IOT et industrie : Predictive Maintenance 4.0 – Introduction pratique à l'IoT pour les véhicules et les machines

La maintenance prédictive (PdM) évolue rapidement.

Et pour une bonne raison:

le montée du Big Data, de l’IoT, du Cloud et de l’IA conduit PdM avec un TCAC de 40% vers 10 $ + milliards d’ici 2022.

Et le battage médiatique est réel.

Comme indiqué ci-dessous, Google Trends montre 400% + augmentation des intérêts depuis 2008:

CMMS Predictive Maintenance Growth Trend "style =" largeur: 70%; affichage: bloc; marge gauche: auto; marge droite: auto;

Pourtant, avec le battage médiatique vient également beaucoup d’articles fluff & buzz.

Dans cet article, nous avons réduit l’encombrement avec un guide simple de PdM – en mettant l’accent sur les applications de bus CAN (véhicules et machines). En particulier, nous décrivons ce qu’est la maintenance prédictive, comment elle fonctionne et pourquoi elle est attrayante.

Nous terminons avec des exemples pratiques et les prochaines étapes exploitables – afin que vous puissiez arrêter la lecture et démarrer réellement un pilote.

Prendre plaisir!

Maintenance prédictive Automatisation industrielle "style =" largeur: 150%;

QU’EST-CE QUE LA MAINTENANCE PRÉDICTIVE, VRAIMENT?

Commençons par une définition vraiment basique:

L’objectif de la maintenance prédictive
est de prévoir et de prévenir les pannes d’équipement

Trop générique?

Essayons de le mettre dans le contexte de deux méthodes de maintenance classiques:

Reactive-Preventive-Predictive-Maintenance-Types "style =" largeur: 70%; affichage: bloc; marge gauche: auto; marge droite: auto;

Bien sûr, la maintenance prédictive peut être divisée en sous-sections – voir les détails ci-dessous:

Maintenance prédictive 1.0 à 4.0 – Détails

En principe, la maintenance prédictive existe depuis des lustres: lorsqu’un technicien inspecte un actif et effectue une modification pour éviter une panne future, il s’agit de la maintenance prédictive.

La différence est la quantité de données utilisées et la fréquence des mises à jour – cf. l’aperçu de PdM 1.0-4.0.

Ci-dessous, nous nous concentrons principalement sur la maintenance prédictive 4.0, en utilisant l’IoT, le Big Data et l’analyse prédictive en temps quasi réel.

En particulier, nous allons plonger dans les sous-sections de PdM 4.0 pour montrer qu’il s’agit toujours d’une segmentation extrêmement large.

Predictive-Maintenance-Levels-Sophistication-1.0-2.0-3.0-4.0

Le rôle de la GMAO (logiciel de gestion de la maintenance informatisée)

La GMAO est étroitement liée à la maintenance prédictive. Bien que les données soient collectées via des appareils IoT et IIoT (Industrial IoT), elles nécessitent naturellement un logiciel pour traiter les données. Ici, un grand nombre de plates-formes existent, bien que le principe de base soit le même.
Des outils de GMAO efficaces gèrent efficacement les quantités potentiellement massives de données IoT, les nettoient et les traitent dans le cadre de modèles prédictifs. De plus, la solution GMAO doit généralement permettre des modèles de réaction basés sur des événements – par exemple informer les techniciens des problèmes à venir via par ex. SMS ou afficher des avertissements.

Ci-dessous, nous aborderons brièvement certains de ces aspects, bien que nous ne nous plongerons pas dans des systèmes ou solutions spécifiques de GMAO.

En surface, la maintenance prédictive est assez simple.

Pourtant, dans un Enquête 2017 sur 280 entreprises, PwC a constaté que seulement 11% avaient atteint la maturité «PdM 4.0» (c’est-à-dire en utilisant les mégadonnées pour effectuer des analyses prédictives) – bien que 47% prévoient de le mettre en œuvre à l’avenir.

Entreprises de sondages sur la maintenance prédictive Exemples Résultats "style =" largeur: 70%; affichage: bloc; marge gauche: auto; marge droite: auto;

C’est une grosse déconnexion!

Si PdM est simple, alors pourquoi plus d’entreprises ne l’ont-elles pas déjà mis en œuvre?

Voyons cela ci-dessous.

COMMENT FONCTIONNE LA MAINTENANCE PRÉDICTIVE?

