La maintenance prédictive : définition et concepts de base

Image de l'article

Introduction

Dans plusieurs de nos articles, nous n’avons pas manqué de faire mention de la maintenance prédictive sans toutefois donner assez de détails la concernant. En effet, cette nouvelle stratégie de maintenance doit sa naissance à l’industrie 4.0 et surpasse les autres stratégies de maintenance en termes d’avantages économiques pour les industriels. Elle est une résultante directe d’une combinaison de deux piliers majeurs de l’industrie 4.0 à savoir l’internet des objets (IoT) et l’apprentissage automatique (Machine Learning). Dans cet article, après avoir rappelé ce qu’est la maintenance, nous revenons brièvement sur les deux principales stratégies qui étaient connues jusqu’à l’avènement de l’industrie 4.0 avant de répondre aux principales questions suivantes portant sur ladite maintenance prédictive : de quoi s’agit-t-il ? quelles sont ses avantages par rapports aux autres stratégies de maintenance ? quelles sont les technologies et techniques employés dans ce cadre ?

Après avoir répondu à ces questions, nous terminerons en donnant un aperçu sur les différentes étapes à suivre pour une mise en œuvre d’une stratégie de maintenance prédictive.

Définition de la maintenance

La norme AFNOR (Association Française de NORmalisation) NF-X 60 000 définit la maintenance comme étant « l’ensemble des activités techniques, administratives et de management durant le cycle de vie d’un bien, destinées à le maintenir ou à le rétablir dans un état spécifié de fonctionnement pour établir une fonction requise ».

C’est donc un ensemble d’activités techniques et de gestion permettant de garantir ou d’assurer la disponibilité d’un bien à un coût optimal.

Les différentes stratégies de maintenance

Si nous reprenons la définition de la norme AFNOR, nous pouvons distinguer deux termes clés qui catégorisent deux stratégies de maintenance à savoir maintenir et rétablir. En effet, selon la définition, maintenir sous-entend une action préventive qui maintient le bien en état pour éviter une panne tandis que rétablir suppose que la panne est déjà survenue, et par conséquent implique une action corrective.

La Maintenance corrective

Comme souligné précédemment, il s’agit d’une action corrective exécutée après la détection d’une panne et destinée à rétablir un bien dans un état lui permettant d’accomplir une fonction requise. Deux types de maintenance se distinguent à ce niveau :

  • Une maintenance palliative qui est une réparation provisoire afin de permettre au bien d’accomplir une partie ou toute sa fonction requise en attendant de réunir les moyens pour mener une maintenance curative.
  • Une maintenance curative est une réparation définitive du système, et ayant pour objectif la suppression de tout dysfonctionnement survenu.

La Maintenance préventive

Selon AFNOR, c’est une maintenance exécutée à des intervalles prédéterminés ou selon des critères prescrits et destinée à réduire la probabilité de défaillance ou la dégradation du fonctionnement d’un bien.

Elle regroupe les stratégies de maintenance suivantes :

  • Maintenance systématique : maintenance préventive exécutée à des intervalles de temps préétablis ou selon un nombre défini d’unités d’usage mais sans contrôle préalable de l’état du bien ;
  • Maintenance conditionnelle : maintenance préventive qui inclut l’évaluation des conditions physiques, l’analyse et les éventuelles actions de maintenance qui en découlent. L’évaluation peut se faire soit par observation réalisée par l’observateur et/ou par inspection, essais, surveillance de l’état des paramètres du système ;
  • Maintenance prévisionnelle : maintenance préventive effectuée selon un calendrier préétabli ou un nombre défini d’unités d’usage. Elle est semblable à la maintenance conditionnelle mais elle est basée sur une estimation du temps de fonctionnement correct d’un système, qui peut être établi à partir de différentes mesures sur les paramètres du système.

L’industrie 4.0 et la maintenance prédictive des équipements

De quoi s’agit-il ?

