IOT et industrie : Maintenance prédictive avec apprentissage automatique

Temps de lecture: 11 minutes Tôt ou tard, toutes les machines échouent, mais avec un large éventail de conséquences. Une panne de cafetière soudaine peut gâcher votre humeur et votre matinée. Un dysfonctionnement inattendu dans une centrale électrique peut laisser des milliers de personnes dans l'obscurité totale pendant des heures et entraîner une perte de plusieurs millions de dollars.
Le coût moyen des temps d'arrêt imprévus dans les secteurs de l'énergie, de la fabrication, des transports et autres est de 250 000 $ par heure ou 2 millions de dollars par jour ouvrable. Pour éviter des pannes coûteuses et atténuer les dommages causés par les pannes, les entreprises ont besoin d'une politique de maintenance efficace. Cet article présente les stratégies disponibles, les avantages de l'approche prédictive la plus avancée et les ressources nécessaires à sa mise en œuvre.
Politiques de maintenance: stratégie corrective vs préventive vs stratégie prédictive
Il existe trois principaux types de politiques de maintenance auxquelles une entreprise peut se conformer: corrective, préventive et prédictive. Chaque option a ses avantages et ses inconvénients. Analysons-les plus en détail.

Répartition des coûts dans différents scénarios de maintenance. Source: Tibbo Systems
Maintenance réactive: corrigez le problème lorsqu'il se produit réellement
Principaux avantages: faible coût de maintenance, personnel permanent réduit, planification minimale requise
Inconvénients majeurs: coût de réparation élevé, risques de sécurité, dommages potentiellement plus importants aux machines
La maintenance réactive, également connue sous le nom de maintenance corrective, en cours de fonctionnement ou en cas de panne, signifie que les actions sont prises lorsque l'équipement est déjà en panne. Cette approche permet d'économiser du temps et de l'argent sur les services de planification et de support. Il peut avoir lieu en cas d'actifs redondants, faciles à réparer et non critiques. Disons que les ampoules ne sont remplacées qu'après avoir grillé.
Bien que la maintenance corrective ne nécessite aucun coût initial, elle s'avère très coûteuse à long terme, compte tenu des salaires des heures supplémentaires, de la durée de vie utile réduite des actifs, des dommages à la réputation et des risques pour la sécurité. Selon les estimations du Marshall Institute, l'approche réactive coûte aux entreprises jusqu'à 5 fois plus cher que les types de maintenance proactifs.
Maintenance préventive: réparez tout sur un calendrier
Avantages majeurs: efficacité et cycle de vie accrus de l'équipement, probabilité réduite de pannes, économies d'argent
Inconvénients majeurs: aucun moyen d'exclure les échecs catastrophiques, augmentation de l'intensité du travail et des temps d'arrêt prévus, temps supplémentaire sur la planification
La maintenance préventive déclenche des inspections régulières de l'équipement pour atténuer les dégradations et réduire la probabilité de pannes. Les activités planifiées comme la lubrification ou les changements de filtres prolongent la durée de vie utile des actifs et améliorent leur efficacité. Tout cela se traduit par des économies d'argent. Des études montrent que les économies moyennes de la maintenance planifiée s'élèvent à 12-18% par rapport à la maintenance réactive.
Cependant, les mesures préventives ne peuvent pas totalement exclure la possibilité de défaillances catastrophiques. En outre, cette pratique implique une planification et des ressources humaines supplémentaires. Souvent, la fréquence des contrôles est supérieure ou inférieure à celle nécessaire pour garantir la fiabilité.
Maintenance prédictive (PdM): ne corrigez pas ce qui n'est pas cassé
Principaux avantages: temps et coûts de maintenance réduits, durée de vie des actifs plus longue, risques réduits en termes de sécurité, d'environnement et de qualité
Inconvénients majeurs: nécessité de changements organisationnels, investissements importants dans le matériel, les logiciels, l'expertise et la formation du personnel
La maintenance prédictive est devenue possible avec l'arrivée d'Industrie 4.0, la quatrième révolution industrielle tirée par l'automatisation, l'apprentissage automatique, les données en temps réel et l'interconnectivité. Semblable à la maintenance préventive, PdM est une approche proactive de l'entretien des machines. La différence est qu'une entreprise planifie ses activités en fonction d'une surveillance constante de l'état. Une fois les tendances malsaines identifiées, les pièces endommagées sont réparées ou remplacées pour éviter des pannes plus coûteuses.
Les avantages que PdM apporte aux entreprises comprennent des coûts de maintenance réduits, une durée de vie prolongée des équipements, des temps d'arrêt réduits, une augmentation de la capacité de production et une sécurité renforcée. Selon un rapport de Deloitte Insights, PdM promet

une réduction de 20 à 50% du temps requis pour planifier la maintenance,
une augmentation de 10 à 20% de la disponibilité et de la disponibilité de l'équipement, et
une réduction de 5 à 10% du coût de maintenance global.

