Maintenance Prévisionnelle

La Maintenance Prévisionnelle, ce n’est pas nouveau!

Effectuer une inspection visuelle sur un équipement pour en définir son état, prédire son moment de défaillance et donc planifier son remplacement, est une pratique qui n’a pas changée depuis longtemps. En revanche, la technique de prévision, elle, a bien évolué notamment grâce à l’utilisation de Big Data. La Maintenance Prévisionnelle est connue comme étant le 4e niveau de maturité que l’on peut aussi rencontrer sous le nom de Industrie 4.0 et PdM 4.0.

La Maintenance Prévisionnelle consiste à prévoir les défaillances futures des actifs. Ensuite, il faut prescrire la mesure préventive la plus efficace en appliquant des techniques d’analyse avancées. Le Big Data sur l’état technique, l’utilisation, l’environnement, l’historique de maintenance et les équipements similaires sont les données d’entrées.

4 niveaux de maturité de la Maintenance Prévisionelle

  • Niveau 1 Inspections visuelles : inspections physiques périodiques à partir desquelles des conclusions sont tirées uniquement sur base de l’expertise de l’inspecteur.
  • Niveau 2 Inspections instrumentales : inspections physiques à partir desquelles des conclusions sont tirées sur base d’une combinaison de l’expertise de l’inspecteur et des données de mesure de l’instrumentation.
  • Niveau 3 Surveillance de l’état en temps réel : surveillance continue de l’état des actifs, avec des alertes basées sur des niveaux de criticité prédéfinis.
  • Niveau 4 Maintenance Prévisionnelle : surveillance continue en temps réel des actifs, où les alertes sont basées sur des techniques prédictives, comme l’analyse régressive et souvent basées sur la combinaison/corrélation de différentes valeurs mesurées.

Implémentation de la Maintenance Prévisionnelle

Dans nos projets, la Maintenance Prévisionelle fait souvent partie de la solution. Nous réalisons chaque année une analyse de l’évolution de la maintenance 4.0 dans l’industrie. Ainsi, nous avons créé une liste de bonnes pratiques à suivre pour les projets d’implémentation.

Les facteurs clés de succès

  • La disponibilité des données est considérée comme le facteur de succès critique le plus important, tandis que la technologie arrive peu après.
  • Cela peut s’expliquer par le fait qu’il est encore technologiquement difficile de collecter des données de capteurs en continu et en temps réel à partir de nombreuses ressources.
  • De grandes parties d’un patrimoine d’actifs vieillissants ne sont pas encore équipés de la technologie nécessaire pour collecter ces données.
  • La capacité du réseau de données est mise à rude épreuve lors de la collecte de grandes quantités de données à partir de flottes de camions et de trains circulant sur des longues distances.
  • Les environnements industriels dangereux nécessitent une infrastructure IoT conçue pour répondre à des exigences de sécurité spécifiques.

Etapes de réussite

  1. Classement de la valeur de l’actif & étude de faisabilité : ici sont identifiés les actifs pour lesquels il est utile d’appliquer la Maintenance Prévisionelle pour en augmenter leur fiabilité.
  2. Sélection des actifs : sélectionner les actifs qui peuvent être repris dans les projets pilotes, tirer les leçons des résultats et les appliquer dans le déploiement du PdM4.0 aux autres types d’actifs.
  3. Modélisation de la fiabilité (Reliability Modeling) : Analyse des Causes Profondes (RCA) et une Analyse des Modes de Défaillance, de leurs Effets et de leur Criticité (AMDEC) par type d’actif pour vous orienter dans la bonne direction. De quelles données vous avez besoin pour trouver les bonnes causes et de quelles données sensorielles et quels ensembles de données externes sont nécessaires pour cela.
  4. Conception de l’algorithme prédictif : qui est ce qu’on pourrait appeler l’art de l’analyse de données. Le choix d’un algorithme est le facteur le plus important pour déterminer la qualité de vos prédictions. Cela peut être relativement simple, mais il se peut aussi que des spécialistes ou des scientifiques soient nécessaires pour créer des modèles complexes.
  5. Monitoring des performances en temps réel : c’est ici que votre modèle prédictif est mis en service. L’algorithme traite les données provenant de diverses sources pour surveiller l’état de l’actif en temps réel.
  6. Prévision des défaillances : l’algorithme commencera à prédire les pannes futures. Agir sur ces prédictions peut nécessiter une étape importante de confiance au début et sera soutenue par votre propre perspicacité.
  7. Préscrire les interventions : au plus haut niveau de PdM 4.0, l’algorithme prédit non seulement quand une panne se produit, mais aussi (à partir d’une bibliothèque de tâches) quelle action corrective prendre.

Envie d’améliorer votre organisation de Maintenance et de Gestion des Actifs?
Contactez-nous et commençons dès aujourd’hui.