Maintenance prédictive :l'application Killer de l'intelligence continue

L'IC basée sur l'analyse des données des capteurs et de l'IoT peut aider à repérer les changements d'état des appareils et à faire des prédictions sur la probabilité de défaillance d'un actif.

L'analyse des données en temps réel et historiques d'un actif peut détecter des problèmes susceptibles d'entraîner la défaillance d'une pièce ou d'un appareil. Par rapport au remplacement des actifs basé sur le calendrier, la maintenance prédictive est beaucoup plus efficace pour prévenir les temps d'arrêt, tout en optimisant la durée de vie d'une pièce ou d'un équipement. En tant que telle, la maintenance prédictive est une application phare pour l'intelligence continue (CI).

Voir aussi : Analytique en temps réel dans les grands environnements « brutaux »

De telles capacités peuvent aider à identifier les pièces ou l'équipement susceptibles de tomber en panne avant leur remplacement et leur maintenance programmés. Le véritable avantage vient du fait que l'intelligence artificielle est utilisée pour détecter un problème potentiel. Si cette intelligence est ensuite utilisée par un système expert, des alertes peuvent être envoyées avant que les problèmes ne surviennent, et des actions correctives basées sur les informations dérivées peuvent être fournies aux personnes chargées de la maintenance des équipements.

Pourquoi ces capacités sont-elles si essentielles ?

Le coût des temps d'arrêt dans les industries telles que la fabrication, l'aviation, l'exploration énergétique, les services publics et les télécommunications est stupéfiant. Une société pétrolière et gazière offshore moyenne subit environ 27 jours d'indisponibilité imprévue par an, ce qui peut représenter des pertes de 38 millions de dollars. Dans certains cas, ce chiffre peut aller jusqu'à 88 millions de dollars.

En 2018, la maintenance non planifiée a coûté aux compagnies aériennes plus de 20 milliards de dollars, soit environ 27 % de toutes les dépenses de maintenance. Cela a eu un effet en cascade sur les opérations du réseau puisque près de 3,8 % de tous les retards et annulations de vols ont été causés par des événements d'aéronefs au sol (AOG). La quantification de ces problèmes et des avantages de la maintenance prédictive montre que les données et les analyses pourraient réduire de près de moitié les factures de maintenance non planifiée, permettant aux compagnies aériennes de réduire les coûts associés à environ 14 % des dépenses totales de maintenance.

Le rôle de CI dans la maintenance prédictive

L'IC basée sur l'analyse des capteurs et des données de l'Internet des objets (IoT) peut aider en repérant les changements d'état des appareils et en faisant des prédictions sur la probabilité de défaillance d'un actif.

Pourquoi le CI est-il nécessaire ? Les approches traditionnelles de la maintenance consistant à attendre que quelque chose tourne mal sont incroyablement mauvaises pour les affaires. Et le remplacement de pièces basé sur les programmes de maintenance basés sur le calendrier des fabricants peut entraîner le remplacement de bonnes pièces bien avant qu'elles ne tombent en panne.

Plutôt que de réagir après coup, les informations de CI sur la cause profonde des problèmes qui entraînent des temps d'arrêt, des défauts, des inefficacités ou des opportunités manquées peuvent potentiellement réduire les coûts et améliorer l'efficacité opérationnelle.

De plus en plus, les industries utilisent des appareils IoT pour collecter ces informations, en utilisant les appareils pour obtenir des informations sur tous les aspects de leurs opérations. Malheureusement, un problème rencontré par la plupart des entreprises est que les appareils IoT produisent de très gros volumes de données. Un rapport de l'industrie estime que la quantité de données produites par l'IoT atteindra 4,4 zettaoctets d'ici 2020, contre seulement 0,1 zettaoctet en 2013.

L'exploitation de ces données, générées en continu, nécessite de nouvelles stratégies. Les données ne peuvent pas simplement être stockées puis analysées ultérieurement. La vraie valeur réside dans l'analyse en temps réel au fur et à mesure que les flux de données entrent. Pour obtenir des informations sur ces flux de données, de nombreuses entreprises complètent l'analyse traditionnelle avec des algorithmes d'intelligence artificielle (IA) et d'apprentissage automatique (ML) en temps réel. Une telle approche permet aux entreprises d'obtenir des informations décisionnelles à partir des données dans un délai qui leur permettra de prendre des mesures proactives.

Plus précisément, les utilisations industrielles de l'IA et du ML appliquées aux données IoT sont considérées comme un excellent moyen d'améliorer les prévisions de maintenance et d'autres aspects des opérations. La raison :l'IA et le ML peuvent aider à faire des prédictions sur des systèmes complexes. Cela peut aider à réduire les temps d'arrêt des machines grâce à la maintenance prédictive.

Le seul obstacle qui empêche l'adoption rapide de CI pour la maintenance préventive est l'infrastructure. Aujourd'hui, la plupart des organisations ne disposent pas de l'infrastructure nécessaire pour tirer pleinement parti de l'IC appliquée au streaming de données IoT.

Quels sont les enjeux ? Les grandes organisations industrielles peuvent collecter des milliards d'ensembles de données à partir de machines, de capteurs et d'applications commerciales internes. Alors que les organisations adoptent de nouvelles initiatives IdO, il est important d'envisager de nouvelles technologies et de nouveaux processus qui suivront cet afflux massif de données.