Mais de telles améliorations nécessitent des investissements importants dans l'infrastructure informatique et l'expertise – à savoir, dans les capteurs industriels IoT (IIOT), les logiciels d'analyse avec des capacités d'apprentissage automatique, les services de scientifiques des données et de spécialistes informatiques et la formation du personnel. Une entreprise doit construire tout un écosystème qui soutiendra les activités préventives. Dans les sections suivantes, nous verrons quand ces efforts auront un sens et exactement ce qu'il faut pour implémenter PdM.
Cas d'utilisation de la maintenance prédictive et facteurs de succès
À quels actifs vaut-il la peine d'appliquer PdM? En premier lieu, cette stratégie à forte intensité de coûts et de technologie se justifie par des équipements de grande valeur et critiques qui doivent toujours être opérationnels. De toute évidence, le PdM est trop cher et peu efficace pour les composants qui peuvent être arrêtés pendant des heures, voire des jours sans nuire au cycle de production. Tout entre les deux nécessite des délibérations supplémentaires pour faire le bon choix.

Exemples d'entreprises ayant réussi à appliquer la maintenance prédictive.
Actuellement, le PdM le plus performant est utilisé dans les secteurs industriels suivants:

usines de fabrication,
centrales électriques,
les chemins de fer,
aviation,
l'industrie pétrolière et gazière, et
logistique et transport.

Tâches que vous pouvez résoudre avec PdM
Quelle que soit l'industrie, lorsque vous décidez de la mise en œuvre, vous devez clairement comprendre que PdM ne s'applique qu'aux tâches de nature prévisible. La stratégie PdM peut répondre à cinq questions majeures:

Quelle est la probabilité d'une défaillance dans un laps de temps donné?
Quelle est la durée de vie utile restante (RUL) de l'actif? En d'autres termes, combien de temps la machine fonctionnera-t-elle avant de casser?
Quelle est la cause probable d'un problème donné?
Quel actif présente le risque de panne le plus élevé?
Quelles activités permettront de résoudre le problème le plus efficacement?

Si votre entreprise souhaite acquérir ce type de connaissances pour améliorer les procédures de maintenance, PdM adapte vos besoins à un T.
Facteurs clés permettant PdM
La stratégie de PdM repose sur plusieurs piliers majeurs et ne fonctionnera tout simplement pas si certains sont absents ou insuffisants.
Les données. Plus vous avez de données, plus votre personnel de maintenance prend des décisions éclairées. Pour générer des prévisions précises, vous devez collecter et traiter des données en temps réel à partir de capteurs, des historiques de maintenance et de défaillance, des métadonnées d'équipement et même des informations externes, telles que les conditions météorologiques.
Compétence. Outre la formation du personnel pour comprendre les processus PdM et travailler avec de nouveaux équipements, vous avez besoin d'une expertise technique supplémentaire. L'efficacité de la maintenance prédictive dépend en grande partie des spécialistes suivants:

des ingénieurs logiciels et cloud pour intégrer toutes les parties d'un puzzle informatique de maintenance prédictive dans une solution de bout en bout et orchestrer leur travail;
des experts en données pour préparer des données, choisir, régler et former des modèles d'apprentissage automatique et interpréter les résultats; et
les ingénieurs de fiabilité utilisent les résultats fournis par les scientifiques des données pour améliorer l'efficacité et la sécurité des équipements.

