La Maintenance Prédictive: L’implémenter en usine en 3 étapes avec Monixo

• Mai 24, 2022
• monixo

Programmer une démo

L’usine A et l’usine B ont dans leurs processus de nombreux roulements. L’usine A renouvelle ses roulements tous les 10.000h d’utilisation comme préconisé par le constructeur de ces roulements ou sur la base de l’expérience d’utilisation que ses équipes de maintenance a pu accumuler sur l’organe. Ainsi elle les change systématiquement sans savoir s’ils auraient pu faire 5.000h de plus.

L’usine B en revanche acquiert de la donnée pertinente afin de caractériser et évaluer l’état réel des roulements, les habitudes d’utilisation, la charge supportée, mais aussi la condition de la machine dans son ensemble. Ainsi, l’usine B peut optimiser la durée de vie des roulements beaucoup plus précisément en ne les remplaçant ni trop tôt, ni trop tard et ainsi faire des économies tout en gardant sa machine en état de fonctionnement.

La maintenance prédictive (PdM) offre une meilleure rentabilité à long terme, car elle permet d’augmenter la disponibilité des équipements en éliminant la majorité des pannes, tout en optimisant l’utilisation des ressources, tant matérielles, humaines que temporelles. Une étude du U.S Department of Energy (page 52) avance des chiffres :

• un retour sur investissement (ROI) par 10
• une réduction des coûts de maintenance de 25 à 30 %
• l’élimination des pannes de 70 à 75 %
• une réduction dans les arrêts imprévus de production de 35 à 45 %
• L’augmentation de la production de 20 à 25 %

En revanche, elle nécessite des investissements et une période dite d’apprentissage car comme tout apprentissage machine (machine learning), il faut nourrir un algorithme en données pour accéder à des prédictions de défauts.

Il existe quelques prérequis à la mise en place d’une solution de maintenance prédictive. Le premier est une bonne définition du périmètre d’action. Il faudra dès lors répondre aux questions suivantes :

• Quelles opérations affectent le plus les temps d’arrêt machine ?
• Quelles machines sont souvent en panne ?
• Quelles opérations entraînent des défauts qualité ?
• Quelles opérations coûtent le plus cher

Le second prérequis est lui plus organisationnel : il s’agit de l’implication des personnes en charge de la maintenance dans l’usage et à l’exploitation des données et indicateurs clés (KPI) générés par la solution de maintenance prédictive. Cette dernière devant jouer le rôle d’interface entre des modèles d’analyse, très souvent complexes, et un langage maintenance beaucoup plus commun au personnel chargé de l’entretien des machines (voir ci-dessous). Aussi, la solution de maintenance prédictive attendra d’eux dans sa phase d’apprentissage (si apprentissage supervisée) qu’ils soient en mesure de caractériser des évènements dans le but d’améliorer la précision des futurs prédictions de panne et ainsi réduire les faux-positifs générés (alertes de pannes non-pertinentes).

Si à terme il peut être utile de surveiller la quasi-totalité des équipements, il est important de choisir quelques machines sur lesquelles un projet pilote peut faire la différence, et où mesurer le retour sur investissement peut être facilement quantifiable.

Une fois tous les prérequis effectués, un projet de maintenance prédictive passent par 3 étapes clés :

• 1. L’identification des données pertinentes au projet et de leur remontée
• 2. L’analyse des données et l'apprentissage des modèles prédictifs
• 3. La transition du pilote à l’implémentation à l’échelle d’une usine

Les données sont au cœur d’un projet de maintenance prédictive. En fonction des capteurs installés, il est possible de mettre en place une surveillance efficiente en limitant le nombre de capteurs, ou à l’inverse, pousser l’analyse grâce à une variété de capteurs. Par exemple, pour une machine tournante, une instrumentation efficiente qui limite au maximum le nombre de capteurs, surveillera :

• les vibrations,
• la température,
• voire les émissions acoustiques.

D’autres capteurs peuvent être installés selon la typologie de machines, afin de récolter de la donnée concernant (liste non-exhaustive) :

• la pression,
• les courants électriques,
• le couple pour des pièces en rotation,
• la qualité d’une huile/de la lubrification,
• analyse du circuit du moteur,
• analyse ultrasonique et acoustique,
• mesures électromagnétiques.

Il existe une variété d’architectures possibles pouvant permettre aux capteurs de transmettre les données collectées vers un cloud ou un ERP tiers. Son choix dépend de :

• la taille de l’usine,
• sa configuration : la présence de plusieurs étages ou non par exemple,
• la présence ou non de cages de Faraday,
• le type de réseau WAN disponible (4G/5G ? LPWAN ?...)
• des limitations/restrictions liées à des règles de sécurité internes concernant la donnée, son transfert et son stockage (confidentialité)

Les capteurs IOT étant sans-fil, ils présentent un avantage tant économique que lié à la facilité de déploiement : 5 minutes en moyenne.

