IOT et industrie : Un guide des principaux cas d'utilisation de l'industrie 4.0

L'industrie 4.0 et l'IoT réunis ont apporté un lean numérique dans la fabrication, conduisant à une efficacité accrue, une amélioration des processus et une automatisation accrue. Alors que les applications peuvent tirer de nombreux avantages de l'IIoT, la maintenance prédictive est le principal cas d'utilisation pour les fabricants, les directeurs d'usine et les gestionnaires d'actifs. En utilisant des capteurs et des renseignements, les entreprises peuvent repérer les tendances de l'état et des performances des actifs, et prévoir leur échec ou leur durée de maintenance. Les alertes et la prévision en temps réel éliminent les temps d'arrêt imprévus, réduisent les coûts de service et améliorent le débit de production. Cela signifie que la maintenance prédictive peut résoudre les problèmes dont nous n'avions imaginé qu'une seule fois. La maintenance prédictive basée sur l'intelligence devient un incontournable de l'industrie, mais avant de savoir comment et son avenir, découvrons ses racines et son évolution.Évolution de la maintenance prédictive Vous vous souvenez du moment où votre machine est tombée en panne et où vous êtes allé la réparer? C’est la maintenance réactive, la première génération de maintenance qui a eu lieu après la panne. Pour se débarrasser de ces contrôles de dernière minute et de ces lourdes dépenses, est venu la maintenance préventive où vous mainteniez vos machines et équipements selon un horaire fixe. C’est comme amener votre véhicule pour un contrôle d’entretien de routine et une vidange d’huile tous les 12 mois. Cependant, cela n'était pas suffisant car parfois votre machine tombait en panne avant le service régulier défini, ou parfois la période entre deux services programmés était trop longue.Avec le temps et la technologie, vous êtes devenu plus intelligent et avez commencé à comprendre l'état des actifs en prenant des mesures. avec des moniteurs de vibration ou des appareils à ultrasons. Vous avez créé une capacité de maintenance prédictive, manuellement. Cela a fonctionné, mais il a fallu qu'un opérateur se rende sur place, effectue des relevés, capture des données, crée des feuilles de calcul et prévoit la maintenance en fonction de l'analyse. Il fallait également en informer l'ingénieur système et le personnel. Le résultat a beaucoup aidé mais l'exécution a été épuisante. Cela a été fait sur une base ad hoc. Ensuite, l'IoT est apparu, simplifiant le processus avec une surveillance en temps réel, l'envoi de données à des algorithmes, la détection de l'état des actifs et la prévision de la maintenance en fonction de celui-ci.Objectifs de la maintenance prédictive basée sur l'IoT La maintenance prédictive utilisant l'IoT permet aux industries de prédire les pannes de machines avant la ventilation réelle des actifs se produit. Les principaux objectifs de la maintenance prédictive basée sur l'IoT sont: Améliorer l'efficacité de la production Les fabricants peuvent lire les données de production telles que la charge que la machine peut supporter ou le nombre de marchandises à utiliser, si les matières premières sont en bon état, etc. et améliorer le l'efficacité globale. Une proportion et une qualité adéquates aident à maintenir la production et la santé des actifs. En analysant les défaillances futures, les analystes peuvent prendre des mesures de précaution au bon moment. Cela réduit les coûts de maintenance globaux et augmente la durée de vie des actifs.Comme toutes les données et tous les processus sont exécutés à l'aide de la technologie et des algorithmes, cela simplifie le processus commercial global et réduit l'intervention humaine.Les défis de la maintenance prédictive traditionnelle La maintenance prédictive est généralement associée au contrôle de la maintenance prédictive traditionnelle. «santé» de l'actif et prédiction des mesures correctives. À l'aide de capteurs, les données sont collectées, puis l'ingénieur système visite l'usine pour collecter des données à l'aide d'un collecteur de données. Cependant, ce contrôle de maintenance prédictive une fois par mois n'est pas viable car il comporte plusieurs limitations telles que: Échec entre la collecte de données Dans l'approche traditionnelle, les données sont collectées tous les 30 à 90 jours. Si un échec est détecté après la collecte des données pour le mois, il reste non détecté jusqu'à la prochaine durée