IOT et industrie : ▷ Un guide complet de la maintenance prédictive basée sur l'IoT 【Cours en ligne GRATUITS】 ✔️✔️✔️

Depuis des années, les fabricants pratiquent une approche temporelle de la maintenance des équipements. Ils avaient l'habitude de prendre l'âge des machines comme facteur pour planifier la routine d'entretien. Plus l'équipement est ancien, plus les procédures d'entretien doivent être fréquentes. L'étude du groupe ARC indique cependant que dans le monde, seulement 18% des équipements sont tombés en panne en raison de leur âge, tandis que 82% des pannes se produisent de manière aléatoire. Cela prouve qu'une approche basée sur le temps n'est pas rentable – un équipement est entretenu indépendamment du besoin réel.
Pour éviter une routine de maintenance inefficace et les coûts qui l'accompagnent, les fabricants peuvent tirer parti de l'IoT industriel et de la science des données. Dans cet article, nous expliquerons comment la maintenance prédictive basée sur l'IoT contribue à optimiser le processus de fabrication.

Cours en ligne GRATUITS. Obtenir une certification!

Nous respectons votre vie privée. Voir nos conditions et confidentialité.

Cours en ligne GRATUITS. Obtenir une certification!

Nous respectons votre vie privée. Voir nos conditions et confidentialité.

Pourquoi l'IoT?
Vous vous demandez peut-être: pourquoi devrais-je déployer une solution IIoT s'il y a du bon vieux SCADA pour maintenir les activités de maintenance? Voyons voir.
La maintenance prédictive nécessite la capacité de traiter de grandes quantités de données et d'exécuter des algorithmes sophistiqués, ce qui n'est pas possible avec une implémentation locale dans SCADA. Une solution basée sur l'IoT, d'autre part, permet de stocker des téraoctets de données et d'exécuter des algorithmes d'apprentissage automatique sur plusieurs ordinateurs en parallèle pour prévoir les dangers potentiels et localiser les équipements industriels susceptibles de tomber en panne.
Pour une solution de maintenance prédictive robuste basée sur l'IoT, une architecture réfléchie est indispensable.
Voyons quels composants effectuent des travaux de maintenance prédictive et comment ils coopèrent entre eux, illustré par l'exemple d'une solution IIoT qui prédit la fin de vie des batteries industrielles.
Une architecture de maintenance prédictive basée sur l'IoT
Avant d'entrer dans les détails techniques, il est important d'identifier les variables clés qui déterminent la santé d'une batterie. Ce sont la température, la tension et la décharge. Une fois les variables identifiées, les batteries sont équipées de capteurs pour collecter les données sur ces paramètres et les transmettre au cloud pour traitement.
Les données des capteurs ne peuvent pas passer directement dans le cloud – elles passent par des passerelles. Les passerelles de champ sont des dispositifs physiques qui filtrent et prétraitent les données. Une passerelle cloud assure une transmission de données sécurisée et fournit une connectivité via divers protocoles, ce qui permet de connecter diverses passerelles de terrain.
Une fois que les données des capteurs entrent dans la partie du cloud, elles «atterrissent» sur un processeur de données en streaming. Son but est de permettre un flux continu de données et de transmettre rapidement et efficacement des flux de données à un stockage de données – un lac de données.
Un lac de données stocke les données recueillies par des capteurs. Il est encore brut, il peut donc être inexact, erroné ou contenir des éléments non pertinents. Il est présenté sous la forme d'un certain nombre d'ensembles de lectures de capteur mesurées au moment correspondant. Lorsque les données sont nécessaires pour obtenir des informations sur la santé de la batterie, elles sont chargées dans un entrepôt de données volumineuses.
L'entrepôt de Big Data stocke des données structurées nettoyées. Il contient des paramètres de température, de tension et de décharge mesurés à un moment particulier et des informations contextuelles sur les types de batteries, les emplacements, les dates de recharge, etc.
Une fois les données préparées, elles sont analysées avec des algorithmes d'apprentissage automatique (ML). Les algorithmes ML sont appliqués pour révéler les corrélations cachées dans les ensembles de données et détecter les modèles de données anormaux. Les modèles de données reconnus se reflètent dans les modèles prédictifs.
Des modèles prédictifs sont construits, formés et ensuite utilisés pour identifier si l'autodécharge se produit dans une batterie, localiser les batteries avec une capacité inférieure à la normale ou estimer la durée de vie restante des batteries. Les modèles prédictifs utilisés pour la maintenance prédictive des batteries industrielles sont construits sur la base de deux approches:

Approche de classification – les modèles construits selon cette approche identifient si une batterie est susceptible de se décharger d'elle-même et montrent si la capacité d'une batterie est inférieure à la normale ou non.

