quelques conseils de Jan Burian d'IDC pour les décideurs parmi vous: «La surveillance des conditions et la maintenance prédictive des actifs de production complexes sont encore loin des solutions plug and play. Une préparation détaillée sur la personnalisation et le réglage fin sont des facteurs de succès cruciaux. Déployez d'abord la surveillance avancée des conditions, puis regardez où les modèles prédictifs pourraient être déployés. Pensez à créer des jumeaux numériques des actifs et des processus et combinez les données des agrégats d'actifs, du processus de production et de l'environnement de production ». Plus dans son article.
 

Le choix de la bonne stratégie de maintenance commence par la compréhension des différents types, et il y en a un certain nombre en effet. En plus de la maintenance préventive et prédictive, il existe une maintenance productive réactive (en continu jusqu'à la panne), basée sur les risques et les conditions, centrée sur la fiabilité, la productivité totale et bien plus encore.
Données et préparation de la maintenance prédictive
La combinaison précise des stratégies de maintenance dépend des actifs, de leur place et de leur importance dans divers scénarios. Il est clair qu'avec la maintenance prédictive, les données sont essentielles à tous points de vue: la collecte et l'analyse des données, les différentes sources de données et la capacité de les exploiter et de s'intégrer aux systèmes existants, les compétences disponibles en matière de données, les systèmes de données nécessaires et la qualité des données.
Si vous n'utilisez pas encore la maintenance prédictive au sens de PdM 4.0 mais envisagez de le faire à l'avenir lorsque l'analyse de rentabilisation sera plus claire, commencez déjà à stocker les données qui seraient pertinentes une fois que vous opterez effectivement pour PdM.
Un manque de compétences en données et des problèmes concernant la qualité des données sont des défis importants pour le déploiement de la maintenance prédictive
De toute évidence, il ne s'agit pas seulement de rassembler. L'un des grands défis de la maintenance prédictive, compte tenu des différentes sources de données et de l'implication, par exemple, de l'OEM de la machine, est la combinaison de tous les ensembles de données à exploiter pour la maintenance prédictive. Souvent, les données sont collectées mais restent ensuite dans un lac de données sans qu'aucune mesure ne soit prise. En fait, l'une des principales raisons pour lesquelles les organisations ne sont pas prêtes pour PdM 4.0 est qu'elles n'utilisent pas les données qu'elles possèdent déjà, en s'appuyant toujours sur Excel, par exemple, et ne voient donc aucune utilité pour collecter encore plus de données.
La collecte de données est une chose, l'intégration, et surtout être en mesure d'en tirer les informations nécessaires et d'en valoriser une autre. C'est aussi la raison pour laquelle la maintenance prédictive n'a pas été adoptée aussi largement que prévu dans la mesure où la recherche l'indique.
Pour réussir la maintenance prédictive, l'organisation – et les services (informatique, data data, business, opérateurs,…) et partenaires impliqués – doivent disposer des compétences nécessaires au niveau des technologies big data, business intelligence, data warehouse, etc. De plus, et ceci est crucial, il doit y avoir un accent inconditionnel sur la qualité des données.

                                

Laisser un commentaire