Tous les objets connectés offrent des opportunités importantes dans le domaine de la maintenance et de l’entretien des équipements. En effet, les machines peuvent désormais être équipées de nombreux capteurs qui surveillent et mesurent en permanence.
La maintenance prédictive aide les entreprises à mieux planifier les interventions d’entretien et le renouvellement de leur stock de pièces de rechange. Elles sont ainsi en mesure de prévenir les pannes et de réduire la survenue d’incidents sur les matériels surveillés, en passant d’une approche purement réactive à une démarche proactive. Tous les objets connectés offrent des opportunités pour rendre la maintenance plus efficace.
Les machines peuvent désormais être équipées de nombreux capteurs qui surveillent et mesurent en permanence les variations sonores provoquées par un mécanisme, le niveau des fluides, les vibrations, la chaleur émise, la position, la pression, l’étanchéité et bien d’autres paramètres. Ces différentes données peuvent ensuite être utilisées pour différencier ce qui caractérise un fonctionnement normal d’un dysfonctionnement.
De cette manière, les causes des pannes peuvent être facilement cernées. Mieux, elles peuvent être modélisées dans une solution d’analyse prédictive, afin de les reconnaître le plus tôt possible si elles se reproduisent. En détectant plus tôt les signes annonciateurs de pannes, les techniciens sont en mesure d’intervenir et de réparer un mécanisme usé ou défectueux avant qu’un problème sérieux ne surgisse. Les opérations d’entretien peuvent dès lors être planifiées non plus de manière arbitraire, mais en fonction de conditions précises, mesurées de manière factuelle. Les objets connectés peuvent également faciliter la tâche lors des interventions, en aidant les réparateurs à identifier rapidement une pièce grâce à des tags intelligents.
En renforçant leur connaissance sur les pannes, la fréquence à laquelle elles surviennent et les éléments à remplacer dans ce cas, les entreprises peuvent envisager la mise en place d’un processus de maintenance conditionnelle complet. Celui-ci repose sur la collecte en continu de données qui indiquent l’état d’un équipement, l’objectif étant de déclencher des alertes dès qu’apparaissent des signes de dégradation. Par exemple, l’analyse prédictive peut identifier que dix jours avant la survenue d’une panne, le bruit émis par une machine commence à différer du bruit habituel.
Mieux prévoir les pannes, une source de gains pour les entreprises
La mise en place de processus de maintenance prédictifs offre plusieurs bénéfices, aussi bien pour les industriels que les entreprises gérant de grands parcs d’équipements ou même les fabricants.
Une source de réduction des coûts
Le premier, et non des moindres, est la réduction des coûts de maintenance : l’entreprise à même d’effectuer une analyse approfondie des pannes survenues sur un certain laps de temps peut mettre en place une approche de type Cost Benefit Analysis (CBA), dans laquelle les interventions et les remplacements d’équipements sont effectués lorsque c’est réellement nécessaire, et non en fonction d’échéances fixées par les fabricants des matériels. En outre, un dysfonctionnement détecté suffisamment en amont peut nécessiter moins de réparations qu’une vraie panne : il est préférable de changer une seule pièce endommagée au bon moment que de remplacer tout une machine.
Le coût total de possession (TCO) peut ainsi être réduit, un gain qui sera d’autant plus important que le parc de machines et d’équipements surveillés est coûteux à entretenir. Enfin, les entreprises chargées de l’entretien y gagnent également, car elles peuvent mieux prévoir les pièces de rechange dont elles auront besoin et ainsi optimiser leurs stocks.
Des équipements plus disponibles
Le second bénéfice est la meilleure disponibilité des équipements ainsi surveillés. Avec une telle approche, le nombre de pannes tend en effet à se réduire au fil du temps : chaque nouvel incident est analysé pour déterminer son schéma-type et il vient enrichir ensuite le modèle permettant de lancer des alertes. Cet atout prend encore plus d’importance dans les domaines où la fiabilité des équipements est essentielle en raison des risques encourus : transports de personnes, secteur médical, machines sur lesquelles interviennent des opérateurs…
Par ailleurs, les entreprises peuvent également réduire le nombre d’interventions de maintenance en supprimant celles qui ne sont pas justifiées, limitant ainsi les arrêts et accroissant la disponibilité de leurs équipements. Dans le cas de prestataires louant des machines ou des équipements, cela permet également de réduire les pénalités prévues en cas d’indisponibilité.
Imaginer de nouveaux services
Enfin, certaines entreprises peuvent également utiliser la maintenance prédictive pour offrir de nouveaux services à leurs clients, notamment les fabricants de matériels. C’est par exemple le cas d’un constructeur aéronautique international , qui propose ses propres services aux compagnies en collectant de l’information sur ses avions, créant ainsi une source de revenus supplémentaire, tout en augmentant la satisfaction de ses clients. Les fabricants accroissent par la même occasion leurs connaissances sur leurs produits en exploitation, un atout dont ils peuvent tirer profit en R&D pour la conception de futurs modèles.
De nouvelles exigences en termes d’intégration/collecte de données
Si la mise en place d’un processus de maintenance prédictive présente de nombreux avantages, un tel projet comporte néanmoins des enjeux qu’il ne faut pas sous-estimer. En effet, la multiplication des machines et des équipements intelligents, munis de capteurs, entraîne des changements profonds dans la manière de traiter et d’analyser les données.
Le premier bouleversement vient du fait que les différents systèmes connectés produisent des données en permanence : les flux de données peuvent donc vite représenter un volume important. Néanmoins, il faut être en mesure de traiter ces flux « au fil de l’eau » si l’on veut pouvoir lancer l’alerte et agir en amont, ce qui implique de travailler sur des données brutes ou quasi-brutes.