de collecte de données. Cela laisse les actifs sujets à l'échec et peut entraîner une gestion de la perte. Collecte de données incohérente Les techniciens peuvent ne pas installer les capteurs avec précision et uniformité. Cela peut entraîner des données erronées et inexactes Conditions de fonctionnement variables Lors de la collecte des données, il est nécessaire que les machines restent dans les mêmes conditions de fonctionnement. Si un ingénieur système voit un pic dans le niveau de données, il peut le prendre pour un défaut de la machine. Cependant, cela peut être dû à l'augmentation de la charge.Machines inaccessibles Parfois, il est impossible pour un humain d'accéder aux machines en raison de détails techniques ou de l'emplacement. Cela peut finir par ne pas collecter les données sur cette machine en temps réel. Analyse manuelle Toutes les données sont accessibles manuellement, ce qui n'est pas en temps réel. Et puis, prévoir la maintenance de milliers de machines sur la base de ces analyses peut entraîner des décisions inexactes. Jusqu'à récemment, de nombreuses industries ont continué à utiliser l'approche traditionnelle car la surveillance continue et la maintenance prédictive basée sur l'IoT étaient coûteuses. Les tendances technologiques ouvrant la voie à la maintenance prédictive basée sur l'IoT La maintenance prédictive basée sur l'IoT garantit une surveillance continue des actifs en temps réel. Il révolutionne en raison des tendances technologiques: avec l'utilisation de la connectivité cellulaire et sans fil, il est facile de permettre aux capteurs de collecter et de transmettre des données sur les actifs. Les capteurs n'ont plus besoin d'être câblés, réduisant ainsi les coûts et transmettant les données de manière transparente. Avec les téléphones mobiles, le prix des capteurs diminue. Les capteurs MEM miniaturisés à faible coût sont facilement disponibles et abordables. Le cloud computing permet la disponibilité à la demande des données et des ressources. En l'utilisant, les industries peuvent démarrer modestement et se développer facilement entre-temps. L'IA transforme la phase commerciale. La surveillance des capteurs et la collecte manuelle de données en temps réel sont impossibles. Mais les ordinateurs intelligents ont rendu cela possible. L'IA peut être l'assistant des analystes, toutes ces tendances ouvrent la voie à des avancées technologiques, apportant une certaine valeur lorsqu'elles sont utilisées. Cependant, lorsqu'ils sont combinés, ils peuvent automatiser un processus industriel complet. Architecture de maintenance prédictive basée sur l'IoT Comment fonctionne la maintenance prédictive à l'aide de l'IoT? Au niveau du front-end, il fournit les résultats collectés en collectant plusieurs tendances technologiques telles que le big data, le cloud computing, le Edge computing, l'apprentissage automatique et les capteurs de connectivité. Au niveau du backend, la solution IoT est construite à l'aide de produits de base qui effectueraient des tâches spécifiques. Ces produits comprennent des capteurs, des solutions filaires et sans fil, des antennes, des batteries et de petits connecteurs, ainsi que des composants passifs qui fournissent une connectivité à faible puissance. Avant leur assemblage, ils sont testés et expérimentés dans diverses conditions afin de résister aux conditions défavorables des environnements industriels. Une fois expérimentés, les actifs tels que les actionneurs, les moteurs et les variateurs sont équipés de capteurs qui collectent les données, les filtrent à travers des passerelles *, puis les poussent sur le cloud pour traitement. * Passerelles de terrain (dispositifs physiques qui filtrent et prétraitent les données) et passerelle cloud (transmission de données sécurisée et connectivité via divers protocoles permettant de connecter plusieurs passerelles de terrain) .Une fois que les données du capteur pénètrent dans le cloud, elles sont ensuite reconditionnées par le processeur de données en continu afin qu'elles puissent être diffusées en flux continu vers un lac de données pour filtration. Data lake stocke les données collectées par les capteurs. Les données sont brutes et peuvent être erronées ou contenir des éléments non pertinents. Ici, les données sont stockées sous la forme d'un certain nombre d'ensembles de lectures de capteur mesurées au moment correspondant. Lorsque les données sont nécessaires pour obtenir des