Gestion intelligente des actifs : Surfer sur la vague de la maintenance prédictive

Les opérations de maintenance et de réparation (MRO) comptent parmi les activités les plus importantes des organisations industrielles modernes. Elles permettent aux entreprises de fonctionner sans heurts et ont un impact significatif sur la productivité et les résultats. Une partie importante des opérations de maintenance et de réparation concerne la gestion et la maintenance des actifs physiques tels que les machines et les outils utilisés dans les opérations de production. C'est pourquoi les entreprises investissent massivement dans des méthodes nouvelles et intelligentes de gestion de leurs actifs.

L'approche la plus simple de la maintenance des actifs est la maintenance réactive. Dans le cadre de la maintenance réactive, les actifs sont réparés ou remplacés lorsqu'ils tombent en panne. La maintenance réactive n'est pas très efficace : elle entraîne souvent des arrêts de production car les opérations doivent être interrompues pendant le remplacement de l'actif. C'est pourquoi la plupart des entreprises utilisent un autre modèle de maintenance pour les actifs clés, appelé maintenance préventive. Cette méthode consiste à remplacer ou à entretenir les actifs avant leur fin de vie nominale. En étant proactive, elle permet d'éviter les temps d'arrêt catastrophiques, car la fin de vie des actifs n'est jamais atteinte. Ce n'est pas la méthode la plus rentable, car la durée de vie du produit peut être réduite, c'est pourquoi la maintenance conditionnelle est également une option.

La maintenance conditionnelle remplace ou entretient un bien en fonction de son état réel. Elle est utilisée pour entretenir le bien avant qu'une panne ne se produise. L'un des types de maintenance conditionnelle les plus populaires est la maintenance prédictive. Elle s'appuie sur les prévisions relatives à la durée de vie utile restante (RUL) et à la fin de vie (EoL) de l'actif pour programmer la maintenance au moment le plus opportun. La maintenance prédictive permet d'éviter les temps d'arrêt catastrophiques, tout en optimisant l'efficacité globale de l'équipement (OEE). Néanmoins, la mise en œuvre d'une approche de maintenance prédictive est un défi, car il n'existe pas de moyen facile de prédire et d'anticiper les défaillances des actifs industriels.

Ces dernières années, l'avènement de l'industrie 4.0 permet aux entreprises de collecter de grandes quantités de données numériques sur leurs systèmes de production. Cela facilite la mise en œuvre de la maintenance prédictive et entraîne des avantages économiques tangibles. La maintenance prédictive est l'une des applications les plus populaires de l'industrie 4.0 pour deux raisons : son retour sur investissement (ROI) avéré et sa large applicabilité dans presque tous les secteurs industriels, y compris la fabrication, le pétrole et le gaz, l'exploitation minière, les bâtiments intelligents et plus encore.

Estimation de la durée de vie utile restante à l'aide de l'analyse prédictive

Le développement de solutions de maintenance prédictive s'appuie sur de grands volumes de données numériques provenant de capteurs, de systèmes de production et d'applications d'entreprise. Ces données sont traitées par des algorithmes d'analyse avancés tels que l'apprentissage automatique (ML) et l'intelligence artificielle (IA), afin d'aider à évaluer l'état de l'équipement. Les algorithmes d'analyse prédictive sont appliqués aux données provenant de divers dispositifs tels que les capteurs de vibration, les capteurs de température, les capteurs de consommation d'énergie, les capteurs acoustiques, les dispositifs à ultrasons et les dispositifs d'imagerie thermique. Des informations supplémentaires provenant de systèmes d'information commerciale (par exemple, des systèmes ERP (Enterprise Resource Planning)) sont exploitées, y compris, par exemple, des informations sur la qualité de la production et des données d'analyse de l'huile des machines. Les éléments d'information susmentionnés fournissent des informations utiles sur le fonctionnement et l'état de l'actif.