Nouvelle stratégie de maintenance, la maintenance prédictive trouve sa raison dans l’émergence de l’industrie 4.0 avec ses nouvelles technologies. Contrairement aux autres stratégies de maintenance définies plus faut, elle surveille en continu l'état de la machine et estime quand elle tombera en panne. Elle se base sur des algorithmes prédictifs qui exploitent des données issues de capteurs et d'autres informations pertinentes pour détecter des anomalies, surveiller l'état des composants et estimer la durée de vie utile restante (RUL). Cela permet de programmer la maintenance au moment exact où elle est nécessaire : ni trop tôt, ni trop tard. En contrôle de qualité, on parle de panne zéro.

Les avantages par rapport aux autres stratégies de maintenance

Nous avions précédemment montré qu’une stratégie de maintenance préventive est nécessaire pour les industriels en général. Cependant, la maintenance préventive entraîne des coûts de maintenance souvent élevés, un temps d'immobilisation globalement plus long et une augmentation des stocks et des pièces de rechange. Elle ne permet pas non plus de prévenir les pannes, car l'état de l'équipement n'est évalué que périodiquement, au lieu d'être continuellement suivi et analysé en temps réel.

C’est en cela que la maintenance prédictive trouve ses avantages car elle réduit au minimum les temps d'arrêt imprévus, diminue les coûts opérationnels et propose des alertes en cas de problèmes inattendus grâce à la surveillance continue et temps réel.

Technologies et techniques employées

Deux technologies majeures de l’industrie 4.0 (à lire ici) sont exploitées dans un contexte de maintenance prédictive. Il s’agit de l’internet des objets et de l’apprentissage automatique.

  • L’internet des objets (IoT) : cette technologie est la base de la surveillance en temps réel. Les capteurs qui collectent les données sur les équipements sont souvent distants de l’ordinateur où s’effectuent les analysent algorithmiques. De ce fait, l’IoT permet d’établir une communication entre les deux par divers moyens tel que le Wifi, Bluetooth, LoRa, ZigBee et autres.
  • L’apprentissage automatique ou machine Learning : cette branche de l’intelligence artificielle sur laquelle nous reviendrons dans nos prochains articles constitue le cœur même de la prédiction des défaillances car les algorithmes de prédiction sont basés sur cette technologie. Pour faire simple, les machines apprennent grâce à des entraînements appliquées sur de grandes quantités de données puis lorsqu’une situation se présente, elles seront en mesure de déterminer l’état normal ou anormal de la situation selon les évaluations qu’elles auront faites elles-mêmes.

Quant aux techniques employées dans le cadre d’un système de maintenance prédictive, elles sont nombreuses et chacune a ses particularités avec ses avantages et inconvénients. Voyons ici quelques-unes de ces techniques les plus utilisées de nos jours dans l’industrie.

  • L’analyse vibratoire : L'analyse vibratoire est une technique qui surveille les vibrations des équipements rotatifs tels que les moteurs, les pompes et les turbines. En analysant la fréquence, l'amplitude et les motifs de ces vibrations, les équipes de maintenance peuvent détecter des irrégularités qui indiquent des problèmes potentiels tels que le désalignement, le déséquilibre ou l'usure des composants de la machine. L'analyse vibratoire est très efficace pour détecter les problèmes d'équipement à un stade précoce, permettant une maintenance rapide et évitant les défaillances coûteuses de l'équipement.
  • La thermographie infrarouge : La thermographie infrarouge est une technique sans contact qui utilise l'imagerie thermique pour détecter les anomalies de température des équipements, ce qui en fait un outil précieux pour la maintenance prédictive. Elle peut identifier les composants ou connexions électriques surchauffés, ce qui peut indiquer des problèmes tels que des connexions lâchées, une usure des paliers ou des problèmes d'isolation.
  • L’analyse de lubrification : cette technique analyse la quantité et la qualité de l’huile lubrifiante des appareils. On peut donc détecter des problèmes tels qu'une usure excessive, une contamination ou une dégradation chimique dans les composants d'équipement tels que les moteurs, les boîtes de vitesses et les systèmes hydrauliques en analysant la composition de l'huile, sa viscosité et ses contaminants.
  • L’analyse acoustique : La vérification par ultrasons est une technique polyvalente utilisée pour détecter des problèmes dans divers équipements, notamment les compresseurs d'air, les soupapes de vapeur et les vannes. Elle repose sur des ondes sonores haute fréquence au-delà de la gamme de l'audition humaine pour identifier des anomalies telles que des fuites, des frottements et des défauts de palier.

