Internet Industriel des Objets IIOT : Utiliser IIoT pour la maintenance prédictive n'est pas une panacée | iotosphère

La capacité à effectuer une maintenance prédictive est l'un des avantages les plus souvent mentionnés des implémentations de l'Internet des objets industriel (IIoT). Les systèmes IIoT ne sont généralement pas mis en œuvre principalement pour aider à la maintenance prédictive – la motivation initiale pour le déploiement de ces systèmes est plutôt de parvenir à un meilleur contrôle sur les processus de production, de fabrication et de production d'énergie.
Cependant, une fois que les entreprises ont sécurisé leur connectivité IoT et ont mis en place des services logiciels pour les projets IIoT, beaucoup voient l'opportunité d'utiliser les données qu'elles collectent déjà pour passer à un modèle de maintenance prédictive. Ce changement est généralement soutenu par deux préoccupations clés. Le premier est le coût des temps d'arrêt imprévus, qui s'élève à au moins 50 milliards de dollars par an dans les industries manufacturières et de production. La seconde est que les entreprises reconnaissent que la façon dont elles modélisent les fréquences de défaillance des composants clés devient obsolète.
Dans cet article, nous examinerons les raisons pour lesquelles de nombreuses entreprises des secteurs de l'aérospatiale, de la production d'énergie et de la fabrication adoptent la maintenance prédictive. Ensuite, nous examinerons certains des défis que cela implique.
Profils de pannes et maintenance prédictive
De plus en plus de preuves montrent que les approches de maintenance traditionnelles échouent. Des recherches récentes menées par Watson IoT et IBM montrent, par exemple, que les paradigmes de maintenance préventive avec lesquels la plupart des entreprises travaillent depuis les années 1960 ne reflètent pas les profils de défaillance réels de leurs machines.
Cette recherche souligne que la plupart des programmes de maintenance préventive sont basés sur une courbe «baignoire», dans laquelle les composants sont plus susceptibles de tomber en panne au début et à la fin de leur déploiement, mais qu'en réalité, seulement 4% des composants correspondent à ce profil de panne. Au lieu de cela, cette recherche a révélé que 89% des échecs se produisent au hasard, comme le montre la figure ci-dessous.

La recherche montre que près de 90% des échecs peuvent se produire de manière aléatoire (Source: IBM).
En déployant des systèmes Internet des objets capables d'alerter les opérateurs sur des défauts à petite échelle dans des composants clés ou d'évaluer la qualité des produits finis, ces profils de défaillance apparemment «aléatoires» peuvent être analysés. Cela signifie que la maintenance peut avoir lieu lorsque les composants risquent de tomber en panne, plutôt que de gaspiller des ressources pour une maintenance inutile ou de risquer des temps d'arrêt imprévus.
Ce type de maintenance prédictive présente, selon ses partisans, deux avantages principaux. Il a été démontré qu'il réduisait les coûts de maintenance de 10 à 40%, principalement en raison du déploiement plus ciblé des ressources qu'il offre. Il permet également de réduire les temps d'arrêt imprévus, car les composants sont moins susceptibles de tomber en panne de manière imprévisible.
La pile de maintenance prédictive
Il est certainement possible pour certaines entreprises de certains secteurs, travaillant avec des types particuliers de machines, d'obtenir ces avantages. Cependant, la maintenance prédictive n'est peut-être pas la panacée qu'il semble s'agir de réduire les coûts de maintenance et d'éviter les temps d'arrêt imprévus.
Pour voir pourquoi c'est le cas, il est instructif de prendre un exemple spécifique. Hitachi US, dans son guide de mise en œuvre de la maintenance prédictive, présente un tel exemple: une entreprise utilisant des éoliennes pour produire de l'électricité. Ils soulignent qu'un programme de maintenance «traditionnel» pour ce type de machines consisterait à arrêter chaque turbine à intervalles réguliers et à vérifier par les ingénieurs les défauts.
Ce type de maintenance préventive risque d'être un gaspillage – car les ingénieurs finiront par travailler sur des turbines qui ne vont pas tomber en panne de sitôt – mais ont également un rôle limité dans la prévention des temps d'arrêt imprévus – car, comme nous l'avons vu, la majorité des les défauts se produisent à des intervalles aléatoires.

