IOT et industrie : IOT INDUSTRIEL ET PASSER DE LA MAINTENANCE PRÉVENTIVE À LA MAINTENANCE PRÉDICTIVE

L’une des tendances les plus importantes de ces dernières décennies a été le mouvement vers une production allégée. Alors que les entreprises ont commencé à revoir et à modifier leurs procédures d’exploitation pour éliminer les déchets, l’efficacité a atteint de nouveaux sommets dans la plupart des industries lors de son déploiement. Mais alors que le lean reste un outil précieux pour améliorer et maintenir l’efficacité, il arrive un point dans tout programme lean où des événements Kaizen supplémentaires donnent des résultats de plus en plus petits en termes de valeur nette, car les déchets ont été largement éliminés dans tout le système de fabrication.

Dans ces cas, il est possible que la capacité d’améliorer encore l’efficacité et le moindre coût dans le système soit inhibée. Soit les initiatives allégées ont éliminé tellement de déchets que le niveau de contrôle et de manipulation des processus système pour de nouveaux gains nécessite un degré élevé d’automatisation et d’analyse. Ou bien, le système allégé appliqué à un produit manufacturé complexe a éliminé tellement de déchets que l’exploration vers des gains supplémentaires est extrêmement complexe. Dans les deux cas, la possibilité d’améliorations et de gains supplémentaires a atteint un point où elle ne peut pas être réalisée par des mains humaines, une analyse humaine intuitive et une «intuition».

Alors que l’industrie 4.0 et l’Internet industriel des objets (IIoT) se sont développés au cours des dernières années, de nombreuses personnes se rendent compte que pour continuer à ajouter des efficacités et des améliorations de processus supplémentaires, la capture de données, l’analyse et les appareils connectés seront nécessaires pour aller de l’avant. Beaucoup considèrent même l’IIoT comme la prochaine étape logique du Lean, comme un pas vers le «Digital Lean» dans la fabrication. Mais dans le lean traditionnel, les processus sont revus et améliorés par département ou domaine fonctionnel et peuvent en conséquence être épisodiques ou insulaires. L’un des principaux avantages de l’IIot, des mégadonnées et des analyses avancées est qu’il peut fournir une interopérabilité systémique entre les services qui prennent en charge la fabrication et, ce faisant, les améliorations s’accumulent dans la fabrication sous la forme d’une amélioration des coûts et d’une efficacité accrue. En outre, les deux domaines de support où cela est le plus applicable sont la chaîne d’approvisionnement et la maintenance des équipements.

Transition de la maintenance préventive

La fabrication la plus moderne a construit des efforts de maintenance autour de la maintenance préventive. Dans la maintenance préventive, l’équipement est entretenu selon un calendrier au fil du temps à l’aide d’inspections, d’étalonnages, de réparations et d’autres vérifications de service régulières pour réduire les risques de défaillance à l’avenir. Il a été un outil important et un élément essentiel de la fabrication à la fois allégée et non allégée pendant de nombreuses années, permettant une certaine prévisibilité par rapport aux programmes de maintenance «réparation au fur et à mesure». Mais tout comme les méthodes d’amélioration ont atteint une barrière où l’intervention humaine ne peut plus conduire à des améliorations, la maintenance préventive a également atteint une impasse.

D’une part, la maintenance préventive est basée sur une modélisation statistique et des moyennes larges pour suggérer quand la maintenance doit être entreprise. La maintenance étant effectuée, qu’elle soit nécessaire ou non, elle est inefficace pour identifier les problèmes entre les cycles de maintenance. Ces modèles statistiques sont le plus souvent développés par les OEM qui fournissent l’équipement. Et bien qu’il puisse y avoir une certaine subdivision de la maintenance préventive suggérée basée sur l’expérience de l’OEM, la maintenance préventive ne répond pas aux situations réelles et en temps réel. Dans les applications du monde réel, les véritables exigences de maintenance peuvent être basées sur de nombreuses variables différentes. Le résultat dans les différences dans les environnements d’usine tels que les conditions ambiantes comme la température et l’humidité, ou dans les cas où un fabricant peut utiliser des matériaux lourds ou abrasifs pour fabriquer ses produits tandis que d’autres fabricants utilisant le même équipement peuvent utiliser des matériaux légers ou non abusifs, signifie que les véritables exigences de maintenance varient considérablement.