Mise en œuvre d’une maintenance prédictive

La mise en œuvre d’une maintenance prédictive passe par plusieurs étapes. En effet, au cœur d'une solution de maintenance prédictive se trouve un algorithme qui analyse les données issues des capteurs pour détecter les anomalies, établir un diagnostic des problèmes ou prédire la durée de vie utile restante de l'équipement.

Acquisition des données

La collecte de données est la première étape dans le processus de développement d’un système de maintenance prédictive. Sachant que la précision des algorithmes d'IA dépend de la qualité des données d'apprentissage, il est primordial d’être précis dans cette collecte. Elle se fait à travers des capteurs déployés à différents endroits de l’équipement. Souvent, pour des raisons de temps et d’impossibilité d’obtenir des données de défaillance, l’on peut être amené à générer des données synthétiques à partir de modèles physiques lorsque cela est possible.

Pré-traitement des données

Les données collectées à travers les capteurs sont rarement exploitables par les algorithmes directement. Pour cela, on applique un prétraitement approprié afin de soit filtrer ces données, soit réduire la taille ou autres.

Identification des indicateurs d’état

Une fois les données prétraitées, il est important d’identifier les caractéristiques les plus pertinentes à même d’indiquer la tendance et l’état normal ou défectueux de l’équipement. Cela pour faciliter l’entraînement du modèle.

Entraînement du modèle

Une fois les indicateurs extrait, la prochaine étape consiste à entraîner l’algorithme prédictif. Ces algorithmes peuvent être classés en trois catégories principales : la détection des anomalies, l'identification des défaillances (diagnostics) et l'estimation de la durée de vie utile restante (pronostics). Selon les situations et selon les données existantes, deux types d’entraînement peuvent être entrepris : l’apprentissage supervisé où on donne à l’algorithme des données étiquetées avec les soties attendues et l’apprentissage non supervisé où on ne connaît pas d’avance la sortie. Dans certains cas on peut combiner les deux pour former un apprentissage semi-supervisé. L'objectif ultime des algorithmes de maintenance prédictive étant de convertir les données des capteurs en décisions de maintenance.

Déploiement et intégration

C’est la partie la plus importante de toute la chaîne. Le déploiement des algorithmes est essentiel pour réduire les temps d'arrêt et les coûts de maintenance, ainsi que pour améliorer l'efficacité opérationnelle. Il est nécessaire d'intégrer ces algorithmes dans l'environnement opérationnel, en assurant la sécurité des données et en adaptant les ressources informatiques pour une exécution optimale. Les algorithmes peuvent être déployés à la fois dans le cloud et sur des serveurs locaux, voire sur des dispositifs périphériques pour un traitement rapide des données de capteurs à haute fréquence.

À retenir

La maintenance prédictive est une nouvelle stratégie de maintenance qui permet aux industriels aujourd’hui d’aller vers le zéro panne. Résultant d’une combinaison de l’IoT et du ML (à lire ici), cette nouvelle stratégie présente de véritables avantages économiques et différentes techniques peuvent être employés pour réaliser un système de maintenance prédictif. Cependant, sa mise en œuvre requiert un certain nombre de compétences techniques et analytiques dans le processus. C’est pourquoi si vous envisagez adopter une telle solution ou si vous avez besoin de plus d’informations à ce sujet, n’hésitez pas à contacter l’équipe de LMS Invention ! ( ici)



Commentaires
avatar
@Anonyme

Article très intéressant Merci l'équipe de LMS INVENTION






Derniers blog


















Derniers blog

Derniers tags

Abonnez-vous a notre newsletter