Le système Hitachi IIoT utilise une pile de technologies pour implémenter la maintenance préventive. (Source: Hitachi)
La solution IIoT envisagée par Hitachi comme vu ci-dessus utilise une pile de technologies pour implémenter un système de maintenance préventive. Ceux-ci inclus:

Partenariat avec un fournisseur de logiciels en tant que service (SaaS) pour mener des programmes pilotes sur les machines,
Investir dans une suite technologique pour collecter, traiter, préparer et structurer des quantités massives de données d'appareils
Utilisation d'algorithmes sur mesure (et dans certains cas pilotés par l'IA) pour identifier et surveiller les modèles dans ces données.
L'utilisation de ces modèles pour reconstruire les flux de travail de maintenance autour de modèles prédictifs, notamment en les intégrant aux systèmes ERP et CRM pour commander des pièces de rechange et même envoyer des techniciens.
Intégrer la mise en œuvre de toutes ces étapes dans une approche de gestion du changement à l'échelle de l'entreprise.

Les défis
Bien qu'une pile IIoT de ce type soit susceptible de fournir les avantages revendiqués pour les approches de maintenance prédictive, il est également évident que l'exemple choisi par Hitachi – d'un parc éolien – est un système exceptionnellement bien adapté à la maintenance prédictive IioT. En regardant pourquoi c'est le cas, nous pouvons commencer à voir où et quand ce modèle ne convient pas.
Le premier problème, et le plus évident, avec ce type de système est le coût initial. Le type de système IIoT décrit ci-dessus repose sur l'intégration de (au moins) quatre systèmes complexes: capteurs IoT, stockage dans le cloud, logiciel d'analyse et systèmes de reporting. Pour l'entreprise moyenne, la mise en place de tous ces systèmes représentera un investissement important en matériel et logiciels, sans parler des perturbations opérationnelles qui résulteront inévitablement du processus de déploiement.
Les éoliennes dans l'exemple d'Hitachi, étant des machines relativement nouvelles, sont supposées posséder des systèmes sensoriels intégrés: les entreprises travaillant avec des machines héritées n'auront pas ce luxe, augmentant encore les coûts de déploiement.
Le deuxième problème est que tous les systèmes de production ou de fabrication ne peuvent pas être contrôlés de cette manière. Le parc éolien d'Hitachi est un candidat particulièrement bon pour la maintenance préventive car il est composé de plusieurs composants identiques. Le nombre de points de défaillance à l'intérieur de chaque turbine est relativement faible, et la puissance du système est une conséquence du fait qu'il peut repérer quand une turbine tombera en panne.
Pour de nombreuses entreprises, ce ne sera pas le cas, car leurs machines de fabrication seront constituées de cas uniques de machines critiques. L'investissement impliqué dans la création d'algorithmes sur mesure pour tous les modes de défaillance probables pour des milliers de composants uniques dépassera, dans la plupart des cas, de loin les gains de productivité qui en découlent.
Le troisième problème avec les systèmes IIoT de ce type, et que Hitachi ne semble pas prendre en compte, est la cybersécurité. La mise en œuvre du type de système IIoT dans notre exemple impliquera de fournir à chaque turbine une connectivité HTTP, des certificats SSL pour l'accès IoT et d'autres outils de sécurité IIoT.
Cela augmentera considérablement le profil de cybermenace des systèmes de production pour l'entreprise moyenne, en particulier parce que l'entreprise moyenne possède aujourd'hui 31% de ses actifs sur le terrain. Cela rend la sécurité à distance efficace à la fois extrêmement importante et extrêmement difficile.
The Bottom Line
En bref: les systèmes de maintenance prédictive basés sur la connectivité IIoT peuvent fournir à certaines entreprises des gains de productivité et d'efficacité considérables. Cependant, les entreprises qui cherchent à tirer parti de ces systèmes doivent être prudentes quant aux prétendus avantages qu’elles offrent.
Le coût de la mise en œuvre d'un système de bord IIoT entièrement formé avec des machines héritées sur mesure est susceptible de réduire les gains d'efficacité de maintenance. Si, en revanche, vos machines de production sont modernes, répétitives et suffisamment prévisibles pour rendre la mise en œuvre d'un tel système rentable, la maintenance prédictive sera un choix naturel.

Sam Bocetta est un ancien analyste de la sécurité du ministère de la Défense et un journaliste indépendant actuel spécialisé dans l'écriture sur la cybersécurité, la technologie et la cryptographie.

La publication Utiliser IIoT pour la maintenance prédictive n'est pas une panacée apparue en premier sur Embedded.com.

Laisser un commentaire