Qu’est-ce que la maintenance prédictive ?

En collectant des données à partir de capteurs et en appliquant des outils et des processus analytiques avancés tels que le machine learning (ML), la maintenance prédictive peut identifier, détecter et résoudre les problèmes au fur et à mesure qu’ils surviennent, mais aussi prédire le futur état potentiel de l’équipement et ainsi réduire les risques. La clé consiste à fournir les bonnes informations au bon moment et aux bonnes personnes.

Les stratégies de maintenance et leur maturité reposent sur un certain nombre de facteurs tels que le coût des actifs et des remplacements, la criticité des actifs, les modèles d’utilisation et l’impact des défaillances sur la sécurité, l’environnement, les opérations, les finances et l’image publique. La maintenance prédictive est l’une des trois principales stratégies de maintenance utilisées par les entreprises, les autres étant la maintenance réactive, qui corrige les défaillances lorsqu’elles se produisent, et la maintenance préventive, qui repose sur un calendrier de maintenance prédéfini pour identifier les défaillances.

Parce que la maintenance prédictive est proactive, elle améliore la maintenance en fournissant des informations continues sur l’état actuel de l’équipement. Plutôt que de se fier à l’état prévu de l’équipement sur la base d’un historique. Avec la maintenance prédictive, la maintenance corrective n’est effectuée que lorsque cela est nécessaire, ce qui permet d’éviter des coûts de maintenance inutiles et des durées d’immobilisation des machines.

La maintenance prédictive utilise l’historique des séries chronologiques et les données relatives aux défaillances pour prévoir le futur état potentiel de l’équipement et ainsi anticiper les problèmes. Cela permet aux entreprises d’optimiser la planification de la maintenance et d’améliorer la fiabilité.

La maintenance prédictive diffère également de la maintenance préventive par la diversité et l’étendue des données en temps réel utilisées pour surveiller les équipements. Différentes techniques de surveillance des conditions telles que le son (acoustique ultrasonique), la température (thermique), la lubrification (huile, fluides) et l’analyse des vibrations peuvent identifier les anomalies et fournir des avertissements avancés concernant les problèmes potentiels. Une température en hausse dans un composant, par exemple, peut indiquer un blocage de ventilation ou une usure ; des vibrations inhabituelles peuvent indiquer un défaut d’alignement des pièces mobiles ; des changements sonores peuvent fournir des avertissements précoces des défauts qui ne peuvent pas être repérés par l’oreille humaine.

La maintenance prédictive repose diverses technologies, notamment l’Internet des objets (IdO), l’analyse prédictive et l’intelligence artificielle (IA). Les capteurs connectés recueillent des données à partir d’actifs tels que les machines et les équipements. Celles-ci sont collectées à la périphérie ou dans le cloud dans un système de gestion des actifs d’entreprise (EAM) ou un système de gestion de la maintenance assistée par ordinateur (GMAO), tous deux basés sur l’IA. L’IA et l’apprentissage automatique sont utilisés pour analyser les données en temps réel afin de créer une vue d’ensemble de l’état actuel de l’équipement, déclenchant une alerte si un incident potentiel est identifié, avant de la transmettre à l’équipe de maintenance.

En plus de fournir des alertes de défaillances, les progrès des algorithmes de machine learning permettent aux solutions de maintenance prédictive de faire des prévisions sur le futur état des équipements. Ils peuvent être utilisés pour améliorer l’efficacité des flux de travaux et processus liés à la maintenance, tels que la planification des ordres de fabrication « juste à temps » et les chaînes d’approvisionnement de la main-d’œuvre et des composants. En outre, plus les données collectées sont nombreuses, plus le nombre d’analyses générées est important et meilleures sont les prédictions. Cela donne aux entreprises l’assurance que l’équipement fonctionne de manière optimale.

Les avantages d’une stratégie de maintenance prédictive reposent sur l’anticipation des pannes et des défaillances des équipements, la réduction des coûts de maintenance et d’exploitation en optimisant le temps et les ressources, et l’amélioration des performances et de la fiabilité des équipements. Deloitte a rapporté en 2022 que la maintenance prédictive peut réduire de 5 à 15 % les temps d’arrêt des installations et améliorer de 5 à 20 % la productivité du travail.¹

L’optimisation des performances et de la disponibilité des actifs peut réduire les coûts. Le fait d’être prévenu à l’avance des incidents potentiels réduit le nombre de pannes, ainsi que la maintenance planifiée ou les immobilisations imprévues. Une meilleure visibilité en continu de l’état des équipements améliorera leur fiabilité et leur durabilité au cours de leur cycle de vie. L’utilisation de l’IA permet de prévoir avec plus de précision les opérations futures. Ce dernier avantage est primordial dans un monde où la hausse des prix et des événements imprévisibles tels que la pandémie de COVID-19 et les catastrophes naturelles liées au climat ont révélé la nécessité de disposer d’une gestion des stocks de pièces détachées et des coûts de main-d’œuvre plus précis et d’un impact environnemental lié aux opérations plus faible.