Compte tenu de la complexité de l'infrastructure informatique requise pour exécuter les activités PdM, vous devrez peut-être également faire appel à un architecte d'entreprise. Cet expert évaluera vos systèmes actuels, consultera les technologies disponibles et vous aidera à relever les principaux défis liés aux logiciels et à l'intégration.
Infrastructure informatique. PdM utilise plusieurs modules matériels et logiciels ainsi que des technologies cloud. Tous les composants du système informatique sont cruciaux pour les activités de maintenance prédictive, nous allons donc les étudier plus en détail.
Écosystème informatique de maintenance prédictive ou technologies propulsant PdM
La maintenance prédictive implique un flux constant de données à partir des actifs physiques, l'analyse des informations en temps réel par rapport aux enregistrements historiques, la prévision des résultats, et donc l'atténuation ou la prévention des pannes et des temps d'arrêt potentiels. Le flux de travail fluide est rendu possible par le travail orchestré de plusieurs systèmes et solutions logicielles.

Principaux composants matériels et logiciels propulsant la maintenance prédictive.
Système IIoT
Les dispositifs IIoT ou les capteurs intelligents qui effectuent la surveillance de l'état des équipements sont au cœur de la maintenance prédictive. Ces éléments matériels intégrés ou externes capturent les paramètres physiques et les traduisent en signaux numériques.
Les paramètres utilisés dans la maintenance prédictive comprennent, sans s'y limiter:

vibration,
capteurs de courant et de tension,
qualité du lubrifiant,
niveaux de liquide,
Température,
pression,
les niveaux sonores et la fréquence, et
contenu chimique.

Les capteurs transmettent des signaux au stockage de données via une passerelle IoT, un périphérique physique ou un logiciel qui sert de pont entre le matériel et les installations cloud. Il pré-traite et filtre les données de l'IIoT, réduisant ainsi leur quantité avant de les envoyer au centre de données. De plus, la passerelle assure la connectivité, améliore la sécurité et permet la traduction entre différents protocoles de messagerie.
Système informatisé de gestion de la maintenance (GMAO)
Un système informatisé de gestion de la maintenance est un autre logiciel important derrière PdM. Il permet de contrôler et d'analyser toutes les informations liées à la maintenance, telles que les calendriers de réparation, l'historique des pannes, l'utilisation des pièces de rechange et les activités de maintenance, ainsi que les spécifications de l'équipement et les exigences techniques. Les données historiques accumulées au fil des ans créent une base solide pour des prévisions précises.

Exemple de tableau de bord GMAO avec des données sur les KPI de maintenance. Source: IAMTech
Stockage central des données
Vous avez besoin d'un stockage volumineux et évolutif pour agréger à la fois les données en temps réel des capteurs et les données historiques d'une GMAO.
Il convient de noter que très peu d'entreprises disposent de suffisamment de ressources pour conserver les informations des capteurs dans les centres de données sur site. Les solutions cloud – à savoir les plates-formes middleware IoT et IIoT – sont un meilleur choix pour collecter et stocker de grandes quantités de données. Vous pouvez facilement augmenter ou diminuer leur capacité, en fonction du volume de données transférées et du nombre de capteurs connectés.
Solution analytique avec capacités d'apprentissage automatique
Il ne suffit pas de collecter des ensembles de données massifs à partir de différentes sources. La stratégie de maintenance prédictive nécessite de puissants outils analytiques reposant sur des algorithmes d'apprentissage automatique. La génération de prédictions avec ML comprend plusieurs phases.

Un moteur analytique détermine un état de santé normal de l'équipement sur la base de données historiques (phase d'apprentissage).
Des modèles basés sur des données sont appliqués pour surveiller en permanence l’indice de santé de l’équipement.
Une fois que le système identifie les signes d'usure, il avertit des problèmes afin que les techniciens puissent prendre des mesures avant que la panne ne se produise.

Parfois, un module de maintenance prédictive fait partie intégrante de la GMAO, mais ce n'est pas toujours le cas. En outre, ce module peut être difficile à personnaliser et manque de capacités d'apprentissage automatique, ce qui entraîne un pronostic moins précis.
Vous pouvez également utiliser des applications prêtes à l'emploi qui s'intègrent aux GMAO existants ainsi qu'aux plates-formes middleware IoT où les données IIoT sont stockées. Les principaux moteurs d'analyse créés spécialement pour les tâches PdM sont:

Senseye se connecte à une GMAO et construit des modèles d'apprentissage automatique pour la prédiction de la durée de vie utile restante (RUL). Il utilise les données historiques disponibles ou apprend le comportement de la machine pendant 14 jours avant de faire des prédictions.
Splunk, un outil analytique industriel déjà intégré aux principales plates-formes IoT, recueille des données provenant de capteurs, de systèmes de contrôle industriels (SCADA) et de GMAO pour effectuer une maintenance prédictive, en tirant parti des capacités statistiques et d'apprentissage automatique.
SentientScience est une plate-forme numérique qui prédit la probabilité de pannes dans des équipements rotatifs complexes (turbines, rails, giravions).

