Comment et pourquoi prévoir les pannes dans l’industrie en utilisant la maintenance prédictive ?

Le terme de maintenance prédictive, en anglais « predictive maintenance », se retrouve aussi en français sous la forme « maintenance préventive » ou « maintenance prévisionnelle ». Elle n’est pas forcément liée au domaine de l’intelligence artificielle, mais cet outil permet d’améliorer grandement les performances d’un modèle de prédiction.  On peut classer ses utilisations en deux grandes familles :
Les modèles qui permettent de détecter plus tôt les défaillances potentielles d’une machine, ou de les anticiper
Les modèles construits pour estimer la durée de vie ou l’évolution de l’état à long terme d’un équipement

Dans les deux cas, la nature du matériel dont on veut optimiser l’utilisation ou la gestion est diverse. Il peut s’agir de machines disposant d’une électronique ou d’un moteur, mais aussi d’équipements « inertes », tels des canalisations, des rails ou autres pièces statiques.

Prévoir des pannes pour les éviter ou s’y adapter

Dans notre première catégorie de maintenance prévisionnelle par des algorithmes prédictifs, nous pouvons dresser une liste (forcément incomplète) d’applications concrètes :
prévoir un risque de panne plusieurs heures/jours à l’avance pour effectuer une intervention, un contrôle, et minimiser la probabilité de survenue de cette panne.
mobiliser les équipes nécessaires sur une zone géographique/temporelle lorsqu’une période de probabilité de défaillance élevée est attendue.
connaître l’évolution du risque selon le contexte, par exemple climatique. Il est alors possible de faire des projections, des simulations de probabilité de pannes dans un scénario choisi.
analyser des défaillances passées, comprendre les raisons des pannes et l’influence de chaque paramètre. Le modèle prédictif nous permet d’indiquer les conditions de fonctionnement optimales d’une machine pour minimiser la probabilité de casse, en respectant les contraintes imposées par le besoin opérationnel.

Pourquoi estimer la durée de vie d’une machine ou d’un équipement grâce à l’intelligence artificielle ?

Dans cette seconde catégorie de maintenance préventive, plusieurs cas d’usages peuvent également être développés :
prévoir la durée de vie restante d’un équipement pour optimiser la gestion de son parc et de l’échelonnement de ses investissements de renouvellements futurs.
analyser et déterminer les équipements qui sont les plus sensibles à l’usure, de manière à prendre les meilleures décisions dans le choix d’un constructeur ou d’un modèle pour ses nouveaux équipements.
comprendre les phénomènes mesurables qui ont le plus d’impact sur la durée de vie de ses équipements, et optimiser leur utilisation pour la prolonger. Les modèles prédictifs permettent ainsi, une fois calibrés, de connaître le contexte idéal de fonctionnement de chaque machine/équipement individuellement.

Ce dont nous avons nous besoin pour construire un modèle et faire des analyses : données et historiques

Historique nécessaire

A l’image de la plupart des algorithmes prédictifs de type « machine learning », les modèles de type maintenance prévisionnelle ne peuvent être construits (« entraînés », dans le vocabulaire de la discipline) qu’en présence d’un historique de données suffisant, décrivant au mieux les équipements concernés et leur contexte d’utilisation et de fonctionnement. Il est également nécessaire que le type de pannes ou d’évènements à prévoir ait déjà été vu par le passé, de manière à ce que le modèle apprenne de ces précédents.

En général, la durée de l’historique de données nécessaire à un bon apprentissage est de l’ordre de quelques mois, pour de évènements fréquents et récurrents, à quelques années, pour des évènements plus rares.

Type de données exploitables

Les données que vous pouvez nous fournir pour construire un modèle sont de diverses natures. En dehors de l’historique des défaillances, aucune n’est indispensable, mais elles sont autant d’éléments améliorant la performance du modèle de maintenance préventive, par exemple :

– historiques des pannes ou défaillances
– données de capteur de vibration
– température
– matériau
– date d’installation / de fabrication
– dimensions
– marque, modèle
– fréquence, vitesse, et temps de fonctionnement
– mesures acoustiques
– conditions météorologiques [nous pouvons vous les fournir]
– saisonnalité [intégrée par nos soins]

A partir de ces mesures de base, ou d’une partie d’entre elles, un grand nombre de variables secondaires sont calculées et intégrées dans la construction du modèle. L’historique fourni permettra également d’évaluer la pertinence de l’algorithme construit.

Pour aller plus loin et confronter votre cas d’usage à la faisabilité du développement d’un modèle de maintenance prédictive :

Comment mettre en place votre algorithmes de maintenance prévisionnelle ?

Nous vous proposons des services de deux natures différentes :
– un développement selon une formule de type « data scientist freelance » pour votre modèle de maintenance prédictive, personnalisé selon vos besoins, avec une phase d’étude et une phase de mise en production dans le système informatique de votre choix, facturé en fonction du nombre de jours de travail nécessaire au projet.
– un service de type abonnement récurrent, dont le coût est calculé à partir du nombre d’équipements concernés, des fonctionnalités souhaitées et de la complexité/durée nécessaire à construire le modèle.