IOT et industrie : le duo gagnant de la maintenance prédictive

L’une des préoccupations quasi quotidiennes d’un industriel est l’arrêt de la machine. Qu’il dure quelques jours et le coût devient vite prohibitif, de sorte que le Graal d’un fabricant quel que soit son secteur d’activité est de pouvoir prévenir une panne avant qu’elle n’intervienne. Ce qui suppose de truffer les machines de capteurs connectés et d’être capable de remonter et d’analyser une masse très volumineuse de données. Stelia Aerospace, une filiale d’Airbus, qui est l’un des principaux fabricants mondiaux de pièces d’aérostructures de grande taille, a ainsi missionné Capgemini pour concevoir une solution globale de maintenance préventive, ou prédictive. Ce projet a démarré au début de 2018 avec un premier cas d’application sur des machines d’usinage 5 axes installés dans l’un des sites de Stelia Aerospace, une usine basée à Tunis et qui fabrique des petits sous-ensembles métalliques.

Capteurs connectés

« Nous avons démarré avec 4 machines dans lesquelles nous avons implanté différents capteurs », raconte François Calvignac, responsable de l’activité Industrial Internet Of Things de Capgemini. Naturellement, les experts de l’IoT de Capgemini n’ont pas choisi au hasard où ils allaient installer ces capteurs, en l’occurrence trois accéléromètres et deux capteurs de température. En concertation avec Stelia Aerospace, c’est la broche qui est sélectionnée, une pièce maîtresse dans une machine d’usinage puisque c’est elle qui maintient l’outil en place. Les accéléromètres servent à mesurer les vibrations autour de la broche. Cette dernière est en effet soumise à des vitesses de rotation comprise entre 14 000 et 20 000 tours / minutes. Autant dire que cette pièce est sujette à l’usure, et donc, s’il y a une anomalie, l’arrêt machine pour réparer une broche peut atteindre quelques jours. “En faisant de la maintenance prédictive, un industriel peut optimiser ses coûts notamment au niveau des stocks de pièces détachées “, indique François Calvignac.

Probabilités de pannes

En plus des capteurs, en connectant les automates des machines, Capgemini a ainsi pu mesurer une cinquantaine de paramètres, comme la vitesse de rotation et les charges sur la broche, les conditions de coupe, sans oublier la consommation d’énergie. Pour cette première expérience, l’ensemble des données collectées et analysées a atteint près de 30 téraoctets pour les 4 machines sur un an. Mais en rythme de croisière, ce volume pourrait être cinq fois moins élevé. Les données sont ensuite stockées dans le Cloud, via la solution de traitement et d’analyse X-IoT de Capgemini. Grâce aux historiques de pannes, l’algorithme spécialement développé par le groupe effectue des calculs permettant de mieux comprendre le fonctionnement d’un équipement et ainsi mieux anticiper les anomalies ou les pannes. De sorte qu’il devient possible d’intervenir au moment optimal, ni trop tôt, ni trop tard. Par ailleurs, l’implémentation d’X-IoT ne prend pas plus de une à deux semaines pour connecter, visualiser et commencer le travail sur les données.

Bâtir des historiques

« Il est encore un peu tôt pour évaluer un retour sur investissement chez Stelia Aerospace », observe François Calvignac. L’application de la data science et des technologies de l’IoT à la maintenance prédictive suppose de relever certains défis. Il faut notamment compiler suffisamment d’historiques pour être capable de bâtir des modèles prédictifs. Un autre challenge consiste à récupérer les données machines auprès des constructeurs, ce qui n’est pas évident. Il reste que Capgemini a implémenté cette solution chez d’autres industriels de l’aérospatial, comme Baker-Hughes (groupe GE).

Laisser un commentaire