Dans le même temps, il faut être capable de stocker et de traiter l’historique de manière performante, voire de l’enrichir d’autres types de données (retours clients, rapports d’interventions effectuées en interne ou en externe, dates d’installation, emplacement…), afin de bâtir et d’améliorer les modèles prédictifs.
Enfin, il ne faut pas négliger le fait que les données concernées proviennent de multiples sources : l’ensemble ainsi constitué peut s’avérer fragmenté et très hétérogène, que ce soit en termes de formats, de niveau de détail ou de fréquence de renouvellement. Pour être à même d’exploiter ces données dans un modèle prédictif cohérent, efficace et pertinent, il s’agit donc de trouver le juste niveau d’intégration.
Les architectures décisionnelles classiques sont généralement constituées :
- d’un système ETL qui extrait, transforme et charge les données en les traitant par lots,
- d’un ou plusieurs entrepôts de données (datawarehouse),
- de solutions d’analyse qui s’appuient sur ces entrepôts.
Ces architectures ne suffisent pas à prendre en compte ces nouvelles contraintes que sont la production, le traitement et l’analyse des données, en continu et en temps réel.
Afin d’apporter de la valeur dans un processus comme la maintenance, l’analyse prédictive doit impérativement être intégrée dans les systèmes opérationnels. Il faut donc adapter les systèmes de Business Intelligence existants afin de réunir cinq critères :
- Disposer d’un historique de données complet, fiable et régulièrement mis à jour pour bâtir les modèles prédictifs.
- Réinjecter ces modèles une fois validés dans les processus opérationnels, afin de pouvoir prédire les situations similaires.
- Les alimenter avec des données transmises en temps réel, et de qualité.
- Déclencher des alertes au bon moment et les adresser aux bons interlocuteurs, grâce à un ensemble de règles.
- S’assurer que tous les messages échangés sont bien délivrés.
Pour y parvenir, il est nécessaire de concevoir un système intégré de bout en bout, dans lequel tous les maillons de la chaîne sont reliés : équipements connectés, entrepôts de données, sources de données complémentaires, solutions d’analyse prédictive, systèmes opérationnels et systèmes de communication et de messagerie.
Intégration de données : trois étapes pour la mise en place d’une maintenance conditionnelle
Exploiter les capacités de l’analyse prédictive dans un processus comme la maintenance nécessite de passer par plusieurs étapes : comprendre, alerter, intégrer.
Comprendre
Il faut tout d’abord comprendre les mécanismes en jeu lors d’une panne, afin d’identifier sa « signature ». Pour cela, il faut collecter et regrouper les données issues des différents capteurs, et, le cas échéant, les enrichir avec des données complémentaires. Il faut également s’assurer de leur qualité avant de les analyser, afin d’obtenir des modèles prédictifs pertinents qui ne puissent être mis en doute, un impératif dans des approches comme l’analyse coûts/bénéfices (CBA).
Cette étape nécessite une intégration de données à la fois flexible, fiable et robuste. Celle-ci peut être obtenue en combinant plusieurs types de solutions :
- Un système de Master Data Management (MDM), ou référentiel de données, qui permet de s’assurer que les données enregistrées, quelle que soit leur provenance, sont bien associées à la bonne ressource (machine, pièce de rechange, fabricant…).
- Une plateforme d’intégration de données dont le rôle, à ce stade, sera de réunir les données provenant des différentes sources dans un même environnement, le tout de manière flexible, afin de pouvoir ajouter facilement de nouvelles sources ou de nouveaux champs.
- Une solution de qualité des données, qui donne à l’entreprise la possibilité d’établir ses propres règles de qualité puis de les appliquer aux données à analyser.
Ces différentes solutions, mises bout à bout, viennent ensuite alimenter un environnement analytique qui doit être performant et souple, afin d’explorer et d’analyser des données volumineuses, avec des formats multiples et plus ou moins structurés. Cet environnement peut être une solution du marché, un entrepôt de données couplé à des outils d’analyse ou un ensemble de systèmes spécialisés intégrés.
Alerter
Dans un deuxième temps, il faut être en mesure d’alerter à temps si les conditions d’une panne se reproduisent, afin de déclencher une maintenance proactive. Le système d’information mis en place doit donc être à même d’appliquer des règles à la volée sur les données entrantes, qui lui parviennent sous un format quasi-brut, afin d’identifier au bon moment une signature de panne.
Ces données constituent des événements qui peuvent être plus ou moins complexes, les plus délicats à identifier étant les événements manquants, c’est-à-dire des événements qui auraient dû se produire mais ne l’ont pas fait.
Cette étape repose sur deux types de solutions :
- Un outil de streaming de données, capable de collecter, filtrer et router en continu les flux de données issus des capteurs vers les systèmes appropriés, en évitant de surcharger les outils d’analyse d’événements de routine n’indiquant pas de changement dans l’état des équipements.
- Un moteur de CEP (Complex Event Processing) qui assure le traitement des événements complexes en s’appuyant sur un faisceau de règles. Toutes les données suspectes sont redirigées vers celui-ci, afin qu’il puisse les analyser pour reconnaître d’éventuelles signatures de pannes. Le cas échéant, il déclenche une réponse appropriée, qui peut aller de la simple alerte au démarrage d’un processus automatisé.
Intégrer
À terme, l’objectif est d’aligner le processus de maintenance avec les objectifs métiers, en prenant en compte le contexte étendu lors des décisions. Pour un industriel, cela signifie, par exemple, planifier les interventions d’entretien en fonction des risques de pannes, mais aussi du planning de production ; pour un loueur de matériel, il peut s’agir de prévenir les clients en cas d’alerte ; pour d’autres entreprises, l’enjeu sera de vérifier automatiquement la disponibilité de pièces de rechange auprès de leurs fournisseurs.