IOT et industrie : IIoT: L'avenir de la maintenance prédictive

Image 1. Toutes les machines tournantes critiques peuvent être surveillées en continu à l'aide de capteurs sans fil. Tous les graphiques sont une gracieuseté de Petasense
Connue officiellement sous le nom de Jones Lang LaSalle, JLL est une société de services professionnels qui fournit des services immobiliers commerciaux et des solutions de gestion intégrée des installations à des clients internationaux. Avec des origines remontant à 1783, l'entreprise emploie plus de 78 000 employés et possède 300 sièges sociaux dans plus de 80 pays.
JLL sert de grands clients des sciences de la vie pour lesquels il est responsable de l'entretien des équipements (ou actifs) critiques liés à la recherche et développement et à la fabrication. Les équipements de chauffage, de ventilation et de climatisation (CVC) constituent une catégorie critique de machines sur les sites de fabrication pharmaceutique ou de recherche et développement. Il s'agit notamment des refroidisseurs, des unités de traitement de l'air, des pompes (CTA) et des compresseurs d'air. JLL a des engagements contractuels pour maintenir les niveaux de service autour de la disponibilité de ces machines et s'assurer que les clients ne subissent pas de temps d'arrêt imprévus.
Il a été demandé à JLL d'évaluer les technologies prédictives de pointe pour garantir la disponibilité des équipements HVAC d'un gros client du Fortune 500. Les paramètres de la machine tels que la température, le débit d'air et l'humidité ont été surveillés et suivis dans le système d'automatisation du bâtiment.
Cependant, JLL s'est appuyé sur un programme manuel de contournement pour mesurer et évaluer les vibrations, l'un des paramètres les plus importants pour prédire la santé de la machine HVAC. Les données ont été collectées tous les 60 à 90 jours, selon la criticité de l'équipement. Chaque année, un maximum de quatre à six mesures de vibration ont été obtenues par machine.
Défis
Le programme de démonstration de JLL avait plusieurs limites:

Lourd et long – De nombreuses machines sont difficiles d'accès – plusieurs d'entre elles sont derrière les portes et sur les toits. Les problèmes de sécurité et de responsabilité sont associés aux machines, en particulier lorsque l'équipement fonctionne. En conséquence, la collecte de données était incohérente et peu fréquente.
Temps d'arrêt non planifié dû à une collecte de données peu fréquente – Les défauts qui se sont développés entre les cycles de collecte de données de contournement n'ont pas été détectés pendant de longues périodes, de sorte que le client a continué à subir des temps d'arrêt non planifiés et JLL craignait constamment les pannes imprévues de la machine.
Pas de boucle de rétroaction – Lorsque les opérateurs d'équipement ont été envoyés pour effectuer des réparations, ils n'avaient pas accès aux données de vibration. Ils devaient se fier à leurs cinq sens et à leur jugement, et ils ne pouvaient jamais être sûrs que le problème était réellement résolu. L'équipement a été remis en service et souvent, ils ont dû attendre 30, 60 ou même 90 jours avant de savoir si la réparation était efficace. Parfois, les opérateurs d'équipement ont introduit par inadvertance de nouveaux défauts lors d'une réparation, ce qui a entraîné des réparations supplémentaires.
Difficile de recruter des analystes des vibrations sur chaque site – L'analyse des vibrations nécessite des analystes des vibrations qualifiés et formés. Cet ensemble de compétences est extrêmement difficile à trouver. Au lieu d'avoir un analyste sur chaque site, JLL souhaitait doter de manière centralisée un ou deux analystes des vibrations pour prendre en charge plusieurs sites. De plus, JLL souhaitait automatiser le processus d'analyse des données.

Pour résumer, le programme de surveillance de l'état de marche que JLL a suivi était un processus ardu, manuel et chronophage avec une marge d'erreur à chaque étape. De plus, il n'a pas fourni de prédictions précises de défaillance de la machine ni de retour d'information en temps opportun sur les réparations.
Buts
Les limites des programmes de surveillance des conditions de marche ont incité JLL à envisager des solutions de surveillance continue sur le marché. L'équipe d'ingénieurs de fiabilité et de maintenance de JLL a défini les critères d'évaluation suivants:

Collecte de données automatisée
Contrôle continu
Accès à tout moment et en tout lieu aux données de vibration
Déploiement rapide et facile
Un certain niveau d'analyse automatisée des données de vibration

