IOT et industrie : Au-delà de la boîte noire de la maintenance prédictive

Dans le cadre du crescendo du bruit entourant l'Internet industriel des objets (IIoT), la maintenance prédictive est généralement considérée comme l'un des arguments initiaux les plus convaincants pour aller de l'avant. Cependant, au fur et à mesure que les fabricants progressent dans les implémentations, ils constatent que la collecte de données à partir des actifs connectés n'est que la pointe de l'iceberg. Identifier les bonnes données, contextualiser ces données afin qu'elles soient mappées aux objectifs souhaités et relier l'ensemble du processus aux flux de travail existants, c'est là que le vrai gros du travail entre en jeu, créant des obstacles pour toutes les entreprises sauf les plus progressistes.

L'ampleur du saut – passer de processus de collecte de données et de maintenance de presse-papiers vieux de plusieurs décennies exécutés par le personnel de l'usine à des flux de travail numériques pouvant être automatisés et orchestrés par des travailleurs à distance – requiert un certain niveau de confiance et une maturité de l'infrastructure numérique non pourtant omniprésente chez la majorité des fabricants. De nombreux actifs industriels hérités ne sont toujours pas équipés de capteurs, et encore moins connectés, ce qui empêche toute collecte potentielle de données. De plus, la plupart des fabricants ne savent pas encore comment créer et appliquer l'apprentissage automatique et les modèles prédictifs pour piloter ces workflows de maintenance de nouvelle génération.

«Malgré le buzz IIoT, il y a beaucoup de FUD (peur, incertitude et doute)», explique Kevin Starr, directeur du programme mondial de service avancé pour ABB. "Les entreprises savent qu'il y a vraiment une révolution industrielle à l'horizon et il y a beaucoup de discussions, mais elles ne veulent pas se tromper et doivent refaire leurs efforts."

Les fabricants ont adopté le concept de maintenance prédictive comme un cas d'utilisation de retour sur investissement (ROI) élevé pour IIoT, espérant en bénéficier en éliminant les temps d'arrêt, en rationalisant les appels de service et en réduisant les coûts de maintenance. Bien que ces mesures soient un avantage viable pour les applications de maintenance prédictive compatibles IIoT, les fabricants réalisent qu'il est beaucoup plus difficile de passer du projet pilote à la production, reconnaît Rob Patterson, vice-président du marketing stratégique pour la plateforme IoT ThingWorx chez PTC.

«De nombreuses entreprises se retrouvent coincées dans le purgatoire pilote des projets IoT», explique Patterson, expliquant que les fabricants peuvent se tromper en calculant mal ce qu'il faut pour concevoir et construire les modèles de maintenance prédictive tout en manquant de spécialistes des données et d'employés du domaine qui sont essentiel pour lancer des projets. «Les gens ont l'impression que c'est une boîte magique qui produit des résultats et des prédictions avec très peu d'implication des mains humaines. Mais c'est une perception fondamentalement erronée de ce qu'implique l'apprentissage automatique. »

Au-delà des données et des analyses, la création de nouveaux flux de travail en boucle fermée est la clé pour obtenir les bonnes applications de maintenance prédictive. Source: GE Digital

La pile de maintenance prédictive

Comme pour toute initiative nouvelle et transformatrice, le fait qu’il n’existe pas de solution prête à l’emploi pour la maintenance prédictive est un obstacle pour la plupart des fabricants. Les applications de maintenance prédictive matures nécessitent plus que des actifs industriels connectés et sensibles, ce qui en soi n'est pas une tâche facile. Une solution efficace s'articule autour d'une plate-forme cloud pour l'ingestion et l'agrégation de tous les différents points de données, les capacités d'analyse et d'apprentissage automatique pour parcourir les données et les informations de déterrement, les capacités d'intégration pour l'accès à d'autres systèmes d'entreprise de base comme la planification des ressources d'entreprise (ERP) ou le service plates-formes, une expérience utilisateur bien conçue basée sur des tableaux de bord qui permettent au personnel de maintenance d'apporter facilement les correctifs requis, et de traiter les modifications pour lier les informations prédictives aux systèmes de service de maintenance et aux flux de travail existants.

