Découvrez comment la maintenance prédictive révolutionne la gestion des équipements dans les usines !
Comparons les approches des usines A et B pour les remplacements de roulements. L'usine A suit un calendrier standard, remplaçant les roulements tous les 10 000 heures, sans optimisation précise. En revanche, l'usine B, grâce à la collecte de données pertinentes, évalue l'état réel des roulements, les conditions d'utilisation et l'état global de la machine.
Résultat - Des remplacements optimisés, économies substantielles et une production sans faille.
« Transformez la rentabilité à long terme de votre entreprise avec la maintenance prédictive (PdM) »
En maximisant la disponibilité des équipements et en éliminant la plupart des pannes, la PdM optimise l'utilisation des ressources matérielles, humaines et temporelles. Selon une étude du U.S Department of Energy (page 52), les avantages sont impressionnants :
Retour sur investissement multiplié par 10 • Réduction des coûts de maintenance de 25 à 30% • Élimination des pannes de 70 à 75% • Réduction des arrêts imprévus de production de 35 à 45% • Augmentation de la production de 20 à 25%
Bien sûr, ces avantages nécessitent des investissements initiaux et une phase d'apprentissage. Tout comme le « machine learning », la PdM prospère avec des données. • Optez pour un investissement intelligent dès aujourd'hui pour récolter
Optez pour un investissement intelligent dès aujourd'hui pour récolter les fruits d'une performance optimale demain.
Pour instaurer avec succès votre solution de maintenance prédictive, une démarche de réflexion stratégique en deux étapes clés et nécessaire !
1. Définissez le périmètre d'action idéal.
- Identifiez les opérations ayant le plus d'impact sur les temps d'arrêt machine.
- Repérez les machines fréquemment sujettes aux pannes.
- Analysez les opérations influant sur les défauts qualité.
- Évaluez les opérations générant les coûts les plus élevés.
2. Favorisez l'implication humaine essentielle.
- Impliquez activement le personnel de maintenance dans l'utilisation et l'exploitation des données.
- Transformez la solution de maintenance prédictive en une interface intuitive, reliant des modèles d'analyse sophistiqués à un langage compréhensible par tous.
- Durant la phase d'apprentissage, sollicitez leur expertise pour caractériser les événements, améliorant ainsi la précision des prédictions de panne et réduisant les fausses alertes.
Faites de votre déploiement de maintenance prédictive une expérience fluide et collaborative, où chaque membre de votre équipe devient un acteur clé de la performance.
Psst ! Par ici, quelques astuces utiles !
Pour un impact immédiat et quantifiable, optez pour un projet pilote ciblé sur quelques machines clés. Ensuite, facilitez la mesure du retour sur investissement en choisissant des équipements où les bénéfices sont clairement démontrables. Car oui, Les données sont la pierre angulaire du succès, et le bon choix de capteurs est essentiel !
Vous pouvez maximisez l'efficacité avec une instrumentation ciblée, limitant le nombre de capteurs nécessaires. Pour une machine tournante, une configuration optimale pourrait surveiller les vibrations, la température, voire les émissions acoustiques.
Votre projet de maintenance prédictive commence par des choix stratégiques, soutenus par des données pertinentes et des capteurs optimisés. Osez révolutionner vos opérations avec une approche proactive et mesurable.
1/ L’identification des données pertinentes et de leur remontée
Le Choix Des Capteurs
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.
Le Mode De Communication Des Capteurs
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.
2/ L’analyse des données et l'apprentissage des modèles prédictifs
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.
3/ La transition du pilote à l’implémentation à l’échelle d’une usine
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.
