IOT et industrie : L'avenir de l'étude de recherche sur la maintenance prédictive IIOT

Une étude combinée par Emory University et Presenso

introduction
Résumé des constatations
1.0 L'état actuel de la maintenance prédictive
2.0 Les perspectives des technologies de maintenance de l'industrie 4.0
3.0 Perspectives sur la maintenance prédictive IIoT
4.0 Implémentation de IIoT pour la maintenance préventive
5.0 Impact de la maintenance prédictive IIoT
6.0 Recommandations
Annexe A – Données de recherche supplémentaires

introduction

En avril 2013, lors de la conférence Hanover Messe en Allemagne, les principes directeurs de l'Industrie 4.0 ou de l'Industrie 4.0 ont été publiés. Au cours des cinq dernières années, l'Industrie 4.0 est passée de la politique du gouvernement allemand à une stratégie de niveau exécutif à travers le monde. Aujourd'hui, nous sommes dans la troisième vague: la mise en œuvre active.

L'industrie 4.0 est considérée comme la quatrième révolution industrielle et les analystes de l'industrie ont prévu un impact économique important et large. L'application de l'Internet des objets industriel (IIoT), de l'intelligence artificielle et de l'apprentissage automatique à la maintenance industrielle ou à la maintenance prédictive 4.0 est un élément central de l'industrie 4.0.

L'étude de recherche Emory University Future of IIoT Predictive Maintenance a été conçue pour identifier les écarts entre les facteurs de changement stratégiques et commerciaux de haut niveau et la réalité de la mise en œuvre. À cette fin, nous avons interrogé des professionnels de la maintenance et de la fiabilité responsables de la maintenance prédictive dans leurs organisations.

Le but de cette étude est de fournir une perspective de terrain sur les sujets suivants:

  • L'état actuel de la maintenance prédictive dans les installations industrielles
  • Le niveau de satisfaction avec les systèmes de maintenance prédictive actuels
  • Les systèmes de maintenance IIoT devraient être adoptés au cours des cinq prochaines années
  • La mesure dans laquelle le Digital Twin est susceptible d'être déployé
  • La déconnexion entre les cadres et les professionnels O&M responsables de la mise en œuvre
  • Raisons des retards dans les investissements dans les nouvelles solutions de maintenance prédictive IIoT
  • Facteurs bloquant la mise en œuvre des solutions de maintenance prédictive IIoT
  • L'impact probable de la maintenance prédictive IIoT sur les pratiques O&M actuelles

Pour cette étude, 103 professionnels O&M ont été interrogés en Europe, en Amérique du Nord et en Asie-Pacifique. Une combinaison de recherche quantitative (enquête en ligne) et d'entretiens approfondis a été utilisée. De plus, des commentaires ont été sollicités dans les forums publics des groupes LinkedIn sur la maintenance des actifs.

Six étudiants de l'Université Emory ont participé à la recherche et à la rédaction de ce rapport: Arnav Jalan et Nathan Brooks (co-chefs de projet) et Dilsher Dhupia, Ian Goldstein, Hannah Laifer et Sabiha Officewala.

Résumé des constatations

Rien qu'en 2017 et 2018, des avancées significatives dans l'analyse cognitive ont été appliquées à la discipline de la maintenance prédictive. Parallèlement, l'Industrie 4.0 a été adoptée par la haute direction des installations industrielles mondiales.

Nos recherches indiquent un gouffre croissant entre le potentiel de PdM4.0 et la réalité dans les installations industrielles d'aujourd'hui. Nous n'avons trouvé aucune urgence à mettre à niveau les anciennes pratiques de maintenance et de fiabilité des années 1970 et 1980. Microsoft Excel est toujours l'outil d'analyse par défaut.

Les préoccupations soulevées à propos de PdM4.0 et de Maintenance 4.0 découlent de considérations pratiques concernant la faisabilité du déploiement et le manque de ressources. Les professionnels de l'O & M voient PdM4.0 positivement mais s'attendent à un changement progressif sous la forme d'améliorations des systèmes et processus existants.

Ce rapport analyse les sujets suivants.