Une deuxième lacune de la maintenance préventive et de sa dépendance à l’égard des probabilités plutôt que de la réalité est que, au mieux, la maintenance prédictive ne peut qu’atténuer l’impact des probabilités et les chances que quelque chose «puisse» se produire. Il est incapable de prédire ce qui va se passer ou ce qui se passe maintenant. Cela empêche les responsables de la maintenance et les autres décideurs de pouvoir gérer les efforts de maintenance pour optimiser un programme afin d’améliorer l’efficacité et les économies de coûts. Par conséquent, la maintenance préventive est exigeante en main-d’œuvre et réactive. Pour réaliser des améliorations supplémentaires et optimiser pleinement le système, IIoT offre une voie à suivre avec une maintenance prédictive plutôt que préventive.

Transition vers la maintenance prédictive

Également connue sous le nom de Maintenance basée sur les conditions (CBM), la maintenance prédictive s’appuie sur des appareils installés ou intégrés pour surveiller l’état réel d’une machine. Grâce à l’utilisation de l’apprentissage automatique et de l’analyse avancée et de l’IA, des stratégies de maintenance peuvent être développées qui déploient des ressources de maintenance uniquement lorsque les capteurs ou les moniteurs montrent des signes de défaillance imminente. Selon le type d’équipement et d’appareil, dans de nombreux cas, les ajustements peuvent être automatisés pour des ajustements mineurs pendant l’exécution jusqu’à ce qu’une réparation complète puisse être effectuée lors du prochain cycle d’arrêt planifié. Les décisions et les actions sont basées sur des données en temps réel pour identifier les problèmes de manière proactive et sont également menées lorsque la maintenance ou la participation technique est la plus rentable, comme les changements ou les temps d’arrêt planifiés.

En utilisant la technologie IIoT pour déployer la maintenance prédictive, des gains importants peuvent être réalisés qui à la fois réduisent les coûts et permettent à la fabrication d’atteindre des rendements plus élevés que ceux possibles avec la maintenance préventive traditionnelle. Des études montrent que lorsqu’ils sont utilisés, les programmes de maintenance prédictive peuvent augmenter la productivité globale de 25%. De plus, les temps d’arrêt peuvent chuter jusqu’à 75% et les coûts de maintenance globaux peuvent également être réduits de 25%. Les domaines où ces gains peuvent être mesurés comprennent:

  • Prédiction et prévention – En utilisant des capteurs en conjonction avec un logiciel analytique avec des algorithmes d’apprentissage automatique, une analyse prédictive peut être effectuée pour prévoir les zones de problème et identifier les réparations nécessaires avant que la panne ne se produise. En mesurant des variables telles que la température, le flux de produits et d’autres composants critiques en temps réel, une défaillance peut être détectée à l’avance. Il peut également être apparié et analysé sur la base de composants identiques ou similaires sur d’autres machines pour développer une stratégie globale pour guider les achats de pièces et les niveaux d’inventaire pour les pièces de rechange.

Les fournisseurs de services dans IIoT disposent également d’analyses robustes qui peuvent être appliquées pour automatiser de nombreux ajustements lorsque l’équipement le permet. Dans d’autres cas, des alertes automatiques peuvent être envoyées au personnel de maintenance pour signaler la nécessité d’une réparation lors d’un prochain cycle de basculement si la défaillance n’est pas imminente. Ce niveau de prédiction et d’intervention réduit le gaspillage de main-d’œuvre qui a accompagné les programmes d’entretien traditionnels.