Dans de nombreux cas, cependant, des solutions analytiques personnalisées sont nécessaires pour desservir correctement une ligne industrielle spécifique ou certains équipements.
Principales plates-formes industrielles IoT prenant en charge PdM
Construire une infrastructure PdM interne à partir de zéro est coûteux, lourd en ressources et largement tributaire des compétences spécifiques dont de nombreuses entreprises industrielles manquent. Mais il existe une solution: des plates-formes IoT industrielles qui fournissent une base solide et les outils nécessaires pour dérouler les activités de maintenance prédictive. De portée et de fonctionnalités variées, ils offrent généralement aux entreprises les capacités et services suivants:

gestion des appareils pour connecter des milliers et des centaines de milliers de capteurs et de compteurs sur une seule plateforme;
prise en charge des protocoles de messagerie industrielle;
environnement de développement logiciel, outils et API à intégrer aux solutions d'entreprise existantes;
stockage de données évolutif et un moteur de traitement de données volumineuses;
moteurs d'analyse et apprentissage automatique en tant que service;
Technologie Digital Twin – visualisations de l'état de l'équipement en temps réel; et
logiciel de gestion des actifs prêt à l'emploi et moteurs d'analyse adaptés aux tâches PdM.

Voici un bref aperçu de certaines des meilleures plates-formes IoT industrielles et de leurs services.
Watson IoT par IBM
Avantages rapportés:

le soutien d'IBM, leader mondial de l'intelligence artificielle;
une large gamme de fonctionnalités;
un support client IBM de premier ordre pour justifier, planifier et fournir des applications personnalisées.

Problèmes signalés:

complexité en termes d'intégration et de développement d'une solution de bout en bout;
le coût élevé des services pour les petites entreprises.

La plateforme IBM Watson IoT est une solution industrielle hébergée dans le cloud avec des services de stockage et de traitement des données évolutifs. Il peut gérer des tâches de complexité variable, de l'exécution de la preuve de concept au contrôle d'une production à part entière. La plate-forme permet aux entreprises d'enregistrer des milliers d'appareils, d'appliquer des analyses basées sur l'IA aux données et d'obtenir des informations sur les performances et la santé de l'équipement via des tableaux de bord visuels.

Tableau de bord de surveillance des appareils IoT Watson. Source: G2
Bien que la plate-forme IoT vous offre une large gamme d'outils pour surveiller les capteurs et exécuter la maintenance prédictive, vous avez toujours besoin de développeurs de logiciels pour les utiliser et du temps pour concevoir des applications. Les entreprises qui ne disposent pas d'une expertise technique suffisante ou qui souhaitent mettre en œuvre PdM le plus rapidement possible peuvent bénéficier de la suite IBM Maximo Asset Performance Management d'applications prêtes à l'emploi basées sur le cloud. Entre autres modules, il comprend:

Système IBM Maximo Asset Monitor pour une gestion pilotée par l'IA des actifs physiques sur une seule plateforme,
Application Predictive Maintenance Insights avec cinq modèles de modèles prédictifs prêts à l'emploi, une bibliothèque d'API d'analyse pour créer des modèles personnalisés et la possibilité de les évaluer à l'aide de Watson Machine Learning.

Plateforme Predix par GE Digital
Avantages rapportés:

vaste expérience industrielle dans l'aviation, la fabrication, le pétrole et le gaz et d'autres secteurs;
une large gamme d'outils de développement logiciel pour l'intégration.

Problèmes signalés:

différents cycles de développement et technologies utilisés pour créer des solutions sur site et basées sur le cloud, ce qui se traduit par une augmentation du temps et des coûts pour prendre en charge divers cas d'utilisation;
l'incertitude causée par la dette croissante de GE Digital, société mère – General Electric.