  1. État actuel de la maintenance prédictive: IIoT for Predictive Maintenance est encore à ses balbutiements. Malgré la promesse de PdM4.0, il existe peu de mécontentement avec les systèmes de maintenance prédictive actuels. La maintenance prédictive traditionnelle, y compris la surveillance des vibrations, l'analyse des résidus d'huile et l'imagerie thermique, domine toujours, et la modélisation statistique manuelle telle qu'Excel n'a pas été remplacée par des technologies plus avancées.
  1. Outlook pour les technologies de maintenance de l'industrie 4.0: Les professionnels de l'exploitation et de l'entretien s'attendent à ce que les rapports automatisés sur les défaillances et la planification automatisée des réparations soient très largement adoptés au cours des cinq prochaines années. Les attentes en matière de déploiement de la réparation assistée par robotique et de l'inspection assistée par drone / robotique sont limitées. Le concept Digital Twin n'est pas largement connu des professionnels de l'O & M et ne devrait pas jouer un rôle majeur dans les usines au cours des cinq prochaines années.
  1. Perspectives sur la maintenance prédictive IIoT: Les professionnels de l'O & M sont moins enthousiastes à propos de l'IdO pour la maintenance prédictive que les cadres supérieurs. Une partie de cela est attribuée au «battage médiatique» qui résonne moins chez les travailleurs de la maintenance et de la fiabilité qui sont responsables de la mise en œuvre. Près de 40% des répondants à l'enquête en ligne citent un manque de stratégie IIoT comme raison des retards dans l'adoption. À long terme, on s'attend à ce que le retour sur investissement perçu de IIoT Predictive Analytics justifie les dépenses.
  1. Implémentation de l'IIoT pour la maintenance préventive: L'inhibiteur le plus important de IIoT pour le déploiement de la maintenance prédictive est une pénurie de compétences des scientifiques du Big Data et un manque de compréhension de l'industrie 4.0. La complexité du logiciel et l'accès aux données des capteurs sont considérés comme des facteurs moins importants affectant le déploiement bloqué.
  1. Impact de la maintenance prédictive IIoT: Dans l'ensemble, les professionnels de l'O & M ont une vision positive de la maintenance prédictive IdO. Des améliorations de l'efficacité opérationnelle de l'équipement (OEE) sont largement attendues. De plus, la plupart des répondants au sondage estiment que l'utilisation et l'analyse des données en temps réel permettront une meilleure prise de décision. D'un point de vue organisationnel, il n'y a que peu de craintes que les rôles et les responsabilités des professionnels de F&E changent. En général, les perspectives selon lesquelles la maintenance prédictive IIoT forcerait la convergence des organisations des technologies de l'information et des technologies opérationnelles n'étaient pas très nombreuses.

1.0 L'état actuel de la maintenance prédictive

L'IIoT pour la maintenance prédictive en est encore à ses débuts et les professionnels de l'O & M voient peu d'élan pour l'adoption. La promesse de PdM4.0 est reconnue mais peu de mécontentement existe avec les systèmes de maintenance prédictive actuels.

Le PdM traditionnel, y compris la surveillance des vibrations, l'analyse des résidus d'huile et l'imagerie thermique, n'a pas été déplacé. Microsoft Excel est considéré comme la valeur par défaut pour la modélisation prédictive.

1.1 Évaluation des pratiques actuelles de maintenance prédictive

La maintenance 4.0 peut être un élément central de la vision stratégique d'un cadre. Il pourrait être inclus dans la feuille de route technologique d’une installation industrielle. Cependant, d'un point de vue pratique, il n'est pas largement déployé.

Aujourd'hui, les processus les plus courants pour la maintenance prédictive sont les méthodes traditionnelles telles que la surveillance des vibrations, l'analyse des résidus d'huile et l'imagerie thermique. Les installations industrielles s'appuient toujours sur des modélisations statistiques manuelles, telles que Microsoft Excel pour Predictive Analytics (44% des répondants), beaucoup plus qu'elles ne le font sur la modélisation statistique avancée (23%) et le Machine Learning (12%).

Graphique 1: Lequel des énoncés suivants décrit avec précision l'état actuel de la maintenance prédictive dans votre établissement et / ou votre industrie. (Sélectionnez tout ce qui s'y rapporte)

Pourquoi Excel est-il si répandu? La raison est simple. Les professionnels de la fiabilité et de la maintenance utilisent déjà Microsoft Excel par opposition à d'autres outils, tels que MATLAB. La connaissance d'Excel crée un élan; les gens commencent avec une petite table qui croît de façon exponentielle et devient la valeur par défaut en raison d'un manque d'alternatives viables.

Aperçu du praticien O&M
La modélisation statistique manuelle est la méthode la plus courante de Predictive Analytics (par exemple, Excel). Pensez-vous que cela va probablement changer au cours des prochaines années? Pourquoi ou pourquoi pas?

Jack R. Nicholas, Jr., P.E., CMRP, CRL, IAMC

La modélisation statistique est rarement utilisée dans l'analyse prédictive, en particulier au niveau local. La méthode la plus courante est Analyse de régression sous diverses formes.

La deuxième méthode la plus courante est La reconnaissance de formes (par exemple, pour la thermographie infrarouge et l'analyse de circuits moteurs hors ligne et en ligne) ou l'analyse / la reconnaissance visuelle (des défauts comme indiqué dans les images ou la présentation graphique des données).

La prochaine méthode la plus courante est Comparaison relative (d'une machine à une autre ou d'un groupe de machines).

Après cela vient les tests par rapport aux limites ou aux plages. Ceci est lié à l'analyse de régression dans la mesure où, même si une tendance peut être développée et qu'un bond soudain des données paramétriques se produit à un niveau supérieur à une alerte ou à une alarme présente, l'action sera basée sur cette dernière et non sur la tendance.

Contrôle statistique des processus (SPC) est pratiqué dans de nombreux programmes et est courant dans les systèmes SCADA. Il s'agit d'une méthode d'analyse visuelle / graphique qui peut être pratiquée par le personnel du pont de l'usine et ne nécessite que des compétences mathématiques et de traçage simples si elles sont effectuées manuellement (par exemple, nombre de lectures au fil du temps dans une direction défavorable vers les limites de contrôle supérieures et / ou inférieures).

La méthode la plus puissante est appelée Analyse de corrélation. Cela implique d'utiliser les résultats d'analyse de deux technologies différentes prises en même temps ou dans les mêmes conditions de fonctionnement pour confirmer un défaut ou de la même famille de technologies (par exemple, l'analyse de vibration et l'analyse d'impulsion de choc) séquentiellement dans le temps pour suivre le même défaut .