  • Routines de maintenance optimisées – La main-d’œuvre du personnel de maintenance et technique est souvent plus coûteuse que les autres fonctions de fabrication. Et dans les programmes traditionnels de maintenance préventive, une grande partie de ce travail est gaspillée sous la forme de tâches de préparation, de préparation et de hiérarchisation. Il est également gaspillé car ces tâches ne sont pas coordonnées entre les autres opérations de maintenance en cours au sein de l’usine autrement qu’au niveau général.

Avec la maintenance prédictive, les routines de maintenance du personnel peuvent être optimisées. À l’aide de données et de logiciels, les pièces de rechange, les fournitures et les consommables peuvent même être commandés, les stocks libérés et le matériel organisé avant la réparation prévue. Cela peut être ramené au niveau de l’outil afin que le technicien ne transporte que ce dont il a besoin pour le temps de réparation et la réduction des contraintes. Un avantage clé dans une routine optimisée est qu’en utilisant des capteurs pour surveiller la défaillance et localiser sa cause et son emplacement dans la machine, les conjectures dans la localisation de la pièce ou du composant à réparer sont supprimées du processus, ce qui permet aux techniciens de se concentrer rapidement sur la pièce et avec le moins de temps requis pour la réparation.

  • Inventaire des pièces – Avec la maintenance préventive, la même analyse statistique utilisée pour définir largement ce qui doit être entretenu est souvent utilisée pour déterminer les pièces à stocker. Il s’agit d’un processus coûteux car les stocks de pièces de rechange peuvent excéder ou sous-commander des pièces de rechange et, dans certains cas, les deux peuvent se produire. Les pièces de rechange sur-commandées bloquent les liquidités et affectent les flux de trésorerie des pièces qui bougent lentement. Les pièces sous-commandées peuvent entraîner des temps d’arrêt supplémentaires coûteux ou une accélération coûteuse.

Grâce à l’analyse prédictive et à l’apprentissage automatique, les niveaux d’approvisionnement en pièces peuvent être affinés au fil du temps pour refléter l’utilisation réelle en temps réel. Et dans le cadre de l’ensemble de l’écosystème IoT, la commande, le suivi et le soulagement et la réorganisation des stocks peuvent être liés aux achats et automatisés pour prendre en charge un niveau d’inventaire allégé et exact. Cela permet de concevoir des stratégies de maintenance adaptées aux tendances d’une usine pour tenir compte de l’âge de l’équipement, de la gamme de produits lourds ou légers, des conditions ambiantes inhérentes et d’une foule d’autres variables qui ne pourraient pas être prises en compte dans l’analyse basée sur l’homme.

Tenir les gains

Des études ont montré que dans les programmes traditionnels d’entretien préventif, près de 50% de chaque dollar dépensé est gaspillé. En raison du manque de capacité analytique et du recours à la modélisation statistique, ces programmes génèrent des déchets dans le système. De plus, il existe des données supplémentaires qui montrent que dans la plupart des programmes de maintenance préventive de fabrication, seulement 18% des équipements ont des schémas de défaillance liés à l’âge, ce qui rend les efforts du programme très inefficaces.

En utilisant les mêmes appareils IoT, les mêmes données et logiciels utilisés pour stimuler la production et les améliorations de la chaîne d’approvisionnement, la maintenance de fabrication peut développer des stratégies complètes pour remédier à toutes les défaillances ci-dessus. Les fournisseurs de services IIoT offrent des analyses robustes ainsi que l’approvisionnement, l’installation et le service des appareils. Cela permet à un programme de maintenance de contribuer à une disponibilité optimisée et à la longévité des actifs en supportant directement la production de base et le gain d’efficacité.

Avec IIoT, les données disponibles sont si importantes que ces gains ne pourraient pas être réalisés en utilisant la prise de décision humaine traditionnelle. Mais avec l’utilisation d’analyses avancées, de l’IA, de l’apprentissage automatique et du déploiement d’appareils, les entreprises de fabrication peuvent réaliser ces gains et passer à l’étape suivante de l’évolution du lean pour créer un «lean numérique» basé sur les données avec un programme de maintenance prédictive spécialement conçu pour chaque usine.

Laisser un commentaire