Vous pouvez considérer la maintenance prédictive comme déroulement du processus en 3 étapes – comme illustré ci-dessous:

Flux de processus de maintenance prédictive Collect Predict React

1 # COLLECT: Tout d’abord, vous devrez collecter des données pertinentes pouvant vous aider à prévoir le délai de défaillance. Cela se fait souvent par ex. ajout de capteurs IoT de vibration pour obtenir des données «indirectes».

Cependant, une méthode beaucoup plus directe consiste à exploiter les données d’exécution que la machine utilise pour fonctionner. Tous les véhicules – et la plupart des machines industrielles – fonctionnent à l’aide d’une combinaison de transducteurs (capteurs et actionneurs) et d’unités de commande. Les unités de contrôle implémentent des algorithmes qui déterminent le comportement de la machine. Les données d’exécution sont transportées en continu, souvent à l’aide de câbles et de protocoles de communication.

Une méthode de transport très populaire est « Bus CAN« , qui est par exemple standard dans tous les véhicules. Si un véhicule ou une machine utilise des câbles de bus CAN pour le transport de données, il est souvent possible de puiser en toute sécurité directement dans le flux de données d’exécution. Cela peut être fait en utilisant un Enregistreur de données de bus IoT CAN, ce qui ouvre la portée complète de vos données opérationnelles sur les actifs. Votre enregistreur CAN peut ensuite transférer ces données vers le cloud via un point d’accès WiFi (WLAN, 3G, 4G) en temps quasi réel.

2 # PREDICT: Les données collectées sont traitées dans le cloud. Pour les données du bus CAN, cela inclut la transformation des données en valeurs d’ingénierie mises à l’échelle. Une fois prêtes, les données peuvent être utilisées dans un modèle prédictif. Cela va des seuils simplistes à variable unique aux algorithmes avancés d’apprentissage automatique. Plus d’informations ci-dessous.

3 # RÉAGIR: Le modèle fournit des estimations de par ex. le délai de défaillance d’un actif et de ses composants. À partir de là, il réagit «simplement» à la perspicacité: planifier automatiquement la maintenance, envoyer des notifications push pour avertir le personnel des pannes potentielles et optimiser votre inventaire de pièces de rechange.


EXEMPLES DE MODÈLES DE PRÉDICTION PRATIQUE

Sentez-vous le PRÉDIRE étape est un peu floue? Tu n’es pas seul!

Ci-dessous, nous essayons d’étoffer cela avec des exemples illustratifs très basiques:

Exemple 1 # – Le camion sensible à l’huile: Dans ce Exemple illustratif de Google Sheets nous considérons un véhicule où la seule défaillance possible est de ne pas remplir d’huile. Au fil du temps, le niveau d’huile diminue à 10% et le véhicule tombe en panne – sa «durée de vie utile restante» (RUL) est nulle. Dans l’exemple, nous prétendons observer la vraie RUL et adapter une simple régression linéaire. Avec cela, nous prédisons le RUL hors échantillon et décidons d’un moment pour l’avertissement – qui dans l’exemple est ~ 17% de réduction par rapport au vrai RUL.

Exemple de camion d'entretien prédictif Véhicule pétrolier Pratique Simple

Découvrez ses deux intro et suivre!

Les exemples ci-dessus illustrent que l’ajout de données ajoute rapidement de la complexité.

Pour cette raison, Le PdM utilisant le machine learning (ML) est devenu populaire dans les modèles prédictifs.

L’apprentissage automatique est un choix naturel car PdM implique une classification des défaillances en utilisant d’énormes quantités de données de capteur. Nous n’approfondirons pas PdM en utilisant l’apprentissage automatique ici, mais pensez à lire ceci Présentation technique d’InfoQ ou ca Article Azure AI en utilisant les données NASA Turbofan avec ML.

De plus, si vous souhaitez en savoir un peu plus sur les modèles prédictifs de PdM, consultez Cet article par BigData Republic – c’est une excellente lecture, en particulier pour fournir un contexte à la stratégie de modélisation RUL dans nos exemples 1 # et 2 # ci-dessus.