Lorsque des analyses avancées sont utilisées (ce qui est actuellement le plus efficace en utilisant la technologie IIoT / Cloud Computing), cinq (5) méthodes de base sont répandues à l'heure actuelle. Il s'agit de l'analyse visuelle (par exemple, pour les valeurs aberrantes), de l'analyse de clustering (par exemple, de la méthode spatiale basée sur la densité, de la hiérarchie ou d'autres méthodes courantes telles que k-Means), de l'exploration de données (par exemple, pour l'analyse différenciante ou basée sur des règles d'association), des séries chronologiques Analyse et analyse statistique (qui comprend la régression, telle que l'analyse des moindres carrés partiels et l'analyse linéaire multiple).

Usman Mustafa Syed

La modélisation statistique manuelle progressivement être remplacé par Machine Learning & AI-based Predictive Analytics. Avec le rythme actuel des progrès technologiques dans le domaine de l'apprentissage automatique, de l'intelligence artificielle et des capteurs et connectivité, nous entrerons dans une ère d'outils d'analyse prédictive prêts à l'emploi qui pourraient être déployés économiquement et rapidement.

Reflétant une acceptation du statu quo, la plupart des répondants au sondage sont relativement satisfaits des options actuelles pour les systèmes de maintenance prédictive. Même si seulement 2% étaient très satisfaits des systèmes actuels, un pourcentage plus élevé (46%) était assez satisfait et 28% supplémentaires étaient neutres. Une minorité de seulement 8% était très insatisfaite.

En ce qui concerne les systèmes SCADA basés sur des règles, 30% des répondants au sondage ont reconnu que les limitations sont largement reconnues, tandis que 38% étaient neutres.

Graphique 2: Niveau de satisfaction à l'égard des systèmes de maintenance prédictive actuels

1.1.2 Examen de la recherche des analystes et de l'industrie

Les rapports suivants ont été considérés dans le cadre de notre évaluation:

L'enquête sur l'utilisation de la technologie pour PdM a indiqué l'utilisation de feuilles de calcul / calendriers (55%), de systèmes informatisés de gestion de la maintenance (GMAO, 53%) et de dossiers papier des rapports de maintenance (44%).

L'enquête sur l'utilisation des technologies pour PdM a indiqué MS Excel / Access: 67%, WIFI: 34%, entrepôt de données: 18%, logiciel statistique: 18%, logiciel de surveillance du conditionnement: 40%, cloud: 13%, logiciel de données 33%, mobile réseaux: 20%, IoT: 14%.

1.2 Mesures pour évaluer les solutions de maintenance

Sans surprise, les professionnels de l'O & M considèrent l'efficacité opérationnelle / les économies de coûts de main-d'œuvre comme la principale mesure pour évaluer l'impact des solutions de maintenance prédictive.

Cependant, on reconnaît également les avantages financiers d'une approche proactive de la maintenance. Comme le montre le graphique 3, en termes de métrique la plus importante pour une solution de maintenance prédictive, les économies réalisées grâce à des temps d'arrêt plus faibles ont été évaluées presque aussi haut que l'efficacité opérationnelle (7,3 / 9,0 contre 7,4 / 9,0). En outre, les revenus provenant de l'augmentation du temps de disponibilité (6,9 / 9,0) ont été classés encore plus haut que les améliorations dans les pièces détachées et la gestion de la logistique (6,3 / 9,0).

Même si les professionnels de l'O & M ne maintiennent pas le même enthousiasme pour le PdM4.0 que la direction, ils comprennent la valeur stratégique de l'augmentation du temps de disponibilité, des taux de rendement de production plus élevés et des temps d'arrêt des actifs plus faibles.

Graphique 3: Importance des mesures suivantes pour mesurer l'impact d'une solution de maintenance prédictive. (Échelle de 9 points)

2.0 Les perspectives des technologies de maintenance de l'industrie 4.0

Le principal changement attendu des technologies de maintenance de l'industrie 4.0 est l'amélioration des flux de travail et des processus automatisés. En revanche, il existe une probabilité moindre de déploiement de robotique ou d'inspection assistée par drone.

Le concept Digital Twin n'a pas attiré beaucoup d'attention. La plupart des professionnels de l'O & M ne s'attendent pas à un déploiement significatif au cours des cinq prochaines années.

2.1 Taux d'adoption des technologies de l'industrie 4.0

La principale prévision de changement réside dans l'adoption progressive de l'automatisation des processus et des workflows. Cela n’est pas surprenant étant donné que le système informatisé de gestion de la maintenance (ou logiciel) ou GMAO est répandu depuis le début des années 90.

Adoption des technologies de l'industrie 4.0 sur une période de 5 ans (échelle de 5 points)

Un examen approfondi de l'adoption prévue du rapport automatisé sur les défaillances (graphique 4.1) indique que 45% des répondants s'attendent à un déploiement complet tandis que 22% supplémentaires s'attendent à un scénario de déploiement principalement.

Graphique 4.1: adoption attendue d'un rapport automatisé sur les défaillances

En ce qui concerne l'adoption de la réparation assistée par robotique, 35% ne s'attendent pas à l'adoption tandis que 17% supplémentaires ne s'attendent qu'à une adoption limitée. (Voir le graphique 4.2.)

Graphique 4.2: Réparation assistée par robotique

Aperçu du praticien O&M

Q. Pensez-vous qu'il y aura une migration vers IIoT Predictive Maintenance dans les prochaines années? Pourquoi ou pourquoi pas?