Approche de régression – les modèles fournissent des informations sur le nombre de jours / cycles restants jusqu'à la fin de la durée de vie utile d'une batterie.

Les modèles prédictifs sont régulièrement mis à jour, disons, une fois par mois et testés pour leur précision. Si la sortie diffère de celle attendue, elles sont révisées, recyclées et testées à nouveau, jusqu'à ce qu'elles fonctionnent comme prévu.
Avant de passer à l'apprentissage automatique, une bonne quantité d'analyses exploratoires doit être effectuée. L'analyse des données est effectuée pour trouver des dépendances et découvrir des modèles et des informations dans les ensembles de données d'apprentissage automatique. De plus, pendant la phase d'analyse exploratoire, diverses hypothèses techniques sont évaluées pour aider à sélectionner l'algorithme d'apprentissage automatique le mieux adapté.
Les applications utilisateur permettent une solution de maintenance prédictive basée sur l'IoT pour alerter les utilisateurs d'une défaillance potentielle de la batterie.

Bien qu'elle ne soit pas pertinente pour le boîtier de batterie, une architecture de maintenance prédictive peut inclure des composants supplémentaires, tels que des actionneurs et des applications de contrôle. Sur la base des résultats de la prédiction, des applications de contrôle peuvent être définies pour envoyer des commandes aux actionneurs de l'équipement. Par exemple, si la température d'un moteur monte à un point critique, les applications de contrôle peuvent envoyer une commande pour mettre une machine en mode de refroidissement. De plus, les applications de contrôle peuvent être intégrées aux systèmes de maintenance.
Maintenance prédictive par les industries
Ces composants d'architecture universelle sont utilisés pour «construire» des solutions de maintenance prédictive pour diverses industries. Ci-dessous, nous listons les applications de maintenance prédictive possibles et fournissons des exemples de fabricants qui ont déjà mis en œuvre des solutions de maintenance prédictive basées sur l'IoT.
Fabrication discrète
Les principaux fabricants discrets utilisent la maintenance prédictive basée sur l'IoT pour surveiller, par exemple, la santé des broches des fraiseuses. Ils ont tendance à se casser, tandis que leur réparation coûte cher. Une solution de maintenance prédictive basée sur l'IoT peut aider à prévoir les dommages potentiels en collectant des données à partir de capteurs à ultrasons et de vibrations attachés à la broche. L'analyse des données collectées permet d'identifier les broches fragiles avant qu'elles ne se cassent.
Par exemple, le groupe Volvo a déployé une solution de maintenance prédictive basée sur l'IoT qui prédit les dommages de la broche ainsi que les fissures et l'écaillage des équipements rotatifs, les engrenages et les défauts du moteur. En conséquence, ils ont amélioré l'OEE en réduisant les temps de diagnostic jusqu'à 70% et les temps de réparation – de plus de 20%.
Fabrication de processus
Dans la fabrication de processus, les entreprises de transformation de pâte et de papier utilisent IIoT pour surveiller l'état des machines à papier. Par exemple, l'usine de Maastricht a équipé ses rouleaux de presse de capteurs de température et de vibrations et a déployé une solution de maintenance prédictive basée sur le cloud pour prévoir les dommages des roulements et des engrenages.