Nous détaillerons comment démarrer plus loin ci-dessous, mais nous examinerons d’abord les avantages potentiels de PdM:

Maintenance prédictive AI Machine Learning Intelligence artificielle
Avantages de la maintenance prédictive Véhicules "style =" largeur: 150%;

IMPACT ET AVANTAGES DE LA MAINTENANCE PRÉDICTIVE

Si vous réussissez avec PdM, cela peut être changement de jeu – avec des exemples de statistiques d’impact comprenant:

Pourcentage des pannes financières de l'impact de la maintenance prédictive

Source 1: 3050% | Source 2: 10-20% | Source 3: 70%

Ci-dessous, nous détaillons certains des avantages majeurs:

Opportunités de bus CAN Dépannage à distance des tableaux de bord KPI

ALLER AU-DELÀ: Enfin, baser votre PdM sur des « données directes » est beaucoup plus puissant que par ex. utilisant des capteurs de vibrations. Avec les données du bus CAN, vous aurez pratiquement une copie numérique de votre actif dans le cloud – ouvrant des tonnes de nouvelles applications: optimisation de la productivité, dépannage à distance, tableaux de bord KPI en temps réel et plus encore. En retour, cela améliore le retour sur investissement (ROI) de votre implémentation.

Les avantages peuvent être récoltés à la fois par les utilisateurs finaux (par exemple, les gestionnaires de site ou de flotte) et les fabricants d’équipement d’origine (OEM).

Furter, PdM est hautement pertinent à la fois flottes de véhicules lourds (camions, bus), véhicules de défense, équipements agricoles, machines de production industrielle, gestion de la batterie – et bien d’autres industries.

En bref: Avec la maintenance prédictive, le ciel est la limite!

Mais bien sûr, ce n’est pas si simple – en particulier, cinq défis majeurs entrent en jeu:

Cinq défis clés dans la mise en œuvre de la maintenance prédictive

  1. Changer votre culture – PdM est un territoire inconnu pour la plupart des dirigeants d’entreprise. « Est-ce que cela fonctionnera? », « Est-ce que cela tue notre budget? » – obtenez l’adhésion (ou faire de la lumière PoCs Sous le radar)
  2. Choisir la bonne solution IoT – le marché est complexe et trouver un bon ajustement est difficile. Si vous débutez avec PdM, évitez une solution d’entreprise coûteuse. Commencer petit
  3. Gérer les mégadonnées – le traitement des mégadonnées peut être difficile. Définissez la bonne équipe et commencez avec quelques paramètres. Mais: les données historiques sont vitales – donc stocker toutes les données pertinentes que vous pouvez
  4. Éviter le verrouillage des données – la plupart des solutions IoT verrouillent vos données dans leur cloud. Cependant, ces données et les capacités acquises peuvent devenir vos principaux différenciateurs. Devenez propriétaire de votre solution
  5. Construire votre modèle – le modèle doit correspondre à vos capacités. Ne choisissez pas un grand modèle externalisé que vous ne comprenez pas s’il ne convient pas. Commencez simplement

Les défis sont importants – et la mise en œuvre de PdM nécessite la bonne approche.

Défis et problèmes liés à la mise en œuvre de la maintenance prédictive

Alors, comment commencez-vous?

Nous explorons cela dans notre prochaine section!

CANedge2 CAN Bus IoT Device "style =" largeur: 150%;

ÉTAPE PAR ÉTAPE: COMMENCEZ AVEC LA MAINTENANCE PRÉDICTIVE

Retour à la question:

Pourquoi si peu d’entreprises ont-elles mis en place une maintenance prédictive?

D’après notre expérience, la réponse est assez simple:

Trop parler. Trop peu d’action.

PdM obtient beaucoup de battage médiatique même au sommet – mais meurt parce que personne ne commence.

Alors comment tu fais?

La clé est de faire un petit, simple et à faible coût preuve de concept (PoC)
– qui évolue facilement

Pourquoi? Lorsque vous apportez le PoC à votre équipe de direction, vous réduisez considérablement la nécessité pour eux de «croire». Au lieu de cela, ils peuvent voir. Cela ouvre les budgets pour la mise à l’échelle – vous pouvez donc passer à la phase suivante.

Pour réaliser un PoC pour la maintenance prédictive, notre conseil est de suivre les étapes ci-dessous:

FEUILLE DE TRICHE: PREUVE DE PREUVE DE CONCEPT DE MAINTENANCE

Identifier Pain Point PdM "style =" largeur: 90%; 1 # Identifier un point douloureux bien connu – La machine X sur le site Y est-elle un enfant à problèmes bien connu? C’est un bon point de départ. Si la machine fonctionne sur le bus CAN, c’est un excellent candidat pour votre PdM PoC
Codeur développeur de l'équipe de maintenance prédictive solide "style =" largeur: 90%; 2 # Définissez votre équipe – consacrer entièrement une équipe de 3 à 4 personnes pour mettre en œuvre le PoC sur 3 à 6 mois. Idéalement, obtenez un expert en application, un expert en données, un codeur et un communicateur (pour vendre les résultats en interne)
Définir le modèle prédictif "style =" largeur: 90%; 3 # Définissez votre modèle prédictif – identifiez le type de défaillance que vous prévoyez, à quoi ressemble le processus de défaillance (rapide, lent,…), comment vous le prédirez et quelles données sont requises
IIoT IoT CAN Bus Data Logger Predictive Maintenance "style =" largeur: 90%; 4 # Acquérir 1-10 enregistreurs de données IoT simples à utiliser – limiter idéalement les dépenses à 500-4000 € max. Vérifiez auprès du fournisseur que les enregistreurs sont en mesure d’enregistrer les données de votre application en cas de doute
Collectez les données CAN dans le cloud "style =" largeur: 90%; 5 # Collectez toutes les données pertinentes sur votre cloud – connectez les enregistreurs IoT CAN à votre ressource et à un point d’accès WiFi pour configurer le transfert vers votre serveur cloud. Commencez à créer vos scripts de traitement des données
Train PdM Model ML Dataset In-Sample "style =" largeur: 90%; 6 # «Former» votre modèle prédictif – lorsque vous obtenez des données historiques (y compris les données de défaillance), vous pouvez adapter les paramètres de votre modèle pour améliorer la capacité de votre modèle à prévoir les défaillances hors échantillon
Mode de démarrage du modèle PdM "style =" largeur: 90%; 7 # Faites passer votre modèle PdM du «développement» à la «production» – avec votre modèle formé, vous pouvez désormais commencer à surveiller si votre modèle est en mesure d’identifier les problèmes inattendus dès le début
SMS push notification PdM Reaction Engine "style =" largeur: 90%; 8 # Ajouter un moteur de réaction – pour «vendre» le PoC à la direction, nous recommandons d’incorporer des auto-réactions simples – par ex. envoyer un SMS à un gestionnaire de site lorsqu’un problème est identifié
Solution de mise à l'échelle pour PdM "style =" largeur: 90%; 9 # «Vendre», développer et évoluer – présenter le PoC, les résultats et une analyse de rentabilisation / feuille de route pour son extension. Le but est de faire participer la direction au financement de la prochaine phase

Notez deux points subtils:

Premier, vous avez idéalement besoin de (beaucoup) de données régulières et de données sur les pannes pour former votre modèle prédictif – alors commencez dès que possible.

  • De plus, assurez-vous de prendre en compte la «période de collecte des données» dans votre planification
  • Alternativement, vous pouvez investir dans plus d’appareils pour accélérer les choses si vous avez le budget (et suffisamment d’actifs identiques)

Seconde, il est essentiel de ne pas laisser tomber le ballon lors de l’étape 9 #:

  • Évitez de trop promettre dans votre analyse de rentabilisation et d’exiger des budgets absurdes
  • Évitez d’essayer de mettre en œuvre PdM sur tout dans la première année
  • Évitez de déplacer votre modèle PoC vers un modèle avancé d’apprentissage automatique le jour 1 (même si votre PDG le dit)

Vous devez faire correspondre les attentes aux capacités et prendre votre temps.

C’est aussi pourquoi vous bénéficiez d’une solution à abonnement zéro où vous êtes propriétaire des données. De cette façon, vous évitez une fuite des fonds continue (c’est-à-dire une pression temporelle) et vous avez la base pour développer des capacités numériques internes et une plate-forme sur mesure.


PROCHAINES ÉTAPES: CHOISISSEZ UN ENREGISTREUR IOT

Comme mentionné, vous voudrez commencer la collecte de données dès que possible – vous avez donc besoin d’un enregistreur de données IoT – par exemple le CANedge2:

CANedge2 – Enregistreur de données de bus CAN WiFi à faible coût

Le CANedge2 est un enregistreur IoT CAN professionnel, simple à utiliser et à faible coût – et la prochaine génération de notre série CLX000.

Il est parfaitement adapté à la maintenance prédictive – voir quelques-unes des principales raisons ci-dessous:

Nous espérons que cet article vous a été utile – nous sommes toujours heureux de vous accompagner pour trouver une solution.

En savoir plus sur CANedge2 ci-dessous – ou contactez-nous pour en discuter davantage!

Vous avez aimé cet article? Partagez s’il vous plait!


RECOMMANDÉ POUR VOUS

Laisser un commentaire