Un système intégré de maintenance prédictive comprend les sous-systèmes suivants :

Un sous-système de collecte de données, qui assure la collecte fiable de données provenant de capteurs et de systèmes de production. Dans la plupart des cas, le système de collecte de données est un système Big Data qui traite les données en continu avec une forte ingestion et des données au repos. Le système est doté d'une infrastructure réseau robuste, configurée pour répondre aux besoins en bande passante des différents flux de données.
Un sous-système d'analyse prédictive, qui traite les données des capteurs pour fournir des estimations de temps pour la maintenance. Ce sous-système comprend des algorithmes d'analyse avancés tels que l'analyse statistique et les techniques d'exploration de données comme l'apprentissage automatique et l'apprentissage profond (DL). Ces dernières années, les techniques d'apprentissage profond sont préférées aux techniques de ML conventionnelles en raison de leur précision. Cependant, l'utilisation de modèles DL nécessite plus de données que les algorithmes ML traditionnels.
Un sous-système de visualisation, qui présente des informations prédictives aux ingénieurs et techniciens de maintenance. Par exemple, les prévisions concernant l'état de santé des actifs sont visualisées dans des tableaux de bord appropriés. Les informations peuvent être visualisées sous la forme de cyber-représentations de réalité augmentée (RA) et de réalité virtuelle (RV).
Un sous-système d'actionnement et de contrôle, qui exploite des informations prédictives pour programmer des opérations de maintenance ou pour configurer le fonctionnement de systèmes de production. Ce sous-système peut interagir avec les applications de l'entreprise (par exemple, les systèmes ERP et de gestion des actifs) pour identifier le meilleur moment pour programmer la maintenance. Dans cette optique, l'état des ordres de production en attente est pris en compte. De même, le sous-système de commande et de contrôle configure les opérations des machines en vue de prolonger leur durée de vie.

L'essor des actifs en tant que services

Au-delà de la réduction des temps d'arrêt et de l'augmentation de l'efficacité énergétique, la maintenance prédictive permet une série de nouveaux modèles commerciaux de maintenance d'entreprise basés sur le paradigme "Asset-as-a-Service" (AaaS). Ce paradigme permet aux équipementiers de facturer leurs produits en fonction de leur utilisation, plutôt que sur la base d'un prix initial fixe. À cette fin, ils exploitent les informations relatives à l'état et à la santé des actifs pour planifier les opérations de maintenance, de réparation et de service sur le terrain. De même, ils offrent une visibilité sur l'état des actifs et les opérations de maintenance qui doivent être effectuées sur eux. Dans ce contexte, il est également possible de mettre en œuvre des modèles de maintenance en tant que service (MaaS), qui facturent aux clients la fourniture d'informations sur la maintenance et la réparation des actifs.

À l'avenir, MaaS et AaaS offriront aux entreprises industrielles une plus grande flexibilité pour la planification de leurs opérations de MRO. Par exemple, les fabricants n'auront plus à se débarrasser de contrats de maintenance coûteux. Ils pourront au contraire payer les services de maintenance en fonction de l'utilisation de l'actif.

Les infrastructures et technologies numériques telles que les infrastructures de réseau à haut débit, les plateformes Big Data et les technologies d'analyse avancée sont les principaux piliers des solutions de maintenance prédictive. Les solutions d'Allied Telesis offrent de solides propositions de valeur lorsqu'il s'agit de mettre en œuvre des plateformes d'acquisition de données fiables pour la maintenance prédictive. Par exemple, la solution Total Autonomous Networking d'Allied Telesis permet aux entreprises manufacturières de centraliser le contrôle et la gestion de plusieurs appareils, tout en prenant en charge les services de récupération et de provisionnement, toujours importants. La solution offre des capacités de configuration réseau polyvalentes basées sur l'analyse du trafic sans fil. Plus précisément, l'analyse du trafic permet de comprendre comment configurer au mieux le réseau pour répondre à la demande. Elle facilite également la mise en place de solutions WAN hautes performances, qui garantissent que les données de maintenance provenant de différents appareils peuvent être diffusées de manière fiable vers le nuage.

Une autre option est la solution de sécurité Self-Defending Networks d'Allied Telesis, qui automatise la configuration et l'application de politiques de sécurité complexes au niveau de la périphérie et du nuage des solutions de maintenance prédictive. Cette solution peut considérablement renforcer la confiance et la fiabilité des déploiements de maintenance prédictive, ce qui est très important pour protéger les entreprises industrielles contre les dispositifs non fiables et les attaques adverses.

Dans l'ensemble, Allied Telesis fournit les bases d'une infrastructure de réseau industriel robuste, sécurisée et de haute performance, qui garantit le flux approprié des données de maintenance de l'atelier au nuage. Il s'agit là d'une base solide pour un déploiement réussi et rentable de la maintenance prédictive.