informations, elles sont chargées dans un entrepôt Big Data, où elles sont structurées en informations plus significatives en fonction de différents paramètres tels que la température, la tension ou les vibrations. Une fois que les données structurées sont préparées, elles sont analysées avec des algorithmes d'apprentissage automatique (ML) pour identifier les anomalies ou les modèles de données cachés. Les modèles de données reconnus sont ensuite introduits dans des modèles prédictifs qui sont construits et formés au fil du temps, pour fournir précision et valeur.Pour garantir que les bonnes données sont collectées et que les bons ensembles de données sont analysés, les modèles prédictifs sont régulièrement mis à jour et testés pour leur précision. Si le résultat diffère de celui attendu, les modèles sont révisés, recyclés et testés à nouveau jusqu'à ce qu'ils fonctionnent correctement. De plus, les données d'historique d'utilisation, les informations de service et les spécificités du modèle peuvent être utilisées pour améliorer les résultats prédictifs de l'actif.Mais avant d'arriver au ML, il est bon d'effectuer des analyses exploratoires qui aident à sélectionner l'algorithme d'apprentissage automatique le mieux adapté en évaluant les hypothèses techniques. . Après tout, les logiciels d'apprentissage automatique peuvent reconnaître des modèles, identifier les comportements anormaux dans le contexte de paramètres industriels variables, comprendre les tendances à long terme et éviter les événements indésirables.Maintenance prédictive dans différentes industries La maintenance prédictive IoT peut être appliquée à tous les secteurs où les actifs produisent des données et nécessitent un entretien et une mise au point de ses paramètres et composants. Les deux industries distinctes telles que les biens de consommation emballés, l'automobile, l'électronique, le textile, l'aérospatiale et les industries de transformation comme les aliments et les boissons, les produits chimiques, le pétrole et le gaz, la pharmacie peuvent désormais interpréter avec précision les données et les tâches de maintenance avec une maintenance prédictive. Ci-dessous, j'ai répertorié quelques industries où la maintenance prédictive est déjà en croissance. Vérifions-le. Automobile: L'industrie automobile repose sur le rapport coût-performance et l'efficacité des véhicules. Pour réduire leurs temps d'arrêt, ils utilisent une maintenance prédictive qui distingue les problèmes d'entretien des véhicules avant qu'ils ne surviennent. Il rassemble des données qui auraient été difficiles à remarquer pour les humains et les relie des réparations sous garantie aux données actuelles des capteurs de véhicule pour obtenir des informations précieuses. Il n'est pas surprenant que 8 constructeurs automobiles sur 10 travaillent sur des projets de maintenance prédictive pour améliorer le rapport coût-performance des produits et des systèmes. Compagnies aériennes: les compagnies aériennes ne sont pas étrangères à l'IoT. Ils utilisent la maintenance prédictive basée sur l'IoT pour contrôler les avions et leurs pièces et prédire les pannes afin que les pièces défectueuses puissent être remplacées à l'avance pour assurer la sécurité des passagers. Fabrication de haute technologie: l'exploitation d'actifs complexes à différents paramètres tels que la température est le principal défi pour les fabricants de haute technologie. Disons que si la température requise est trop élevée, défavorable pour un être humain, dans un tel cas, maintenir des paramètres optimaux devient un énorme défi. La maintenance prédictive utilisant l'IoT leur permet de fonctionner à un niveau plus proche des paramètres optimaux et met régulièrement à jour son état.Consultez l'étude de cas Ovivo Chemins de fer: les entreprises ferroviaires appliquent la maintenance prédictive basée sur l'IoT pour s'assurer que les rails et le matériel roulant sont en bon état. Par exemple, le chemin de fer BNSF a déployé des capteurs – thermiques, acoustiques, visuels et de force pour identifier les défauts dans les capacités de freinage des wagons de marchandises, les frottements excessifs dans les roues et les roulements, les courbes de rail et les dommages en ligne droite. oblige une personne à se rendre dans un environnement dangereux, ce qui n'est pas faisable. Rappelez-vous la marée noire de Deepwater Horizon en 2010 qui a fait 11 morts et environ 5 millions de barils de pétrole déversés. C'est l'une des pires catastrophes de la décennie. La maintenance prédictive basée sur l'IoT peut être utilisée pour identifier les pannes potentielles et augmenter la production d'actifs hautement critiques sans risquer la vie humaine.