Certaines installations de fabrication de produits pharmaceutiques fonctionnent 24 heures sur 24, sept jours sur sept, avec des arrêts de deux semaines deux fois par an pour des contrôles préventifs, note Jon Biagiotti, directeur du marketing produit chez Augury. Cette approche standard, cependant, peut ne pas être rentable ou une utilisation optimale des ressources. «La maintenance préventive peut être effectuée trop tard, sans résoudre les problèmes potentiels avant la prochaine vérification programmée, de sorte qu'elle se dégrade en une solution plus coûteuse. Ou cela peut être fait trop tôt, alors que ce n’est pas encore nécessaire », dit-il. «La communauté pharmaceutique montre un grand intérêt pour la maintenance prédictive car la nature conservatrice de nos applications se traduit par une maintenance préventive fréquente. La maintenance préventive n'est pas toujours nécessaire et entraîne des temps d'arrêt coûteux », ajoute Pamela Docherty, responsable du secteur chez Siemens. La surveillance continue et la maintenance prédictive conditionnelle offrent le potentiel d'améliorer l'efficacité et la qualité par rapport à la maintenance préventive basée sur le temps. Maintenance prédictive La maintenance prédictive fait passer l'analyse de la santé des actifs au niveau supérieur, en collectant des données à partir des équipements à l'aide de capteurs connectés via l'Internet des objets industriel (IIoT) et en analysant ces données pour prédire les performances futures d'un actif. Les décisions sont adaptées à une situation spécifique, plutôt que de suivre une attente générale. «Dans le passé, l'analyse prédictive sur un ensemble de nombreux actifs prenait trop de temps pour être pratique, mais l'analyse avancée permet d'obtenir des informations plus rapides et rentables», explique Michael Risse, vice-président et directeur du marketing chez Seeq. Grâce à l’IIoT et à l’analyse prédictive, «les actifs qui nécessitent une attention particulière fournissent un avertissement avancé sur ce dont ils auront besoin en termes de pièces de rechange et de maintenance en suffisamment de temps pour agir au meilleur prix et au meilleur moment pour l’organisation.» Dans de nombreux cas, les données nécessaires à l'analyse prédictive sont déjà collectées et disponibles dans les historiens ou d'autres bases de données, explique Risse. Si plus de données sont nécessaires, des capteurs et des réseaux sans fil sont facilement ajoutés. L'obstacle à la maintenance prédictive n'est donc pas la disponibilité des données, mais la capacité des experts en la matière à exploiter les données. «C'est la capacité de créer des informations exploitables et de les fournir via une interface facile à utiliser qui crée de la valeur», note Risse. Permettre aux ingénieurs de processus d'analyser eux-mêmes les données, avec des analyses en libre-service, donne à ces experts les connaissances dont ils ont besoin pour optimiser la maintenance, explique Edwin van Dijk, vice-président du marketing chez TrendMiner. Une autre clé de l'analyse en libre-service est la contextualisation des données provenant de l'équipement à l'aide de données liées aux processus. «Le but de la maintenance prédictive est de pouvoir effectuer la maintenance à un moment où elle est non seulement la plus rentable, mais aussi où elle aura le moins d'impact sur les opérations», déclare van Dijk. «L'intervention humaine est essentielle pour déterminer le meilleur plan d'action sur la base des informations disponibles», ajoute Lowe. Par exemple, avec un aperçu d'un problème à venir, «les fabricants peuvent réaffecter de manière proactive l'équipement et détourner les lots à venir vers d'autres lignes de production.» Apprentissage automatique Les progrès de la puissance de calcul et de l'intelligence artificielle (IA) – en particulier l'apprentissage automatique – ont permis la maintenance prédictive. Par exemple, les bibliothèques jumelles numériques (c'est-à-dire les collections de modèles) ont été initialement développées par les OEM pour des équipements spécifiques, et maintenant des modèles généraux qui peuvent être adaptés à des équipements spécifiques sont de plus en plus disponibles, déclare Elinor Price, chef de produit senior chez Honeywell Process Solutions . Elle dit que le rôle du jumeau numérique des actifs est d'alerter l'équipe de maintenance pour qu'elle soit proactive plutôt que réactive. Par exemple, les analyses avancées de reconnaissance de formes (c'est-à-dire l'apprentissage automatique) peuvent identifier les problèmes potentiels d'équipement en repérant les changements de débit ou de température avant qu'ils ne soient suffisamment importants pour déclencher une alarme sur le système de contrôle. «Les algorithmes d'apprentissage automatique construisent un modèle de la machine pour apprendre comment elle fonctionne», explique Biagiotti. «En comparant les performances actuelles aux performances passées, des anomalies peuvent être détectées. Un diagnostic complet des pannes peut être effectué en examinant le spectre de fréquences, en appliquant la