Gestion d’interventions : comment passer à la maintenance prédictive ?

L’association de l’internet des objets et du big data assure l’analyse en temps réel de l’état de santé d’un équipement. Cette maintenance prédictive permet d’anticiper les pannes, d’allonger la durée de vie d’une machine et d’optimiser la gestion des interventions.

L’alliance de l’internet des objets (IoT) et du big data dessine les contours de cette maintenance prédictive qui consiste à analyser en continu l’état de santé d’un équipement pour détecter les signaux faibles annonciateurs de possibles défaillances.

Le coût unitaire des objets connectés ayant considérablement diminué, il est aujourd’hui possible de placer une multitude de capteurs sur un équipement pour mesurer la température, l’humidité, les vibrations ou la pression.

Petite chronologie du Big Data

De la télésurveillance des 80’s au big data

En soi, le phénomène n’est pas nouveau. En effet, les industriels ont introduit les premiers capteurs sur leurs machines à la fin des années 1980 et des systèmes de télésurveillances 24/7 ont été mise en place au tournant des années 2000. Depuis, le cloud est passé par là, apportant sa puissance de calcul et sa scalabilité. Des infrastructures de type big data permettent désormais d’ingérer les masses de données remontées par les objets connectés et de les traiter en flux contenu. Le big data autorise ainsi de telles volumétries. Un capteur qui établit une mesure toutes les secondes génèrera 31,536 millions de valeurs à la fin de l’année ! Sans compter l’historique des années précédentes.  

La dimension « Temps Réel »

Le big data apporte également la dimension « temps réel ». Les données remontées par les capteurs ont pour particularité d’être horodatées. Le monitoring d’un équipement passe par le suivi de ces informations émises en continu afin de calculer 24/7 le niveau de performance (disponibilité, temps de latence…) et détecter des écarts de fonctionnement par rapport à un modèle d’utilisation idéal. La transmission des données d’une machine ne se fait plus uniquement lorsqu’un technicien est sur site mais à tout moment et en temps réel.  

Bienvenue dans l’industrie 4.0

Dans le concept d’usine du futur ou d’industrie 4.0, cette association IoT + big data permet d’allonger la durée de vie d’un équipement de deux façons : en prévenant les pannes et en améliorant les paramètres de fonctionnement. En disposant d’une connaissance intime du fonctionnement de son matériel, l’industriel peut arriver à une configuration optimale d’utilisation. Ce qui, accessoirement, réduira la consommation d’énergie.

Les limites de la maintenance curative et préventive

La maintenance prédictive se distingue de la maintenance préventive et surtout de la maintenance curative (ou corrective). Avec cette dernière, la réparation de l’équipement n’intervient qu’une fois la panne décelée. L’activité est stoppée ou tout du moins ralentie ce qui rendent plus cruciaux encore les délais d’intervention et de remise en conditions opérationnelles. Un état de fait qui n’est plus acceptable aujourd’hui. La maintenance préventive consiste, elle, à entretenir l’équipement à intervalles réguliers. En se basant sur son cycle de vie, elle préconisera « par précaution » le remplacement de telle ou telle pièce détachée.  

A la différence de cette approche statistique, la maintenance prédictive s’appuie sur l’analyse de données réelles pour s’assurer que la pièce détachée ne présente pas de signes d’usure préoccupants. Son remplacement peut être évité ou tout au moins reporté. Ce changement de paradigme permet d’optimiser la gestion des stocks mais aussi le planning des techniciens de maintenance autrefois attachés à ce type d’opérations de maintenance préventive. L’approche prédictive permet enfin à une entreprise de pouvoir réduire l’immobilisation d’une machine et de programmer les arrêts de production.

De nombreux atouts, mais un investissement élevé

On le voit, la maintenance prédictive permet d’atteindre le Graal de tout service SAV : le « juste à temps ». Les équipes terrain n’interviennent ni trop tôt, ni trop tard, uniquement en cas de nécessité avérée. 

Mieux, encore, la maintenance prédictive permet d’améliorer le taux de résolution d’un problème en première intervention, ou « First Time Fix Rate » pour les anglo-saxons. Le technicien qui se rendra sur site aura alors une connaissance fine de l’état de santé de l’équipement concerné et de son historique d’utilisation.

Pour résumer, la maintenance prédictive présente les atouts suivants. Elle permet :  

• De réduire le nombre d’incidents
• De limiter tout risque de défaillance grave
• D’allonger la durée de vie des équipements
• De mieux planifier les interventions
• De réduire le temps d’immobilisation des installations
• D’optimiser la gestion des stocks de pièces de rechange

En contrepartie, la maintenance prédictive nécessite un investissement plus conséquent que la maintenance curative et préventive, puisqu’elle implique de mettre en place et de gérer un parc d’objets connectés et une infrastructure de stockage et de traitement de la donnée.

L’intelligence artificielle permettra un nouveau saut qualitatif

En 2018, une étude de Vanson Bourne, commanditée par GE Digital et réalisée dans quatre pays dont la France, annonçait que 75 % des décideurs IT et des responsables de gestion des interventions estimaient que les machines bénéficieraient à horizon 2020 d’une meilleure prédiction de leur santé que les êtres humains !  

D’après cette fois un rapport de Gartner, 10 % des interventions sur le terrain devaient être déclenchées et pilotées par un dispositif d’intelligence artificielle. Après l’IoT et le big data, l’intelligence artificielle constitue en effet le troisième pilier de la révolution en cours. 

Si ces évolutions poursuivent leur cours à un rythme effréné, les modèles algorithmiques permettent depuis quelques temps déjà de replanifier à la volée des interventions en fonction de la disponibilité des techniciens et de l’état de la circulation et de commander derrière les pièces détachées ad hoc.

Demain, ils éclaireront la prise de décision du responsable du SAV sur l’opportunité ou non de déclencher telle ou telle intervention. L’étape suivante passera par une plus grande autonomie laissée à la plateforme.

On peut imaginer des machines intelligentes capables de s’auto-diagnostiquer et, sur la base de ce bilan de santé, de déclencher une série d’actions : téléchargement d’un correctif, passage à une configuration d’utilisation en mode dégradé, envoi d’une demande d’intervention, commande de pièce détachée… Parlera-t-on alors de maintenance native ?