Fred Schenkelberg

Non. La collecte de plus de données ne résout rien. Nous n'utilisons déjà pas les données que nous avons et nous ne savons pas quoi faire pour analyser et utiliser les données aujourd'hui… jusqu'à ce que nous apprenions à recueillir les bonnes données pour aider à résoudre de vrais problèmes (qui peuvent ou non inclure PdM), alors l'IdO est pas utile.

Nous devons d'abord obtenir les bases.

Jørgen Grythe

Oui. La plupart des organisations ont au moins une personne de maintenance qualifiée qui peut monter sur le sol de l'usine et détecter, par la vue, le son, l'odeur, les vibrations et la température, les conditions dans l'usine.

Ces experts en surveillance de la condition humaine prennent leur retraite. Il n'y a pas assez de personnes pour les remplacer. Donc, je pense que nous assistons de plus en plus à une centralisation de la surveillance, soit par télédétection (pas complètement automatique, mais vous n'avez pas besoin d'être sur place pour surveiller l'usine) ou / et par surveillance automatique de l'état avec des algorithmes d'apprentissage automatique.

2.1.1 Examen de la recherche des analystes et de l'industrie

Le rapport suivant a été pris en compte dans le cadre de notre évaluation:

Voici un résumé de la recherche:

L'automatisation éliminera très peu de professions au cours de la prochaine décennie. Cependant, cela affectera des portions de presque tous les emplois en fonction du type de travail qu'ils impliquent.

  • Les activités physiques prévisibles représentent 1/3 du temps total des travailleurs dans le secteur manufacturier. Sur la seule base de considérations techniques, la fabrication est le deuxième secteur le plus facilement automatisable (après les services).
  • Quatre-vingt-dix pour cent des tâches des soudeurs, coupeurs, soudeurs et braseurs ont le potentiel technique d'automatisation.
  • Potentiellement, 59% de toutes les tâches de fabrication sont susceptibles d'être automatisées.
2.2 Taux d'adoption du jumeau numérique

Contrairement à certains rapports d'analystes, les perspectives de déploiement du Digital Twin sont relativement modestes. Soixante et un pour cent des professionnels d'O & M affirment qu'ils ne connaissent même pas le concept Digital Twin. Un autre 20% des répondants ne s'attendent pas à ce que le Digital Twin soit déployé d'ici cinq ans. Seulement 4% des répondants s'attendent à un déploiement complet. (Voir le graphique 5.)

Graphique 5: plan de l'installation pour le jumeau numérique d'ici 5 ans?

Aperçu du praticien O&M

Q. Le Digital Twin n'est pas encore largement utilisé. Pourquoi est-ce?

Georgi Kirilov

Même s'il y avait un soutien de la direction, pour mettre en œuvre une telle modélisation, cela nécessiterait des connaissances locales (des installations). Ici, l'informatique et les consultants ne suffisent pas. Les principaux moteurs de ce changement seraient les ingénieurs de la fiabilité, mais l'intégration de leurs connaissances dans les logiciels menacerait leur travail.

Usman Mustafa Syed

Le Digital Twin nécessite beaucoup d'expertise, ce qui est rare sur le marché; c'est un gros obstacle.

Le plus grand obstacle est le fait que GE s'est si agressivement associé au nom et au concept de Digital Twin qu'il est en quelque sorte devenu une «marque pour animaux de compagnie» pour lui. Cela conduit d'autres concurrents à l'éviter. En outre, les utilisateurs finaux des actifs non GE ont tendance à ne pas le considérer.

Jack R. Nicholas, Jr., P.E., CMRP, CRL, IAMC

Le développement d'un jumeau numérique précis est coûteux et prend du temps. En effet, même dans les usines assez récentes, le contrôle de la configuration est rarement pratiqué dans la mesure où il devrait l'être. Les dessins sont généralement obsolètes (même pour les actifs récemment mis en service) et les spécifications de performance sont documentées de manière imprécise au fil du temps et sont, après quelques cycles de fonctionnement, ignorées [because] les actifs dépassent les limites de conception d'origine. Pour construire un jumeau numérique précis, il faut des recherches approfondies sur les exigences actuelles en matière de performances et de conditions, et pas seulement une référence aux spécifications d'usine originales.

Garder un jumeau numérique précis sur un cycle de vie est également coûteux et nécessite au moins une attention périodique [from] scientifiques des données, spécialistes de la modélisation et analystes des besoins commerciaux – compétences rares dans la plupart des organisations et généralement disponibles à un coût élevé uniquement auprès de grands fournisseurs de services tels qu'IBM, Accenture et GE. Toute modification de l'installation affectant les performances ou les conditions de fiabilité requises nécessite une modification du modèle numérique jumelé et des algorithmes associés.

À cela s'ajoute le fait que seule une petite fraction des données disponibles est analysée et que les données sont rarement liées à des modes de défaillance fonctionnelle (même si elles sont connues du personnel qui doit en être conscient).

À cela s'ajoute le fait que les usines de friches industrielles n'ont pas fourni la connectivité des actifs critiques, même avec la technologie sans fil, aux centres d'analyse en usine ou via l'IIoT, car le travail pour identifier le retour sur investissement est rarement fait et justifié dans un plan complet contenant tous les étapes qui doivent être accomplies pour utiliser de manière rentable à la fois l'analyse en périphérie (près de la machine), dans l'usine (avant tout pare-feu) et dans le cloud.