reconnaissance de formes et en comparant les signaux à des machines similaires. Basé sur [these diagnostics], des recommandations spécifiques et exploitables sont formulées pour améliorer la santé d'une machine. »L'apprentissage automatique est souvent basé sur l'analyse des vibrations, mais il va au-delà d'un système classique basé sur des règles. «Le système apprend comment fonctionne la machine afin que vous ne receviez pas de fausses alarmes», explique Biagiotti. «En comparant les données d’une machine à des machines similaires, la précision s’améliore de manière exponentielle à mesure que nous collectons davantage de données. Grâce à l'utilisation de l'IIoT, les fabricants peuvent comparer les équipements et les lignes de production au niveau mondial, en comparant les usines du monde entier. » Cas d'utilisation Biagiotti affirme que l'une des principales utilisations des algorithmes d'apprentissage automatique est la surveillance des équipements utilitaires des salles blanches, qui sont particulièrement critiques car les arrêts entraînent le processus long et coûteux de reconditionnement de la salle blanche. Les unités de traitement d'air, par exemple, sont généralement fermées et difficiles d'accès, mais des capteurs sans fil peuvent être placés dans l'enceinte pour envoyer des données via l'IIoT. Dans un cas, des algorithmes d'apprentissage automatique ont identifié l'usure des roulements sur deux unités de traitement d'air et la correction du problème a empêché un arrêt inattendu. Dans un autre cas, l'analyse des vibrations a été utilisée pour détecter un désalignement et une défaillance de roulement sur une pompe du système d'eau glacée. La pompe devait maintenir une température constante pour le produit expérimental. «Le système a détecté une panne 120 jours à l'avance, ce qui a sauvé des expériences par lots qui, si elles étaient perdues, auraient pu faire perdre des mois de temps», explique Dennis Belanger, directeur d'Operational Certainty Consulting chez Emerson. Il rapporte sur une autre utilisation: «Emerson a travaillé avec une organisation pour développer un système d'apprentissage automatique qui pourrait détecter la dérive du capteur sur un capteur de température pour un skid de traitement thermique. Cette mise en œuvre a détecté une aberration 60 jours à l'avance, ce qui a permis à l'organisation de sauvegarder un lot d'une valeur supérieure à 1 million de dollars. » Les performances des échangeurs de chaleur sont cruciales pour le contrôle des processus et offrent une opportunité d'optimisation de la maintenance, déclare van Dijk. «L'encrassement des échangeurs de chaleur augmente le temps de refroidissement, mais planifier la maintenance trop tôt entraîne des temps d'arrêt injustifiés. Une planification trop tardive entraîne une dégradation des performances, une augmentation de la consommation d'énergie et des risques potentiels », explique-t-il. «Dans un réacteur avec des phases de chauffage et de refroidissement ultérieures, la phase de refroidissement contrôlé est celle qui prend le plus de temps et il est presque impossible de surveiller l'encrassement lorsque le réacteur est utilisé pour différentes qualités de produit et lorsqu'une recette différente est requise pour chaque qualité. Dans un cas, un moniteur a été mis en place pour examiner les temps de refroidissement des produits les plus produits d’une entreprise. Si la durée de la phase de refroidissement commençait à s'allonger, un avertissement était envoyé aux ingénieurs qui pouvaient alors planifier une maintenance en temps opportun, parfois deux à trois semaines à l'avance. Les avantages obtenus sont une disponibilité accrue des actifs, une maintenance prédictive menant à une réduction des coûts d'exploitation et de maintenance et une réduction des risques pour la sécurité. » Les algorithmes prédictifs peuvent également empêcher la percée d'un filtre dans un réservoir de suspension, qui est utilisé pour éliminer les impuretés dans un produit avant qu'il ne soit introduit dans le lot. «Parfois, l'une des vannes peut fuir et du gaz peut pénétrer dans le système. Mais parfois, la vanne peut vraiment être bloquée à cause de solides, et la pression continue de s'accumuler jusqu'à ce que le filtre finisse par se casser », note van Dijk. «À l'aide d'analyses en libre-service, les ingénieurs de procédé ont configuré les moniteurs pour identifier les fuites des vannes, ce qui pourrait être un indicateur précoce d'une percée de filtre susceptible de contaminer un lot entier. Avec les moniteurs prédictifs, l’équipement peut être remplacé plus tôt ou le processus peut être contrôlé différemment. » Belanger conclut: «Ce que tous les exemples de réussite ont en commun, c'est que les décideurs ont examiné de près les points critiques de défaillance de l'organisation et ont développé des solutions qui ont donné à l'organisation le temps dont elle avait besoin pour réagir de manière efficace mais réfléchie, pour générer des résultats plus positifs dans l'ensemble.» Maintenance prescriptive La maintenance prescriptive décrit une