Industrie 4.0, intelligence artificielle, maintenance prédictive, blockchain… ces mots sont à la mode dans l’univers de l’industrie, mais loin des buzzwords, que veulent-ils vraiment dire? Quelles sont les technologies qui se cachent derrière, quels usages pouvons-nous en faire?
Pour le premier article de notre série technologique, nous avons choisi de vous parler de maintenance prédictive par la plume de notre chercheur Harouna N’Dongo.
L’intelligence opérationnelle ou « excellence manufacturière » est une discipline émergente qui permet aux industriels de transformer les flux massifs de données-machines en informations de décision. La gestion intelligente des données opérationnelles et des données de maintenance vous offre une vision globale des performances de vos machines en temps réel et la possibilité d’interroger vos équipements et de recevoir des alertes en cas d’écarts. Cette nouvelle façon de faire se nomme « la maintenance prédictive ». À l’aide d’algorithmes intelligents, la maintenance prédictive vise à optimiser l’équilibre entre les maintenances corrective et préventive. De façon plus concrète, cela permet de :
- Prédire si un équipement aura une défaillance dans un futur proche;
- Estimer le taux d’occupation d’un équipement;
- Estimer la durée de vie utile résiduelle d’un équipement;
- Trouver les principales causes de défaillance d’un équipement;
- Déterminer les actions de maintenance à effectuer sur un équipement et leur date d’exécution;
- Découvrir les modèles liés à différents problèmes de maintenance;
- Fournir des KPI (indicateurs clés de performance) tels que les scores d’intégrité, qui nous renseignent sur l’état des équipements.
Bien que la maintenance prédictive apporte des réponses plus pointues à certaines problématiques industrielles, il ne faut pas s’y méprendre. Il ne s’agit pas d’une boîte magique qui offre des solutions à tous vos problèmes; l’implantation des technologies permettant d’opérer une maintenance prédictive vient avec son lot de défis et d’erreurs.
Le plus grand défi
La préparation des données : la qualité et la quantité volumineuse des données générées par les machines représentent un défi majeur pour les industriels et les débutants en 4.0 plus particulièrement. Les données de maintenance sont généralement collectées par les agents de terrain (techniciens) et les données d’opération, par des capteurs intelligents. En fouillant dans les données, on se heurte très souvent à des données manquantes, aberrantes ou non balancées, dont le traitement risque de coûter environ 90 % du temps alloué au projet.
Erreurs des débutants
- Définir les technologies avant les problèmes, attitude généralement motivée par les Il est important de suivre le cycle de vie d’un projet en science des données, tel que CRISP-DM.
- Faire du all-in-one, c’est-à-dire vouloir rendre tous ses départements 4.0 en un seul projet. Il faut avoir une vision globale, mais aussi procéder de façon incrémentale (par composants spécifiques/équipements).
- Se fier à la quantité et non pas à la qualité. Il faut écouter ses données avant d’aller très loin, car il arrive qu’il vous en coûte moins cher de mettre une nouvelle structure de stockage et de collecter de nouvelles données que de travailler avec les données existantes.
- Se diriger vers le 4.0 en boitant : la complexité et la multidisciplinarité des problématiques de la maintenance prédictive exigent d’avoir des experts, des infrastructures et des outils adéquats.
Harouna N’Dongo
harouna.ndongo@itmi.ca