Predix Platform a été créé par GE Digital comme middleware entre les actifs physiques du conglomérat industriel multinational General Electric et sa plate-forme d'analyse. Il permet de collecter les données des machines lourdes dans un stockage centralisé pour les diagnostics de performances. En 2014, GE a ouvert sa plateforme IIoT pour des entreprises externes, leur permettant de gérer les données des capteurs et de créer des applications industrielles propulsées par l'apprentissage automatique.

Architecture de la plateforme Predix. Source: GE Digital
La plateforme propose également une suite de logiciels de gestion des performances des actifs (APM) qui comprend un composant de maintenance prédictive. Les entreprises peuvent l'utiliser pour économiser du temps et de l'argent sur les services de développement de logiciels.
Service Cloud IoT par Oracle
Avantages rapportés:

facilité d'intégration avec les applications d'entreprise,
mise en œuvre rapide de solutions métier prêtes à l'emploi,
des cas d'utilisation réussis de maintenance prédictive sur différents types d'équipements industriels, en usine et sur le terrain.

Problèmes signalés:

flexibilité réduite par rapport aux plates-formes IIoT autogérées qui fournissent un environnement pour le développement de logiciels personnalisés;
capacités de gestion des appareils limitées – les solutions Oracle fonctionnent avec des scénarios génériques, vous pouvez donc avoir besoin de solutions tierces pour gérer certains appareils spécifiques à l'industrie.

Oracle IoT Cloud Service utilise une infrastructure Oracle Cloud plus large et s'intègre à son middleware et ses logiciels d'entreprise. Plutôt qu’un environnement de développement, il propose des solutions prêtes pour l’entreprise à partir du portefeuille d’Oracle, comme IoT Asset Monitoring Cloud avec un module de maintenance prédictive.
L'outil PdM tire parti des flux de données des capteurs connectés, des données historiques, des données météorologiques et d'autres informations collectées dans le lac de données IoT Cloud. Pour obtenir des informations précieuses et fournir des visualisations riches, il combine des analyses avancées, des algorithmes d'apprentissage automatique et la technologie Digital Twin.
Cumulocity IoT par Software AG
Avantages rapportés:

prise en charge de plus de 150 appareils et de plus de 350 protocoles pour permettre la connectivité entre une large gamme de capteurs industriels;
mise en œuvre rapide sans codage de solutions industrielles,
généralité technologique – les mêmes API, modèles et architecture sont utilisés pour les solutions sur site et basées sur le cloud.

Problèmes signalés:

problèmes avec le service technique et le support pour les utilisateurs de la plateforme,
problèmes de sécurité.

L'idée principale derrière Cumulocity IoT est de permettre aux entreprises de connecter leurs appareils et de commencer à travailler avec les données le plus rapidement possible. Il est livré avec un large éventail d'applications IIoT prédéfinies et de modules complémentaires optionnels tels que la gestion des données et des outils d'analyse prédictive. La promesse est qu'une organisation peut exécuter son projet pilote en six semaines ou moins.
La plateforme propose également un kit de développement logiciel (SDK) et une prise en charge des microservices, permettant aux ingénieurs logiciels de créer des solutions industrielles personnalisées basées sur une architecture de microservices. Ainsi, Cumulocity répond aux besoins des deux fabricants qui souhaitent obtenir des solutions rapides et des fournisseurs de services de développement de logiciels pour les industries.
Étapes pour implémenter PdM: comment commencer petit
Avec les technologies d'analyse devenant plus puissantes et les capteurs moins chers, la maintenance prédictive gagne en popularité et en utilisation. Pour comprendre la valeur que PdM peut apporter à votre entreprise sans coût financier douloureux, vous pouvez commencer par une preuve de concept, en appliquant la stratégie à une machine ou à une gamme de produits. Le processus comprendra plusieurs étapes.

Identifiez une pièce d'équipement critique.
Définissez les paramètres à surveiller et installez les capteurs appropriés.
Engagez une équipe externe d'experts en science des données pour collecter des données et créer des modèles d'apprentissage automatique capables d'extraire des informations significatives.
Exécutez la validation de principe pendant quelques mois pour évaluer les prévisions par rapport aux processus de maintenance existants.
Estimer les économies annuelles.

Si la mise en œuvre de PdM s'avère réduire les coûts et améliorer l'efficacité, adaptez-la progressivement à l'ensemble de l'entreprise, en faisant appel à des consultants techniques pour choisir les bonnes solutions, créer des composants logiciels personnalisés et assister les intégrations.

Laisser un commentaire