Véritable alliée de la transformation digitale des industries, la maintenance prévisionnelle permet une gestion optimisée des équipements et infrastructures. Il est question d'intervenir au bon moment, avant que la panne ne survienne, grâce à une anticipation des comportements des machines. La maintenance analytique, notamment portée par les modèles d’intelligence artificielle, fournit des cadres et des outils pour analyser les données en temps réel. Alors, comment fonctionne-t-elle ? Quels avantages à l’adopter ? Quelles technologies la soutiennent ?
Vers la maintenance prévisionnelle, un élément clef d’une gestion efficiente des équipements
Avec une croissance prévisionnelle mondiale attendue de +31%/an sur la période 2020-2030 (1), le segment de marché de la maintenance prévisionnelle permet d’apporter des réponses à deux enjeux industriels majeurs : 1) l’amélioration de la compétitivité des produits et services fournis ; 2) l’augmentation de la productivité. Parmi les secteurs les plus en attente sur ces bénéfices : le manufacturing, la logistique et le transport, la santé, ou encore les énergies.
Concrètement, pour approcher la maintenance prévisionnelle, les plateformes numériques de gestion des machines et équipements analysent le cycle de vie des données des machines, pour :
- Comprendre : quand, pourquoi et comment une panne survient
- Anticiper : la ou les conséquences de la panne
- Recommander : la ou les actions à mener (maintenance et/ou configuration d’équipement et/ou action sur l’environnement)
La maintenance prévisionnelle s’organise autour de quatre étapes mettant en scène la vie des données des équipements étudiés.
- La collecte de données combinées : issues à la fois des capteurs intégrés aux équipements, des relevés manuels ou encore des systèmes de surveillance automatisés. Ces données variées vont des mesures physique (températures, les vibrations, les niveaux de pression...) aux mesures de fonctionnement (les heures de fonctionnement, niveau de service, nbre de pièces produites, ...)
- L'analyse approfondie de ces données collectées par l’usage d’algorithmes pouvant contenir de l’intelligence artificielle. Cette technique permet d’identifier les tendances, les anomalies et les modèles comportementaux.
- La planification des interventions de maintenance : établie de façon proactive sur la base des résultats de cette analyse des données. Cela peut inclure des opérations telles que le remplacement de pièces usées ou la lubrification, ainsi que des opérations de maintenance corrective anticipée pour résoudre une cause potentielle de défaillance sans symptôme apparent.
- Le suivi et ajustement en temps-réel : de la maintenance prévisionnelle, afin de s’assurer de l'efficacité des actions entreprises, et d’ajuster les plans de maintenance en conséquence pour des prises de décisions éclairées.
Figure 1 - Les trois types de maintenance industrielle
Les bénéfices de l’adoption de cet outil influencent directement sur la performance, la fiabilité et la maîtrise des coûts et des risques, avec :
- La réduction des temps d’arrêt, en identifiant les problèmes avant qu'ils ne provoquent des défaillances majeures
- L’augmentation de la durée de vie des équipements, en prévenant l'usure prématurée, en garantissant un entretien régulier, et en favorisant une meilleure gestion des stocks de pièces de rechange
- L’amélioration de la sécurité : la détection précoce des problèmes contribue à réduire les risques pour la sécurité des travailleurs en évitant les défaillances catastrophiques
- La réduction des coûts de réparation et d’exploitation, en organisant des interventions de maintenance qualifiées
Prévoir et recommander avec la technologie BL.Predict
Ainsi, la mise en œuvre d’une maintenance prévisionnelle requiert une expertise dans plusieurs domaines, comme le développement informatique, l’architecture et réseaux, l’analyse des données, l'expertise maintenance et de l'équipement, la compréhension de l’expérience utilisateur. Or, les industriels en quête de transformation digitale possèdent rarement en interne l'ensemble de ces ressources et/ou compétences. De plus, dans leur démarche de transformation numérique et d’optimisation de leurs actifs, ces entreprises peuvent faire face à des difficultés de mise en place d’une stratégie de corrélation et d’analyse de données issues de langages différents. Et la diversité des machines et des protocoles de communications associées, couplé à l’incapacité à traiter la masse de données générées par les dispositifs IIoT enrichis d’IA peuvent constituer de sérieuses barrières à l'entrée.