Énergie électrique: les centrales électriques doivent garantir une alimentation électrique fiable. Une solution de maintenance prédictive basée sur l'IoT permet de garantir une production d'électricité ininterrompue et de détecter les défauts évolutifs dans les composants rotatifs d'une turbine à gaz / éolienne / à vapeur. Florida Power & Light, par exemple, s'est tourné vers l'IoT pour la maintenance prédictive afin de détecter quand les turbines fonctionnent de manière inefficace ou sur le point de tomber en panne.Ports: Les équipements portuaires se détériorent rapidement en raison de l'exposition à des conditions difficiles. Par exemple, les grues. Ce sont les composants critiques, mais ils sont sujets aux pannes. Et le temps d'arrêt signifie moins de débit et plus de temps d'attente. La maintenance prédictive basée sur l'IoT peut réduire les temps d'arrêt et améliorer la qualité du service en prédisant l'état de la grue et en alertant si elle est sur le point de tomber en panne. Avantages de l'IoT pour la maintenance prédictive Au cours des 10 à 20 prochaines années, la moitié de vos ingénieurs prendront leur retraite, ce qui créera une pénurie de flux de travail. Dans ce cas, la numérisation et la maintenance prédictive se chargeront de la moitié du travail, réduisant ainsi votre stress. Les autres avantages de la maintenance prédictive IoT sont les suivants: Diminution des coûts de maintenance Lorsqu'il s'agit d'actifs, de nombreux coûts cachés et une maintenance coûteuse sont impliqués. La maintenance prédictive basée sur l'IoT réduit le coût global en détectant et en évitant les pannes. Il collecte des données en temps réel à partir de plusieurs sources telles que des appareils IoT, des capteurs et d'autres équipements pour faire des prédictions précises sur la santé des actifs, le fonctionnement, le taux de défaillance, la maintenance future, etc. Dans l'ensemble, le temps de maintenance réduit de 20 à 50% et les coûts de 5 à 10 pour cent. Ainsi, économisant du temps et de l’argent au fabricant et aux clients, la maintenance peut être planifiée en fonction des informations générées par le logiciel d’analyse. Cela réduira encore plus la maintenance inutile en découvrant les problèmes avant la panne, augmentant ainsi la productivité et l'efficacité.Les tableaux de bord de maintenance prédictive, les calendriers de maintenance, les services de techniciens avant le remplacement des pièces, etc., les services aident les fabricants à analyser la maintenance prédictive industrielle et à fournir aux clients des données précises. et la possibilité de générer de multiples flux de revenus et de croissance de l'entreprise. La maintenance prédictive basée sur les technologies de l'information détecte l'état général des actifs et automatise le traitement. Il génère des alertes automatisées lorsque des pièces doivent être remplacées ou qu'une action de maintenance est requise par l'ingénieur machine, augmentant ainsi la satisfaction du client.La maintenance prédictive basée sur la technologie des objets augmente l'image de marque de l'entreprise en automatisant l'entreprise et en ajoutant de la valeur à la satisfaction du client. Cela permet à l'entreprise de se démarquer de la concurrence et de fournir des avantages continus sur le marché. Les actifs dans des environnements dangereux ou confinés présentent souvent un risque plus élevé de danger et de blessures. La maintenance prédictive basée sur l'IoT permet aux agents humains d'inspecter l'environnement des actifs à distance sans risquer leur vie. Pour résumer, l'avenir qui remplacerait la maintenance préventive par la maintenance prédictive IoT est ici. Toutes les tâches manuelles fastidieuses seraient bientôt automatisées et les actions humaines ne seraient nécessaires que lorsque les technologies prédictives indiquent une santé défaillante. Avec des avantages évidents, la maintenance prédictive utilisant l'IoT est sur le point de transformer la maintenance pour toujours. Si vous êtes dans une entreprise qui nécessite une gestion régulière des actifs, utilisez l'IoT pour la maintenance prédictive. Pour en savoir plus sur l'IoT, contactez-nous à [email protected].

Laisser un commentaire