Dans le climat de cybersécurité actuel, l'approche la plus sûre consiste à disposer d'informations et de fonctions de contrôle sur des réseaux distincts, le premier permettant la connectivité au Cloud et le second totalement isolé de tout piratage numérique externe. Cela ajoute également au coût.

2.2.1 Examen de la recherche des analystes et de l'industrie

Les rapports suivants ont été considérés dans le cadre de notre évaluation:

Voici un résumé de la recherche:

  • La moitié des grandes entreprises industrielles utiliseront Digital Twins d'ici 2021. Le résultat est une amélioration attendue de 10% de «l'efficacité».
  • Le retour sur investissement devrait varier considérablement et sera basé sur les modèles de monétisation qui les animent.
  • «Les DSI devront travailler avec les chefs d'entreprise pour développer des modèles économiques et commerciaux qui tiennent compte des avantages à la lumière des Coûts de développement, aussi bien que Besoins continus de maintenance des jumeaux numériques. »Alfonso Velosa, vice-président de la recherche, Gartner

3.0 Perspectives sur la maintenance prédictive IIoT

Il existe un décalage entre les opinions des professionnels de l'exploitation et de la maintenance et des cadres supérieurs. Les dirigeants reconnaissent le potentiel représenté par IIoT pour la maintenance prédictive, mais les personnes responsables de la mise en œuvre sont moins optimistes.

Un manque de stratégie IIoT est considéré comme un facteur important dans le retard de l'adoption de PdM4.0.

3.1 Attitudes à l'égard de la maintenance prédictive IIoT

Les cadres supérieurs sont plus susceptibles de reconnaître le potentiel de IIOT Predictive Analytics que le personnel de l'établissement.

De nombreux professionnels de l'O & M considèrent toujours PdM4.0 comme sur-médiatisé. En réponse à la déclaration «Le battage médiatique de l'industrie 4.0 et IIoT est exagéré», plus de 40% sont neutres. Vingt-trois pour cent des participants au sondage en ligne sont d'accord avec la notion et 9% sont tout à fait d'accord. En revanche, seulement 6% fortement en désaccord et 18% en désaccord. (Voir le graphique 6.4, annexe A.)

Près de 50% des professionnels de F&E interrogés se déclarent fortement en désaccord ou en désaccord avec l'idée que le personnel de l'établissement reconnaît le potentiel. 15% supplémentaires sont neutres.

Cela contraste avec la perception des cadres supérieurs par les professionnels de l’O & M. Cinquante pour cent des répondants au sondage en ligne sont très âgés ou d'accord avec l'idée que les cadres supérieurs reconnaissent le potentiel de l'IIoT Predictive Analytics. Seulement 14% des répondants sont fortement en désaccord. (Voir les graphiques 6.1 et 6.5, annexe A.)

Trente-huit pour cent des répondants au sondage en ligne indiquent qu'ils sont tout à fait d'accord ou d'accord avec l'affirmation selon laquelle il y a des retards dans les nouveaux investissements jusqu'à ce qu'une décision soit prise concernant une stratégie d'IOT. Seulement 11% des répondants sont fortement en désaccord avec cette affirmation. (Voir le graphique 6.2, annexe A.)

Graphique 6: attitude des professionnels de la fiabilité et de la maintenance sur l'analyse prédictive IIoT (échelle de 9 points)

Aperçu du praticien O&M

Q. Quelle est la raison de la déconnexion entre les professionnels O&M et la haute direction?

David Naus

Il y a un énorme décalage avec la haute direction. J’ai discuté avec de nombreux décideurs qui ne se soucient pas de ce qui se passe du côté de la maintenance de leur entreprise, ce qui représente un énorme atout pour eux et leur coût.

Ils ne prendront jamais le temps d'apprendre comment ils pourraient mieux entretenir leurs machines et réduire les coûts en le faisant en même temps. Ils passeront toujours à un employé en maintenance qui n'est pas qualifié, et ils ne prendront même pas le temps d'en discuter.

Howard W Penrose, Ph.D., CMRP

Je vois quelque chose d'un peu différent. De nombreuses entreprises et organisations de maintenance défendent les appareils IIoT, et certains que vous ne réalisez peut-être pas sont les IIoT, tels que la surveillance de l'alimentation, les dispositifs de protection et les réseaux de surveillance. Lorsque les applications de l'appareil sont présentées lors de conférences, il y a normalement une participation importante. cependant, [for discussions of] des choses comme une configuration correcte ou, pire, la sécurité liée aux appareils connectés, la fréquentation fait défaut. Les gens voient ces problèmes comme «le problème de quelqu'un d'autre».

Carlos De Leon

Comme Sundeep Sanghavi l'a dit dans son article «Flood de données gérées par la maintenance prédictive cognitive»: L'IIoT a le potentiel de transformer cette industrie de manière spectaculaire, mais cela ne sera possible que si le volume de données est efficacement exploité en améliorant la connectivité des capteurs.

3.1.1 Examen de la recherche des analystes et de l'industrie

Le rapport suivant a été pris en compte dans le cadre de notre évaluation:

Voici un résumé de la recherche:

  • Soixante-quinze pour cent des dirigeants s'attendent à ce que l'intelligence artificielle permette à leurs organisations de s'installer dans de nouvelles entreprises.
  • Près de 85% pensent que l'IA les aidera à obtenir ou à conserver un avantage concurrentiel. Cependant, seulement un sur cinq a intégré l'IA dans certaines offres ou processus.

