Paste your Google Webmaster Tools verification code here

Intelligence Artificielle

Tribune Big Data Paris : Comment l’IOT mis au service de la maintenance prédictive pourrait faire économiser des milliards aux organisations

on

Aujourd’hui les compagnies se trouvent face à un véritable casse-tête quand il s’agit de se pencher sur la question de la gestion de leurs installations industrielles. Ces actifs nécessitent généralement une maintenance régulière, engendrent parfois des réparations voire des remplacements. Pour toutes les entreprises, la question de mettre en place le processus le plus optimal, pour gérer ou maintenir ces équipements industriels, demeure.

Nous pouvons, sans doute, parler d’avènement de l’IoT, tant l’usage des capteurs et autres objets connectés s’est répandu. Ces nouveaux outils permettent, en effet, une surveillance continue des équipements ; cette ‘veille’ pourra être mise à profit dans une approche de maintenance dite prédictive.  L’expérience nous a en effet enseigné qu’il est préférable d’anticiper les pannes, plutôt que de les prévenir.

Nous avons pu observer que certaines organisations changent leur approche commerciale. Au lieu de souscrire à une offre de maintenance, ils souscrivent à une offre de service garantissant fiabilité et performance. Les fournisseurs de matériels ne vendent plus un produit, mais une durée d’utilisation. L’IoT est en train de changer les règles du jeu !

MAIS QU’ENTEND-ON PAR MAINTENANCE ? DE QUOI S’AGIT-IL ?

  • La maintenance corrective consiste en effectuer une réparation une fois la panne constatée.
  • On peut ensuite planifier les opérations de maintenance. On parle de maintenance préventive. Il y a différentes façons de le faire :
    • On parle de maintenance prédéfinie (ou prédéterminée) ou planifiée : lorsque la maintenance est effectuée à des intervalles de temps prédéfinis sans tenir compte de l’historique d’utilisation des machines ni de l’état antérieur des actifs
    • On parle de maintenance conditionnelle : lorsque la maintenance est effectuée dès lors que le matériel ou la machine présente des signes de défaillance ou de baisse de performances
  • Enfin, la maintenance prédictive permet une meilleure optimisation. Grâce à l’analyse du passé, une probabilité de panne peut être calculée. La prise en compte des données issues des capteurs permet une modélisation plus fine et plus juste des fonctionnements historiques et des tendances (machine learning ou apprentissage) ; ainsi les prédictions des risques de défaillance sont plus précises et répondent mieux aux exigences des métiers.

EN QUOI LES OBJETS CONNECTÉS ET L’IOT PEUVENT CONTRIBUER À LA MAINTENANCE PRÉDICTIVE ?

La gestion des actifs et l’optimisation de leur maintenance arrivent à un tournant.  L’importante somme de données disponibles a rendu plus simple, plus efficace et scalable les projets de maintenance prédictive.

Construire un Data Lake est essentiel à cette approche basée sur des méthodes de modélisation et de machine learning. En effet, le Data Lake met à disposition les données nécessaires à l’entrainement des modèles. Analyser les événements historiques pour construire des modèles et détecter des situations anormales ou déterminer les probabilités de défaillance permet aux projets IoT de délivrer une valeur métier importante.

A titre d’exemple, Union Pacific, la plus importante société de transport ferroviaire aux Etats-Unis, utilise l’IoT et le machine learning pour prévenir les pannes et réduire les risques de déraillement. Des capteurs acoustiques et d’images ont été déployés sur les voies pour surveiller l’état de santé des roues des trains, en analysant en particulier leur température. En ayant recourt à la maintenance prédictive, la compagnie a pu réduire les déraillements liés aux roulements, éviter les retards coûteux, et consolider son image. Grâce à l’IoT, Union Pacific peut anticiper les pannes à court terme et à long terme.

Un autre exemple est le cas de collaboration entre Siemens et le Renfe (compagnie ferroviaire espagnole). Siemens a le projet de transformer tous ses appareils en systèmes intelligents pour offrir à ses clients de la disponibilité et une performance optimale.

Ils ont en particulier travaillé sur la ligne grande vitesse entre Madrid et Barcelone qui est en concurrence directe avec le transport aérien.

Grâce à cette collaboration basée sur la mise en place de maintenance prédictive, la Renfe a la garantie de la fiabilité de ses trains, et offre à ses clients une très grande ponctualité. « Dans le cas d’un voyage de 3 heures, seul un voyage sur 2000 sera retardé de plus de 5 minutes », Gerhard Kress, Siemens.

Dans un premier temps, une analyse descriptive permet d’identifier les variables influentes. Les modèles d’apprentissage vont utiliser ces variables pour prédire les défaillances et seront optimisés de façon à ce que le coût global (coût d’une panne vs coût d’une réparation) soit minimisé.

Ainsi ces modèles aident à adapter et optimiser les plans de maintenance.

L’illustration ci-dessous concerne les aiguillages ferroviaires. L’utilisation de techniques d’apprentissage permet de prioriser l’envoi de ressources pour des mesures correctives là où les pannes ont le plus de probabilité d’avoir lieu. Pour les matériels et/ou les lieux pour lesquels cette probabilité est moindre, la maintenance préventive pourra être allégée.

L’IoT poursuit son avancée et apporte de la valeur à beaucoup d’autres secteurs. A titre d’exemples :

  • Dans les voitures connectées, les habitudes de conduite sont analysées non seulement pour une meilleure expérience au volant, mais aussi pour des raisons d’assurance, pour l’optimisation des déplacements ou encore une meilleure santé de la flotte
  • La maintenance prédictive est par exemple l’une des principales préoccupations des entreprises de production et de distribution d’électricité : ainsi, les capteurs et les dispositifs connectés améliorent la gestion des coupures et garantissent une meilleure fiabilité des réseaux
  • Dans le secteur du retail, l’IoT permet une meilleure maîtrise des flux et des stocks, etc.

Tribune Teradata pour le Big Data Paris 2018 :

  • Par Marie-Luce Picard, Business consultant expert Utilities
  • Pranay Dave, Director Data-Science WESEMEA
  • Thomas Bird, Data-Scientist and expert in Predictive Maintenance Data-Science

Commentaires

commentaires

About Thomas Graindorge

Fan de nouvelles technologies, je suis co-fondateur du site After the Web. N'hésitez pas à me contacter pour devenir à votre tour rédacteur sur le site.

Recommended for you

You must be logged in to post a comment Login