«Cela nécessite un niveau de maturité technique de l'IoT assez décent», note Alan Griffiths, analyste principal de l'industrie spécialisé dans la transformation numérique et l'IoT pour Cambashi, une firme de recherche mondiale. «La technologie progresse et certaines entreprises l'utilisent efficacement. Mais rares sont ceux qui rassemblent les implémentations à un niveau de production de masse. »

Outre les données sur les actifs, les données contextuelles provenant de sources externes et de systèmes d'entreprise sont également essentielles à la création de modèles de maintenance prédictive. Source: Rockwell Automation

Griffiths dit que certains fabricants effectuent une forme de maintenance prédictive depuis un certain temps: suivre les actifs via les données des capteurs pour comprendre, par exemple, quand un type de moteur particulier doit être remplacé. Mais cela se fait généralement plus à un niveau agrégé plutôt que d'obtenir une fenêtre sur l'état et le potentiel de défaillance d'un actif spécifique. Au fur et à mesure que les entreprises entrent dans le domaine de la maintenance prédictive compatible IoT, elles effectuent généralement une surveillance simple pour émettre des alertes si une température dépasse un certain seuil, par exemple, puis passent au contrôle et à l'optimisation, grâce auxquelles elles appliquent des analyses au capteur des données pour mieux comprendre les schémas de défaillance et les correctifs préventifs, explique-t-il.

Bien que de nombreux clients de Fluke, qui fournit des logiciels de gestion de la maintenance informatisée (GMAO) et de gestion des actifs d'entreprise (MAE), parlent de maintenance prédictive, ils ne comprennent pas pleinement le concept et n'ont pas construit une fondation de surveillance des conditions appropriée pour capturer la base des données et fournit un contexte pour savoir si quelque chose est sur le point d'échouer ou de se détériorer, explique Kevin Clark, vice-président d'Accelix. Accelix est une nouvelle couche d'intégration qui relie la GMAO eMaint de Fluke à une variété d'outils connectés tels que des capteurs ainsi que des systèmes tiers.

Les clients peuvent facilement commencer à collecter et à agréger des données sur leurs actifs via le Cloud Fluke Connect, explique Clark. Le plus difficile est de savoir ce que ces données vous disent. «La base de la prévision est la compréhension des données», dit-il. «C'est pourquoi la prédiction n'a pas décollé, car elle n'a pas été assez simple.»

Les données basées sur des conditions dans Fluke Connect Cloud peuvent envoyer des alarmes si un actif est trop chaud ou vibre trop, déclenchant un flux de travail vers un opérateur, ce qui permet aux entreprises de passer de la surveillance basée sur les conditions à la maintenance basée sur les conditions. Néanmoins, Clark admet que ce n'est toujours pas prédictif. Pour y arriver, les entreprises doivent passer par l'exploration appropriée pour déterminer quels types de modes de défaillance elles souhaitent détecter, puis quel type de données, au-delà de ce qui est collecté par les capteurs, est essentiel pour créer le contexte d'une analyse plus exploitable. «Il faut une étude de votre équipement et des processus autour de cet actif pour vraiment comprendre ce qu'est un point prédictif», dit-il. "La plupart n'y sont pas encore arrivés parce que c'est difficile."

Les fabricants doivent d'abord prendre du recul et identifier les actifs les plus critiques, et donc mûrs pour une maintenance prédictive. Les implémenteurs doivent distiller l'équipement par fabricant et type d'équipement, comprendre quels équipements ont le plus d'impact sur l'entreprise et clarifier les modes de défaillance possibles les plus dominants, explique Joe Nichols, directeur de l'exploitation des applications industrielles pour GE Digital. Une fois cet exercice terminé, il est nécessaire d'identifier les données qui peuvent contextualiser les résultats, qu'il s'agisse d'informations provenant d'un autre système d'entreprise pouvant éclairer les enregistrements de maintenance passés ou des problèmes de qualité en cours, par exemple, ou même des ressources externes telles que la météo ou des informations géospatiales.