4.0 Implémentation de IIoT pour la maintenance préventive

Une pénurie de compétences en Big Data Scientists et un manque de compréhension de l'industrie 4.0. sont les deux facteurs les plus importants affectant négativement le déploiement de PdM4.0. Les professionnels O&M sont beaucoup moins préoccupés par la complexité des logiciels et l'accès aux données des capteurs.

4.1 Facteurs ayant une incidence sur la mise en œuvre de PdM4.0

Pour les professionnels de l'O & M, le plus grand facteur empêchant le déploiement de IIoT Predictive Analytics est une pénurie de scientifiques des données (4.2 / 5.0). Quarante-quatre pour cent des répondants au sondage en ligne affirment que cette pénurie de compétences aura un fort impact. 37% supplémentaires indiquent un impact modéré. (Voir le graphique 7.9, annexe A.)

Graphique 7: dans quelle mesure les éléments suivants ont-ils un impact négatif sur le déploiement de l'analyse prédictive IIoT (5 = impact fort, 1 pas d'impact)

L'impact négatif le plus élevé au deuxième rang sur le déploiement est un manque de compréhension de l'industrie 4.0 (3.8 / 5.0). Trente-trois pour cent des répondants au sondage en ligne considèrent ce facteur comme modéré, tandis que 30% supplémentaires indiquent un fort impact. (Voir le graphique 7.8 à l'annexe A.)

Fait intéressant, les deux facteurs les moins susceptibles d'avoir un impact sur le déploiement de IIoT Predictive Analytics sont la complexité du logiciel et l'impossibilité d'accéder aux données des capteurs. Les deux sont classés 3.2 / 5.0.

Du point de vue des ressources, les participants au sondage en ligne sont plus susceptibles de croire que leur organisation dispose de l'infrastructure de base nécessaire pour IIoT Predictive Analytics (4.8 / 9.0) que d'avoir suffisamment de scientifiques des données pour déployer IIoT Predictive Analytics (3.3 / 9.0).

Graphique 8: Disponibilité des ressources internes pour déployer la maintenance prédictive IIoT (échelle de 9 points)

Aperçu du praticien O&M

Q. Les accélérateurs ou bloqueurs spécifiques de la maintenance prédictive IIoT sont-ils spécifiques à votre secteur?

Fred Schenkelberg

Pas seulement IIoT PdM.

Le PdM, en général, nécessite de prêter attention à l'équipement de manière systématique, d'identifier et de modéliser les indicateurs, et d'avoir un financement / un soutien à mettre en œuvre.

En outre, cette approche ne traite pas toutes les causes des actions de maintenance – pour les industries avec un pourcentage élevé de défaillances dues à des mécanismes de défaillance prévisibles, l'utilisation de l'IIoT ou non doit d'abord prouver à l'organisation que l'approche fonctionne (ajoute de la valeur).

IIoT est un mot à la mode et peut attirer certains sur le marché, mais à moins qu'ils ne fassent d'abord les bases, ce sera une expérience coûteuse avec peu de chances de succès.

Jørgen Grythe

Je ne peux pas parler de l'industrie de la maintenance prédictive dans son ensemble car c'est énorme. Cependant, nous nous concentrons sur le réseau de formation de faisceaux acoustiques et utilisons le son formé par faisceaux provenant de machines pour classer un état sain ou d'erreur d'une machine.

Le plus gros bloqueur pour nous en ce moment est que chaque projet est différent, et il ne semble pas exister une seule solution de boîte noire universelle pour couvrir une grande variété de clients. Donc, si je généralisais, je dirais qu'il est difficile de vraiment se développer dans un système à grande échelle qui fonctionne pour tout le monde. Un peu comme si l'iPhone devait être personnalisé pour chaque utilisateur individuel; vous pouvez imaginer le coût que cela imposerait au produit et le manque d'évolutivité.

Jack R. Nicholas, Jr., P.E., CMRP, CRL, IAMC

La littérature actuelle sur le Big Data, les analyses avancées, la technologie informatique en nuage et les sujets connexes explique la nécessité de la fusion de l'OT et de l'informatique, liant le pont de l'usine à la salle de conférence.

Bien que cela soit souhaitable à bien des égards, cela nécessite souvent un changement significatif de culture dans les organisations ayant une influence informatique importante, sinon dominante, sur la transition numérique. De nombreux cadres de niveau C (sinon tous à ce moment-là) ont peur de la mort d'une violation de données mettant fin à leur carrière.

Dans la plupart des entreprises, la cybersécurité est assignée au personnel informatique à titre de garantie et peut reposer sur une ou deux semaines de formation, ce qui est totalement inadéquat dans le climat du cyberespace actuel. Bien que des méthodologies telles que la maintenance centrée sur la fiabilité et la maintenance productive totale existent depuis des décennies, elles n'ont toujours pas été adoptées au degré requis pour que le personnel des usines ait une connaissance solide des modes de défaillance expérimentés et [to] les relier aux données nécessaires pour fournir un avertissement avancé du début à des étapes où l'atténuation économique peut être planifiée et exécutée de manière ordonnée. Ainsi, il n'y a aucun moyen pour eux de justifier l'adoption de la maintenance prédictive IIoT.