Il existe donc deux méthodes classiques de déploiement :

• Cloud : la donnée, centralisée, est alors accessible sur tout appareil connecté. C’est une plateforme digitale qui peut s’intégrer à un ERP ou une GMAO grâce à ses API.
• On-premise: la donnée est stockée sur les serveurs propres de l’usine. Néanmoins, elle ne dépend pas d’une connexion internet et assure le plus haut niveau de confidentialité possible.

Il s’agit de l’étape la plus importante de la maintenance prédictive et certainement le critère le plus important pour le choix d’une solution de maintenance prédictive

La création d’algorithmes prédictifs (ou pronostiques) est une étape difficile et chronophage. Le but est de construire un modèle qui prendra en compte de nombreuses variables et la manière dont elles s’influencent les unes les autres.

Dans un premier temps, les capteurs installés génèrent de la donnée exploitable en l’état, grâce à la mise en place de seuils. Les capteurs, alors en veille, se réveillent et effectuent une collecte et une analyse complète selon une période programmée et configurable: 10 minutes pour de l’analyse vibratoire est par exemple un bon compromis, car plus la fréquence est élevée, plus la batterie du capteur est sollicitée.

Si un des relevés franchit le seuil, une alerte est alors envoyée. C’est ce qu’on appelle la maintenance conditionnelle. Elle permet de surveiller en temps réel l’état de la machine. Il est généralement possible d’également surveiller une dérive: une série de relevés, ne dépassant pas le seuil mais qui démontre une tendance haussière ou baissière est un signe d’une potentielle dégradation mineure.

Les seuils peuvent être fixés de 3 façons :

• la norme communiquée par le constructeur
• l’expérience accumulée par les équipes maintenance
• l’apprentissage des modèles prédictifs

En revanche, la maintenance conditionnelle ne permet pas d’identifier la source de l’anomalie, et force les équipes de maintenance à effectuer une vérification de la machine pour comprendre la nature du défaut. En fonctionnant via des franchissements de seuils, les sources externes au fonctionnement de la machine seront prises en compte. En conséquence, un impact sur la machine ou une source de bruit proche, par exemple, peuvent produire des fausses alertes. C’est ici que l’implication des équipes de maintenance est importante. Les données collectées, analysées et utilisées pour surveiller le franchissement des seuils permettent ainsi l'amélioration des modèles précédemment acquis par la solution de maintenance choisie.

A terme, il s’agit de réaliser des prédictions de panne en prenant compte de la réalité du terrain : le comportement de la machine surveillée.

Les algorithmes suivent un ensemble de règles prédéterminées qui comparent le comportement actuel de la machine à son comportement attendu. Les écarts mesurés permettent un suivi de la détérioration progressive qui conduira à la panne. Sur la base des écarts, des conditions de fonctionnement actuelles, des données sur les défaillances passées et de toutes les autres variables intégrées au modèle de données, les algorithmes tentent de prévoir les points de défaillance.

L’expérience de la solution de maintenance prédictive choisie est ainsi cruciale. C’est cette expérience précédemment acquise qui permet aux algorithmes de gagner rapidement en maturité ou dans le meilleur des cas, de pouvoir appliquer une solution de maintenance prédictive en plug&play sur des typologies de machines courantes telles que les moteurs, les pompes ou les CTA.

Quelques semaines/mois sont passés, la solution semble prometteuse ou délivre déjà des recommandations de maintenance satisfaisantes détaillant la source du problème, sa gravité, ainsi que son évolution dans le temps et des estimations futures: C’est décidé, le déploiement pour les machines critiques ou pour la quasi-totalité des équipements se fera. Cela requiert une certaine organisation.

Néanmoins, si l’échelle n’est pas la même, les étapes elles le sont. La pose des capteurs ainsi que l’apprentissage des algorithmes prédictifs sont sensiblement similaires au projet pilote mis en place quelques semaines/mois auparavant. Il est toutefois nécessaire de porter une attention toute particulière à la formation des équipes qui ont désormais accès aux outils de maintenance prédictive.

La maintenance prédictive ne remplace pas les équipes de maintenance mais demeure un élément supplémentaire dans la boîte à outils du technicien. Elle leur permettra de se concentrer sur des aspects plus techniques de leur métier. Mieux que ça, dans certaines entreprises, le déploiement de capteurs IOT contribue à l'amélioration de leur sécurité dans certaines zones.

Le ROI sera évidemment au cœur du projet. Il pourra être facile à estimer avant un projet de déploiement si le pilote a été mené correctement. Le business case établi permet ainsi d'estimer les gains à l'échelle de l'usine voire d'un ensemble de sites d'un même groupe.