Parmi les acteurs et solutions permettant le déploiement d’une maintenance prévisionnelle, BL.Predict du groupe Berger-Levrault se positionne sur l’axe d’expertise métier en analyse des données. Plateforme IIoT et 100% métier de gestion intelligente des équipements, elle traite efficacement toutes les données pour optimiser la performance des équipements et tendre vers la maintenance prévisionnelle. Solution numérique clef en main de traitement en temps-réel intégré, elle se distingue par une gestion simple, accessible et universelle des actifs tous secteurs confondus.
Figure 2 - Extrait de déclinaison des interfaces de la plateforme BL.Predict
L’intelligence artificielle embarqué, et la production d’indicateurs et tableaux de bord permettant d’anticiper les problèmes avant leurs survenues, pour qualifier les interventions et sécuriser les décisions. Par une utilisation intuitive et intégrée aux processus organisationnels, BL.Predict entend préserver la performance industrielle et la durabilité des équipements avec une approche métier de l’optimisation.
Le cas d’usage du système de tri bagages de soute avec Alstef Automotion
Quoi de mieux qu’un retour d’expérience complet pour capter l’ampleur du potentiel industriel d’une approche par la maintenance prévisionnelle ? La problématique portée par notre partenaire Alstef Automotion (concepteur-intégrateur de système de manutention du groupe Alstef) rejoint celle de nombreuses organisations : optimiser le rendement et maximiser la qualité ! Plus précisément ici, il s’agissait d’assurer l’efficacité des systèmes de tri bagages de soutes dans les aéroports… et la force du modèle appliqué leur a permis d’atteindre les 99,9% de disponibilité du système !
Ce projet initié en septembre 2020 s’articule autour de 4 piliers d’expertise :
- La compréhension de la chaîne de production
- La qualification des interventions
- L’automatisation de tâches
- La durabilité des équipements
« Nous avons lancé un projet avec CARL Berger-Levrault de mise en place d'une plateforme de maintenance prévisionnelle pour nous aider à améliorer notre maintenance et faire en sorte d'avoir une qualité de service (de livraison de bagages] optimale pour nos clients »
Benoit Lepointe, responsable du service de maintenance d’Alstef Automotion.
Et le niveau d'attente est élevé, car c'est toute la chaîne de valeur des usagers du service qui serait impactée en cas d'incident : les passagers, l'exploitant d'aéroport, et la société Alstef elle-même !
Sur le terrain, nous déployons une version spécifique métier de BL.Predict que nous connectons à leur GMAO (CARL Source) déjà en place, pour assurer la maintenance prévisionnelle du système de tri bagages de l'aéroport de Zagreb (Croatie) :
- 10 convoyeurs équipés de 7 capteurs
- 1 carrousel équipé de 8 capteurs
- Données collectées : bande (intensité, températures, vitesse, vibration, centrage) ; nombre et poids des bagages
- + de 700K données remontées par jour
Figure 3 - Agent de maintenance Alstef Automotion du système de tri des bagages en soute à l'aéroport de Zagreb
Les premiers résultats prennent forme après quelques mois de mise en service, et se consolident autour d’une année de déploiement, avec :
- Une amélioration de la performance due à une meilleure connaissance des équipements terrain
- Une meilleure gestion des ressources humaines avec une diminution de 80% des tournées d'inspections de matériels
- Des centaines d'heures techniques optimisées par an
- Une réduction des coûts avec une baisse de 30% de la maintenance préventive
Cette performance de BL.Predict au sein des infrastructures d’Alstef Group a par la suite donnée lieu à la conception d’une solution client dédiée baptisée BAGXpert, embarquant notre technologie. Ce type de collaboration n’est d’ailleurs pas rare sur ce type de marché où plusieurs acteurs et solutions cohabitent pour délivrer leurs expertises complémentaires sur une même chaîne de valeur complexe.
Plus d’information sur le service BL.Predict de Berger-Levrault : https://blpredict.com – Contact Commercial : thierry.thepaut@berger-levrault.com(1) / (July, 2022) Predictive Maintenance for Manufacturing Industry - Global Market Trajectory & Analytics, Research and Markets