L'expertise en la matière sur des questions telles que le moment où effectuer les réparations, les périodes les plus courantes d'arrêt des actifs et la cause première des pannes courantes est également essentielle à la création de modèles de maintenance prédictive, selon Phil Bush, chef de produit pour les services de surveillance et d'analyse à distance chez Rockwell. Automatisation. "Vous devez examiner les modèles pour développer des corrélations entre certaines données de performance et certains événements que vous avez vus dans le passé et quels sont les modèles de comportement normaux", explique-t-il. «À partir de là, vous pouvez savoir si quelque chose ne va pas ou non.»

La plate-forme d'analyse basée sur le cloud d'Uptake ingère les données des capteurs de la machine, ajoute des données contextuelles et aide à créer des modèles de maintenance prédictive. Source: adoption

Le dilemme des données

Obtenir les bonnes données sous-jacentes est également essentiel pour alimenter les bonnes analyses. Il est non seulement important d'identifier les bonnes ressources de données, mais vous devez également vous assurer que les données sont exactes et à un niveau suffisamment granulaire pour permettre les prévisions, note Michael Donohue, vice-président pour l'énergie thermique chez Uptake. Uptake commercialise un système basé sur le cloud qui recouvre les systèmes ERP ou de contrôle de supervision et d'acquisition de données (SCADA) existants, ingérant et analysant des données de capteur, d'entreprise et même contextuelles telles que la météo et la foudre pour fournir des informations sur les performances, l'optimisation énergétique et la maintenance prédictive .

MidAmerican Energy, un fournisseur d'énergie desservant près de 1,5 million de clients électriques et de gaz naturel et une filiale en propriété exclusive de Berkshire Hathaway Energy, s'est tourné vers la suite d'analyse prédictive d'Uptake pour augmenter la disponibilité et optimiser les performances des turbines dans l'un de ses parcs éoliens. En ingérant des données provenant des turbines et en effectuant des travaux d'analyse, Uptake a immédiatement pu identifier que quelque chose ne fonctionnait pas avec l'un des paliers principaux d'une turbine particulière car il portait une signature similaire à des défaillances antérieures qui avaient précédemment conduit à une défaillance catastrophique de la boîte de vitesses, Explique Donohue. L'adoption a informé les ingénieurs de MidAmerican Energy, et l'équipe a pu émettre une solution rapide pour moins de 5 000 $. Maintenant, des mois après le lancement de l'initiative Uptake, la société a économisé 250 000 $ en trouvant une poignée d'anomalies similaires sur plus de 10% des turbines actuellement sous gestion.

«La capacité de planifier à l'avance et de voir les anomalies et les pannes à l'avance, de pouvoir les planifier, de faire venir des techniciens dans la tour une fois pour effectuer des réparations, c'est la pointe des programmes de maintenance», explique Mark Jeratowski, responsable de la maintenance chez MidAmerican Energy .

Tout aussi important que les données créent des processus en boucle fermée et l'intégration dans d'autres systèmes d'entreprise afin que vous puissiez lancer automatiquement une action de maintenance en cas de besoin. À cette fin, GE associe étroitement sa gestion des services sur le terrain basée sur le cloud ServiceMax à son logiciel de gestion des performances des actifs (APM) pour combler l'écart, en facilitant les bons de travail afin que les problèmes soient résolus de manière proactive et en fournissant des informations contextuelles dans des domaines tels que l'historique des services, y compris les précédents. informations sur les défaillances et fréquence des problèmes de correction.

«Nous avons vu des gens mettre en œuvre des systèmes prédictifs, gérer leurs données, découvrir des anomalies qu'ils n'aiment pas, mais ils n'ont pas de moyen systématique de boucler la boucle sur les alertes qui en découlent», explique Nichols.

En fin de compte, les projets de maintenance prédictive couvriront une gamme de niveaux de maturité, de la cartographie d'un simple seuil de température à un mode de défaillance critique à l'analyse multivariable des changements dans les modèles. «Ils passeront du super simple à la résolution de très gros problèmes ou du super complexe à la résolution de très gros problèmes», explique Nichols. «Les clients doivent savoir ce qu'ils essaient de résoudre et quel niveau de sophistication ils peuvent gérer.»

Laisser un commentaire