méthode de planification automatique de la maintenance requise basée sur des algorithmes prédictifs. «Ce type de maintenance nécessite encore plus de données provenant de beaucoup plus de sources que les« rares »capteurs de l’équipement. Des informations contextuelles opérationnelles sont nécessaires pour évaluer artificiellement toutes les circonstances afin de générer la prescription adéquate pour la maintenance requise », explique van Dijk. «La maintenance prescriptive est adoptée par les meilleurs fabricants de produits pharmaceutiques pour améliorer la production grâce à une prise de décision plus éclairée», ajoute M. Belanger. Il explique que cette méthode utilise des outils d'analyse pour «trouver des modèles ou des anomalies dans de grandes quantités de données apparemment sans rapport, comprendre et évaluer les performances d'un processus ou d'un système plutôt que de mesurer l'état d'un seul équipement. Une action corrective est alors «prescrite» pour minimiser ou prévenir les pannes. L'industrie pharmaceutique n'est pas prête pour un «système d'analyse prescriptive entièrement basé sur l'intelligence artificielle pour faire fonctionner une usine autonome», déclare van Dijk. «Un système d'intelligence artificielle avec interaction humaine est actuellement un pari beaucoup plus sûr.» Dans ce système, les ingénieurs de processus et les opérateurs utilisent toutes les informations disponibles pour créer des «moniteurs de processus». Ces moniteurs automatisés envoient des «prescriptions» pour les futures actions de maintenance aux personnes ou aux systèmes appropriés de l'usine. Pour la maintenance prédictive et prescriptive, comprendre le processus, créer des modèles de données et analyser les données sont essentiels, explique van Dijk. Les experts en la matière – les ingénieurs de processus – peuvent utiliser des outils «d'analyse en libre-service» pour rechercher et filtrer les données, effectuer une analyse des causes profondes, tester des hypothèses et créer des moniteurs pour prédire les performances des processus et des équipements. Van Dijk a expliqué trois façons d'analyser les données à l'aide de cette approche d'analyse en libre-service. «Le premier est basé sur les événements. Si un certain comportement de signature est détecté et peut affecter une autre partie du processus qui se produit généralement plus tard, une notification peut être générée. Cette notification peut inclure des instructions pour les actions préventives requises ou la maintenance requise. «Le second est probabiliste. Le comportement actuel est interprété et une probabilité de comportement futur est calculée, ce qui entraîne éventuellement des ordres de travail de maintenance programmés automatiquement avec les instructions nécessaires. «Le troisième type est régressif. La prédiction est basée sur certaines conditions qui doivent être remplies et vérifiées, et en cas d'écarts, les instructions peuvent être données à la salle de contrôle, ou la maintenance peut être programmée dans un proche avenir. «Pour les trois situations, les événements peuvent être capturés au cas où ils se produiraient, fournissant plus d'informations pour améliorer les futurs travaux de maintenance prédictive et même normative.» Mise en œuvre et intégrité des données Au démarrage, les entreprises doivent d'abord analyser quelles données sont déjà disponibles et si les réseaux existants sont adéquats pour la collecte de données. Si tel est le cas, ils devraient aller de l'avant avec l'analyse des données, «trouver les fruits à portée de main» et les utiliser pour optimiser les activités de maintenance, suggère Donald Mack, directeur de l'industrie chez Siemens. Les équipes qualité doivent être sensibilisées à la fiabilité de la maintenance prédictive, ajoute Docherty. «Il est probable que les entreprises« surveillent »les données de maintenance prédictive et obtiennent une compréhension, tout en repoussant lentement l’intervalle de temps entre chaque maintenance prédictive», dit-elle. L'intégrité des données est cruciale pour les équipements connectés à l'IIoT. «La numérisation et la cybersécurité vont de pair. Des appareils qui étaient autrefois isolés, presque impossibles d'accès, sont désormais transférés sur l'autoroute de l'information », déclare Mack. «Une solution IIoT solide nécessite une architecture système détaillée et axée sur la sécurité, capable de représenter efficacement la sécurité multicouche au sein de la solution», ajoute Brycen Spencer, consultant IoT chez Siemens. «Les entreprises doivent rechercher une solution conçue pour être évolutive, résiliente et efficace. Des fonctionnalités telles que la gestion stricte des accès, le chiffrement, la sécurité du réseau, la séparation des locataires et de l'environnement et les canaux de communication filtrés sont fondamentales pour une bonne architecture IIoT. "Détails de l'article
Vol. 44, n ° 1
Janvier 2020
Pages: 36–40 Citation Lorsque vous vous référez à cet article, veuillez le citer comme suit: J. Markarian, «Optimizing Machine Health», Pharmaceutical Technology 44 (1) 2020.