La productivité peut être améliorée en réduisant les opérations de maintenance inefficaces, en permettant une réponse plus rapide aux problèmes grâce à des flux de travaux intelligents et à l’automatisation, et en fournissant aux techniciens, aux spécialistes des données et aux employés tout au long de la chaîne de valeur de meilleures données motivant les prises de décision. Il en résulte une amélioration des mesures telles que l’intervalle moyen entre les défaillances (MTBF) et le temps moyen de réparation (MTTR), des conditions de travail plus sûres pour les employés et des gains en termes de revenus et de rentabilité.

Il existe des obstacles à la maintenance prédictive, qui peuvent être coûteux, au moins dans un premier temps.

• Infrastructure du système : les coûts de démarrage associés à la complexité de la stratégie sont élevés. Il imposent souvent de mettre à niveau et d’intégrer des technologies et des systèmes de contrôle obsolètes, mais aussi d’investir dans des outils de maintenance et de gestion des données et dans l’infrastructure des données et des systèmes.
• Formation de la main d’œuvre : la formation de la main d’œuvre à l’utilisation des nouveaux outils et processus et à l’interprétation adéquate des données peut être coûteuse et chronophage.
• Exigences relatives aux données : le passé est une variable de prédiction des performances futures. Pour que la maintenance prédictive soit efficace, la disponibilité de volumes importants de données historiques et de défaillances (ou de proxy) issus de séries temporelles est essentielle. La capacité à examiner les corrélations de données et les analogies avec des types d’équipements similaires dans des conditions de fonctionnement opérationnel est également essentielle et peut également contribuer à améliorer la nature prédictive des analyses.

L’évaluation de la criticité et du coût d’un arrêt anormal des actifs individuels mobilise également du temps et de l’argent, mais il est vital de déterminer si la maintenance prédictive est appropriée, car des actifs à faible coût, associés à des pièces détachées disponibles et bon marché, peuvent être mieux servis par des stratégies de maintenance alternatives. Les programmes de maintenance prédictive sont complexes, mais les avantages concurrentiels et financiers d’une stratégie bien exécutée sont précieux.

Les technologies de maintenance prédictive sont déjà utilisées pour de nombreux actifs dans une large variété d’industries, par exemple pour les distributeurs automatiques, les éoliennes, les échangeurs de chaleur ou des robots industriels. Les industries ayant une utilisation intense des actifs, telles que l’énergie, l’industrie manufacturière, les télécommunications et les transports, où les pannes inopinées des équipements peuvent avoir des conséquences graves, se tournent de plus en plus vers les technologies avancées pour améliorer la fiabilité des équipements et la productivité de la main-d’œuvre. Les utilisations potentielles sont nombreuses et variées :

La plupart des sources d’information attribuent l’invention de la technique de maintenance prédictive à CH Waddington, qui, pendant la Deuxième Guerre mondiale, remarqua que la maintenance préventive planifiée semblait être à l’origine de pannes imprévues au niveau des bombardiers.² Cela a conduit à l’émergence et au développement de la maintenance basée sur le contexte, mais depuis le cloisonnement de la plupart des systèmes métier, l’adoption de la maintenance prédictive a été limitée.

Les progrès technologiques dans le domaine des capteurs IdO, de la collecte et du stockage du big data se sont poursuivis et se poursuivront à un rythme soutenu. La croissance des données et l’accessibilité de l’intelligence artificielle/machine learning améliorent les modèles de maintenance prédictive et favorisent leur adoption. La pandémie a également accéléré les efforts de transformation numérique, en créant des environnements métier plus intégrés et en suscitant un appétit pour les analyses en temps réel basées sur les données. Enfin, la flambée des coûts liée aux durées d’immobilisation imprévues, que les experts estiment à environ 11 % du chiffre d’affaires pour les sociétés du Fortune Global 500³, encourage également l’adoption de la maintenance prédictive au niveau des acteurs économiques.

Les technologies suivantes ne sont que quelques-unes de celles qui contribuent à l’évolution continue et à la valeur ajoutée de la maintenance prédictive :

• L’inspection robotique automatisée rend plus efficace et plus rentable la surveillance des équipements situés dans des emplacements distants ou difficiles d’accès, comme dans l’industrie du pétrole et du gaz. Les robots agissent comme des capteurs mobiles qui surveillent plusieurs actifs et transmettent des données aux systèmes de gestion de la maintenance assistée par ordinateur.
• Les technologies immersives telles que la réalité augmentée (AR) et la réalité virtuelle (VR) sont en cours de développement pour simplifier les inspections. La réalité augmentée peut collecter des données et les deux technologies peuvent améliorer les inspections visuelles et la détection précoce des incidents.
• Les jumeaux numériques peuvent renforcer la maintenance prédictive en créant une représentation virtuelle d’un actif physique qui génère des données de capteurs et simule des scénarios et des solutions d’incidents opérationnels tout au long du cycle de vie d’un actif, sans aucun risque.
• Les solutions de maintenance prédictive compatibles avec l’IdO sont fournies dans le cadre des solutions EAM/GMAO et intégrées à d’autres applications métier.
• La maintenance prédictive en tant que service rendra la maintenance prédictive plus accessible et plus abordable. Fournie par des tiers, elle peut être moins disruptive que les déploiements sur site, nécessite moins d’investissements et de formation, et permet un retour sur investissement plus rapide. Elle peut également être adaptée à des environnements et des équipements individuels.