Usman Mustafa Syed

À mon avis, de nombreux fournisseurs de services IIoT (à l'exception des grandes marques, principalement des OEM) ont une formation en informatique, en logiciels et en analyse commerciale, avec un peu de déconnexion avec la fraternité de l'ingénierie industrielle.

Ils ne parlent pas la même langue que les ingénieurs qui gèrent les actifs dans différentes industries. Cela doit changer. En outre, il existe des préoccupations concernant les coûts, le retour sur investissement, la sécurité des données et les engagements de leadership en général.

Un autre fait important est que cette vague de progrès de l'IdO est survenue à une époque généralement incertaine. Les économies mondiales sont actuellement moroses, ce qui a également nui à son succès. Mais avec les progrès en cours et l'amélioration progressive des conditions économiques, les choses vont s'améliorer.

Répondant anonyme au sondage

J'étais à un séminaire la semaine dernière avec des organisations européennes très influentes présentes. Certains faits très révélateurs ont été présentés sur l'IOT dans la fabrication.

Au fur et à mesure que les deux jours avançaient, il y avait une séparation nette dans les attentes des gars du data / tech et des «singes de la graisse» responsables de la production au jour le jour. Il semble que I4.0 soit un rêve pour les gars de la technologie que, dans cette équipe, le matériel ne peut pas prendre en charge.

Deux statistiques clés se sont démarquées pour moi – il y a 92% ou 64 millions de machines dans le monde sans connectivité réseau. L'autre statistique est que la moyenne des machines en Italie est de 13 ans. Cela conduirait à un gouffre entre désir et capacité.

À mon avis, les grandes entreprises (BMW, Siemens) disposeront des ressources nécessaires pour tester les nouveaux systèmes et machines et évaluer la capacité à adopter sur l'ensemble des sites de production.

Les petites entreprises auront la souplesse nécessaire pour adopter et s'adapter.

Cela laisserait alors la taille moyenne pour investir dans des solutions à moindre coût et donc l'expérience [fewer] bénéficie de I4.0.

Il est clair que nous serons tous affectés par l'IoT, mais à mon avis, cela est probablement dû à un «besoin» des consommateurs par rapport à une préparation à la fabrication. Cela prendra certainement plus de temps que les cinq à huit ans prévus pour l’adopter.

4.1.1 Examen de la recherche des analystes et de l'industrie

Le rapport suivant a été pris en compte dans le cadre de notre évaluation:

Voici un résumé de la recherche:

Les plus grands défis ou inhibiteurs pour la création de capacités d'opérations numériques étaient:

  • Absence d'une vision claire des opérations numériques et de soutien / leadership de la part de la direction – 40%
  • Avantages économiques et investissements numériques imprécis – 38%
  • Exigences d'investissement financier élevées – 36%
  • Questions non résolues sur la sécurité et la confidentialité des données en rapport avec l'utilisation de données externes – 25%
  • Talent insuffisant – 25%

5.0 Impact de la maintenance prédictive IIoT

Dans l'ensemble, les professionnels de l'O & M ont une vision positive de la maintenance prédictive de l'IoT.

En termes de changement, la plupart des répondants à l'enquête ne s'attendent pas à ce que les niveaux d'emploi changent en raison de PdM4.0 mais ils s'attendent à ce que les rôles de travail changent.

Des améliorations de l'efficacité opérationnelle de l'équipement (OEE) sont largement attendues. De plus, la plupart des répondants au sondage estiment que l'utilisation et l'analyse des données en temps réel permettront une meilleure prise de décision. D'un point de vue organisationnel, il n'y a que peu de craintes que les rôles et les responsabilités des professionnels de F&E changent. En général, les perspectives selon lesquelles la maintenance prédictive IIoT forcerait la convergence des organisations des technologies de l'information et des technologies opérationnelles n'étaient pas très nombreuses.

5.1 Impact de la maintenance prédictive IIoT sur les résultats financiers

En ce qui concerne l'impact financier de PdM4.0, la plus forte conviction que les professionnels de l'O & M soutiennent est que le retour sur investissement perçu d'une solution d'analyse prédictive justifiera les coûts. Quarante-huit pour cent sont d'accord avec l'affirmation selon laquelle le retour sur investissement perçu justifiera le coût, tandis que 11% supplémentaires sont tout à fait d'accord. Seulement 4% des répondants sont fortement en désaccord avec cette affirmation.

Graphique 9: lequel des éléments suivants reflète les considérations de coût pour les solutions d'analyse prédictive? (Échelle 9.0)

5.2 Impact de la maintenance prédictive IIoT sur l'emploi

Most O&M professionals do not think that employment levels will change dramatically with the adoption of Industry 4.0 practices such as PdM4. Twenty-four percent of survey respondents believe that employment levels will fall and only 6% believe they will rise. By far, the prevalent view is that employment levels will stay the same but job roles and functions will change (57% of respondents).

5.3 Impact of IIoT Predictive Maintenance on O&M Practices

Almost all O&M professionals expect that standard O&M practices will change due to PdM4.0, although opinions are split as to the extent of this change.

More than half (54%) of online survey respondents expect moderate changes to standard O&M practices, while an additional 5% expect no changes to practices. A minority of respondents (41%) expect major changes to standard O&M practices.