Solution
Après un processus d'évaluation complet, JLL a choisi un fournisseur de démarrage d'Internet des objets industriels (IIoT) basé dans la Silicon Valley pour fournir une maintenance prédictive continue et automatisée. La solution comprenait des capteurs sans fil, le cloud computing et des analyses d'apprentissage automatique.
Capteurs – Des capteurs de vibration triaxiaux sans fil, alimentés par batterie, ont été montés en permanence sur les machines HVAC critiques. JLL les a connectés au réseau Wi-Fi de l'établissement à l'aide d'une application iOS fournie par le fournisseur. Le vendeur a fourni une passerelle cellulaire Wi-Fi 4G / LTE tierce pour certains emplacements qui n'avaient pas de couverture Wi-Fi. Dans l'ensemble, le processus d'installation a été facile et transparent.
Cloud computing – Les capteurs transmettent périodiquement en toute sécurité les données de vibration de la machine à une plate-forme cloud fournie par le fournisseur. Le transfert de données vers la plate-forme cloud était sécurisé, avec un trafic des capteurs vers le cloud et un accès entièrement crypté. Le personnel de JLL a accédé et visualisé les données de vibration de ces machines sur leurs navigateurs et appareils mobiles.
Apprentissage automatique – JLL a automatisé le processus d'analyse des vibrations dans une certaine mesure. Les ingénieurs de la fiabilité des sites JLL ont été formés à l'établissement d'une base de vibration spécifique à la machine après les deux premières semaines de collecte de données sur le logiciel. Le logiciel du fournisseur a permis l’utilisation de plusieurs fonctions de vibration à bande étroite et à large bande pour établir une ligne de base multidimensionnelle. Le logiciel a utilisé des algorithmes d'apprentissage automatique pour calculer un score de santé en temps réel de chaque machine en mesurant l'étendue de l'écart de chaque nouvelle mesure par rapport à la ligne de base multidimensionnelle. Ce score de santé a été tendance et visualisé dans les graphiques.
La portée du projet comprenait la surveillance de tous les équipements de CVC sur l'un des sites de JLL à Redwood City, en Californie. Il comprenait tous les appareils de traitement de l'air, les ventilateurs d'extraction, les refroidisseurs et les compresseurs.
"La capacité d'obtenir des mesures et un score de santé automatisé toutes les trois heures est un énorme bond en avant par rapport à une collecte et une analyse manuelles des données une fois tous les 30 à 90 jours", a noté Brad Shacter, ingénieur en fiabilité de site.
Résultats
JLL a obtenu une victoire rapide peu de temps après le début de son nouveau programme de maintenance prédictive.
Peu de temps après la mise en œuvre, une CTA a enregistré des vibrations anormalement élevées (voir figure 1). Lors de l’inspection du spectre de vibration sur le logiciel du fournisseur, l’équipe JLL a observé de fortes amplitudes de vibration sur un bac de fréquence sous-synchrone. Une analyse plus approfondie a montré qu'une vitesse de fonctionnement spécifique sur le variateur de fréquence provoquait une résonance, ce qui entraînait une vibration excessive. Cela a été rapidement détecté par le logiciel et le personnel JLL a été alerté. Shacter a pu accéder instantanément aux données de vibration et évaluer les mesures correctives presque instantanément.

JLL a pu prendre une décision de maintenance en connaissance de cause avec les données et les informations fournies. Bientôt, JLL a instrumenté tous les CTA dans l'installation avec des capteurs pour s'assurer qu'ils étaient surveillés en continu.
Conclusion
En éliminant la collecte de données manuelle et peu fréquente et en la remplaçant par des capteurs sans fil montés en permanence et un logiciel d'analyse d'apprentissage automatique, JLL est passé à la culture d'une première culture ou initiative de correction en la corrigeant du premier coup.
"Nous bénéficions d'une maintenance prédictive à la demande à un prix dérangeant", a déclaré Sean O’Connor, ingénieur en fiabilité chez JLL. "Cette technologie simplifie l'IoT industriel en utilisant la détection sans fil et l'apprentissage automatique. Ce sont des mégadonnées sans gros problèmes."

Arun Santhebennur est cofondateur de Petasense. Il apporte plus de 15 ans d'expérience dans la création de startups de haute technologie dans le domaine des logiciels d'entreprise. Avant de lancer Petasense, Santhebennur a cofondé Resolvity, un fournisseur de logiciels de reconnaissance vocale. Il détient des diplômes en ingénierie et en gestion de l'IIT et de l'IIM en Inde.
Petasense propose un système de maintenance prédictive de bout en bout et facile à déployer.

Laisser un commentaire