Planification de la maintenance d'un rouleau de presse en fonction d'une prédiction de défaillance de couverture
Un autre exemple est l'industrie sidérurgique. Les aciéries ont plusieurs fours qui utilisent des panneaux de refroidissement à eau pour contrôler la température. Les fuites dans les panneaux peuvent entraîner des problèmes de sécurité et des pertes de production. Une solution de maintenance prédictive basée sur l'IoT peut aider à détecter les anomalies et à effectuer une analyse des causes profondes, évitant ainsi les retards de production et les pannes d'équipement.
Pétrole et gaz
Les sociétés pétrolières et gazières bénéficient particulièrement de l'application de solutions de maintenance prédictive. L'inspection physique de l'équipement de production de pétrole et de gaz oblige le personnel à se rendre dans un environnement dangereux pour examiner l'équipement, ce qui, dans certains cas, n'est pas réalisable. La maintenance prédictive basée sur l'IoT permet aux sociétés pétrolières et gazières d'identifier les défaillances potentielles et d'augmenter la production d'actifs hautement critiques.
Par exemple, Chevron s'est tourné vers le développement IoT pour déployer une solution de maintenance prédictive qui aide à identifier la corrosion et les dommages aux pipelines. La solution utilise des capteurs installés sur le pipeline pour mesurer le pH, la teneur en CO2 / H2S gazeux et aqueux, ainsi que le diamètre et l'épaisseur internes du pipeline. La solution récupère les données des capteurs en temps réel et les transmet au cloud pour évaluation, analyse et prédiction.

Le département américain de l'Énergie déclare que, pour les sociétés pétrolières et gazières, la mise en œuvre de la maintenance prédictive entraîne une réduction des coûts de maintenance de 30%, l'élimination des pannes de 70% et la réduction des temps d'arrêt de 40%.
Industrie de l'énergie électrique
Les centrales électriques doivent assurer une alimentation électrique fiable, en particulier pendant les périodes de pointe de la demande. Une solution de maintenance basée sur l'IoT peut aider à garantir une production d'énergie ininterrompue et à détecter les défauts évolutifs des composants rotatifs d'une turbine à gaz / éolienne / vapeur. Pour cela, une turbine est équipée de capteurs de vibrations. Les données collectées par les capteurs sont relayées vers le cloud et exécutées à travers des algorithmes ML pour déterminer les performances de chaque turbine. Par exemple, Florida Power & Light s'est tourné vers le développement IoT pour déployer une solution de maintenance prédictive qui estime lorsque les turbines fonctionnent de manière inefficace ou sur le point de tomber en panne.

Planification de la maintenance d'une éolienne en fonction d'une prévision de défaillance du roulement principal
Les chemins de fer
Les compagnies ferroviaires appliquent une maintenance prédictive basée sur l'IoT pour s'assurer que les rails et le matériel roulant sont en bon état. Par exemple, les chemins de fer BNSF ont déployé des détecteurs de force, des caméras de vision, des capteurs infrarouges et acoustiques pour identifier les défauts dans les capacités de freinage des wagons de marchandises, les frottements excessifs dans les roues et les roulements, les courbes des rails et les dommages des voies droites. Les données collectées par les capteurs sont relayées vers le cloud pour analyse et exécutées à travers des algorithmes ML pour révéler des modèles de données malsains qui conduisent à des ruptures. La solution contribue à améliorer la sécurité, la fiabilité et la vitesse du matériel roulant, ainsi qu'à réduire les retards de train causés par des dysfonctionnements de l'équipement.

Construction
Dans la construction, une maintenance prédictive est appliquée pour surveiller l'état des machines lourdes, par ex. pelles, bulldozers, chargeuses, élévateurs, etc. Des capteurs peuvent être attachés à une machine pour surveiller la température de transmission et de freinage, le régime moteur, la pression des pneus, la consommation de carburant et d'autres valeurs. Par exemple, Komatsu a équipé sa flotte de capteurs de pression, de vibrations et d'ultrasons, qui collectent des données sur les paramètres critiques influençant les performances et les transmettent au cloud. Le nuage identifie les problèmes potentiels avec les systèmes de post-traitement des gaz d'échappement, ainsi que les dommages aux composants rotatifs et statiques.
Résumer
Selon le rapport McKinsey, la maintenance prédictive basée sur l'IoT prolonge la durée de vie de l'équipement, aide à éliminer jusqu'à 30% de la routine de maintenance basée sur le temps et réduit les temps d'arrêt de l'équipement de 50%. Cependant, pour une solution de maintenance prédictive mature et fiable, une architecture réfléchie axée sur l'apprentissage automatique est cruciale.

De la feuille de route à l'évolution – nous vous guiderons à chaque étape de l'initiative IoT!

Laisser un commentaire