Chart 11: the impact on standard O & M practices due to industry 4.0 and IIoT predictive maintenance

5.4 Overall Impact of IIoT Predictive Maintenance on Plant/Industry

Most O&M professionals expect that PdM4.0 will result in positive change. There is a significant consensus that Overall Equipment Efficiency (OEE) will increase. In fact, 54% of respondents Strongly Agree with this statement, while an additional 36% Agree. Similarly, regarding the statement that utilizing and analyzing data in real time will allow for better decision making, 38% of respondents Agree and 54% Strongly Agree.

There is less support for the notion that PdM4.0 will force the convergence of Information Technology and Operational Technology.

Chart 12: Impact that IIoT predictive maintenance will have on plan and/or industry

O&M Practitioner Insight

Q. What changes do you see happening in the Reliability & Maintenance discipline over the next five years?

Fred Schenkelberg

I see an increased emphasis on establishing consistent processes, gathering and using data in a meaningful manner (manual first, then, where useful, automating it).

I also expect atenfold increase in the collection of data that goes under-utilized. Currently, many factories collect tons of data and there is little or limited use of it. Adding more sensors adds more data, not information.

6.0 Recommendations

6.1 Recommendations to Accelerate PdM4.0 and Industry 4.0 Deployment

The following high-level recommendations for accelerating the deployment of IIoT Predictive Maintenance are provided based on research in this report.

  • Include O&M professionals in developing the organization’s PdM4.0 strategy. Not only does this help secure organization-wide buy-in, but their inclusion can provide practical insight into adoption.
  • Implement Proof of Concepts with multiple vendors and evaluate results based on pre-defined criteria.
  • Include O&M professionals in the process of creating functional and specification documents, Requests for Proposals (RFPs) and Proof of Concepts.
  • Create Centers of Excellence for the Application of Machine Learning.
  • Develop and nurture an Industry 4.0 vendor and solutions ecosystem so that complementary technologies can be rapidly evaluated and adopted when needed.
  • Design a company-wide IIoT Technology Roadmap that is vendor-neutral.
  • Form a working group representing Operational Technology and Information Technology to explore technological solutions.
  • Develop operational metrics to measure the adoption of PdM4.0. These should not only include deployment (number of assets covered), but also relate to the enabling infrastructure (people, process, technology,etc.).
  • Include elements of Artificial Intelligence and Machine Learning in O&M Skills Development programs.
6.1.1 Review of Analyst & Industry Research

The following reports were considered as part of our evaluation:

Following is an abstract of recommendations included in the report:

  • There are steps to be taken before embarking on pilots or PoC’s. McKinsey suggests a “holistic approach”: creating a prioritized portfolio of initiatives across the enterprise, including both AI and the wider analytic/digital techniques.
Analyste Titre Date
PwC Netherlands Predictive Maintenance 4.0: Predict the Unpredictable 2017

Following is an abstract of recommendations included in the report:

  • Set up an IIoT infrastructure including “choosing the right protocols for wireless connectivity, data encryption and security.”
  • Install feedback loops. The ML solution may provide insights into the cause of machine asset failure. “Perhaps the PdM 4.0 business case for a particular asset type needs to be re-evaluated: it may be more expensive or yield worse returns than initially thought. Or the criticality of assets may change over time and warrant new feasibility studies.”

Appendix A – Additional Research Data

This section contains additional graphics not included in the main report.

1.0 Attitudes Towards IIoT Predictive Maintenance

Chart 6.1 facility staff recognize the potential of predictive analytics

Chart 6.2 we are delaying new investments in predictive analytics until we decide on an IOT strategy

Chart 6.3 adopting industry 4.0 is a priority for our organization or facility

Chart 6.4 the hype over industry 4.0 and IIoT is exaggerated

Chart 6.5 Senior executives recognize the potential of IIoT predictive analytics

2.0 Factors Impacting the Deployment of IIoT Predictive Maintenance

Chart 7.1 Impact on deployment: software too complex

Chart 7.2 Impact on deployment: inability to access sensor

Chart 7.3 Impact on deployment: budgetary constraints

Chart 7.4 Impact on deployment: lack of need or interest

Chart 7.5 Impact on deployment: concerns about sharing

Chart 7.6 Impact on deployment: other priorities

chart 7.7 Impact on deployment: skill shortage (engineers)

Chart 7.8 impact on deployment: lack of understanding of industry 4.0

Chart 7.9 Impact on deployment: skills shortage (data scientists)

Chart 8.1 we have sufficient staff of data scientist to deploy IIoT predictive analytics

Chart 8.2 my organization has the internal expertise to deploy IIoT predictive analytics

Chart 8.3 My organization has the core infrastructure needed for IIoT predictive analytics

3.0 Impact that IIoT Predictive Maintenance Will Have on Plant and/or Industry

Chart 12.1 impact: the overall equipment efficiency (OEE) will improve

Chart 12.2 Impact: utilizing and analyzing the data in real-time will allow better decision making

Chart 12.3 Impact: the capture, storage and use of operational data will be a high priority

Chart 12.4 Impact: it will lead to a meaningful extension of asset useful life

Chart 12.5 Impact: there will be an improvement in operational safety and health

Chart 12.6 Impact: it will allow my organization to become more competitive in our market

Chart 12.7 impact: roles and responsibilities for maintenance and reliability professionals will change

Chart 12.8 Impact: force the convergence of information technology and operational technology organization

Laisser un commentaire