Une maintenance prédictive réussie ne concerne pas les algorithmes ou les actifs, mais les utilisateurs

Les ingénieurs de maintenance expérimentés ont une image mentale détaillée des machines dont ils s'occupent. Ils savent quand une vanne cliquetante signifie qu'une panne est imminente ou quand il est prudent de l'ignorer jusqu'au prochain arrêt programmé. Si un système de maintenance prédictive automatisé peut puiser dans ce pool de connaissances, il peut apprendre à fournir le meilleur support possible aux utilisateurs qui doivent décider des activités de maintenance à prioriser.

Dans une approche de maintenance prédictive centrée sur l'utilisateur, les équipes de maintenance ne sont alertées que lorsque le système pense qu'elles trouveront ces informations utiles, en fonction de ce qu'elles ont trouvé utile dans le passé.

C'est un peu comme lorsque les fournisseurs de contenu numérique tels que Netflix ou Amazon stockent régulièrement des informations sur ce que chaque utilisateur choisit de regarder. Ils peuvent l'utiliser pour piloter un "moteur de recommandation" qui affine les films qu'il montre à chaque utilisateur en continu en réponse à leurs commentaires.

C'est l'approche que nous adoptons chez Senseye afin de modéliser et de comprendre le comportement des utilisateurs en plus de ce qui se passe avec les actifs qu'ils surveillent, pour aider à diriger leur attention là où elle est le plus nécessaire.

Figure 1 :Des environnements riches en données contextuelles et de haute qualité permettent de surveiller parfaitement les actifs - comme une approche Digital Twin. La plupart des environnements d'usine sont à faible contexte et donc des modèles de l'intérêt des utilisateurs peut améliorer l'efficacité du logiciel de maintenance prédictive

La puissance (et les limites) de la prédiction

Chaque initiative de maintenance prédictive - de l'utilisation d'une tige de fer tenue à une machine à cliquetis pour comprendre si la boîte de vitesses a besoin d'un entretien avant son prochain intervalle de maintenance programmé à un système de surveillance logiciel automatisé sophistiqué - vise à aider les opérateurs à identifier quand un problème se prépare. L'objectif principal est de signaler les problèmes suffisamment tôt pour éviter une panne qui entraînerait autrement des temps d'arrêt coûteux et imprévus. Il existe souvent d'autres avantages liés à l'amélioration de la productivité et à la planification de la maintenance.

Le concept de « jumeau numérique » est particulièrement populaire en ce moment - mais le marketing souvent confus de cette approche de modélisation mathématique fait peu de mention des utilisateurs qui sont censés interagir avec ces « jumeaux » et de ce que cela signifie pour eux. Un « jumeau numérique » de chaque actif nécessite également que l'utilisateur soit à l'aise de travailler dans un environnement numérique complexe. Mais il existe une autre approche qui se concentre beaucoup plus sur les besoins des utilisateurs.

De nombreuses défaillances laissent des signaux distincts ou des « empreintes digitales » dans les données de la machine et les principaux logiciels de maintenance prédictive actuellement sur le marché peuvent apprendre à les repérer en acceptant une large gamme d'entrées, des données de surveillance d'état dédiées aux données plus générales de l'usine. Ces systèmes peuvent comprendre quels modèles ou signaux caractéristiques indiquent qu'il peut y avoir un problème. Dans certains cas et avec suffisamment de données, ils peuvent même calculer la durée de vie utile restante (RUL) de chaque actif - une technique connue sous le nom de pronostic.

La plupart de ces systèmes de maintenance prédictive fonctionnent avec des données limitées provenant de l'usine ou de l'usine, déclenchant une alarme lorsqu'un seuil prédéfini est dépassé. Ils peuvent alerter les utilisateurs lorsque quelque chose chauffe ou vibre, par exemple, mais il est peu probable qu'ils disposent de suffisamment d'informations pour établir un diagnostic détaillé.

En d'autres termes, le système peut « conseiller » en déclenchant l'alarme, mais seul l'utilisateur a l'expérience et les connaissances spécialisées pour décider quand agir. Surtout, il devient beaucoup plus difficile de gérer la situation dans des environnements où de nombreuses machines sont surveillées en même temps, car les utilisateurs peuvent facilement être dépassés. Le défi de la maintenance prédictive n'est pas "pouvez-vous repérer les problèmes dans les données", mais "pouvez-vous repérer ce qui intéresse les utilisateurs ?"

Qui se soucie de l'utilisateur ?

Nous estimons qu'il est important que lorsque nous déclenchons une alerte, l'utilisateur puisse indiquer d'une simple pression sur un bouton si cette alerte est utile ou non. Au fil du temps, cela apprend au système à diriger l'attention de l'opérateur vers les priorités de maintenance les plus urgentes. Cela se fait automatiquement, les opérateurs n'ont donc pas besoin d'expertise en analyse de données.

En d'autres termes, l'approche centrée sur l'utilisateur de Senseye en matière d'analyse de données guide l'attention en modélisant la réponse de l'utilisateur. Cette boucle de rétroaction entre la solution de Senseye et l'utilisateur signifie que le nombre d'alertes diminue progressivement jusqu'à ce qu'il atteigne un niveau stable où presque tout ce qu'il demande à l'utilisateur de regarder est utile.

Résultats éprouvés d'analyses avancées - pour les machines et les mainteneurs

L'analyse de données consiste à rechercher des modèles dans la masse de données d'usine entrantes. Par exemple, les algorithmes propriétaires, ou moteurs de modèles, derrière Senseye PdM sont conçus pour repérer les comportements caractéristiques qui précèdent les pannes potentielles et pour déclencher une alerte à l'aide de notre indice d'attention propriétaire. Plusieurs types de modèles peuvent déclencher une alerte d'indice d'attention :les anomalies sont des périodes de données instables, les tendances sont des changements graduels dans la ligne de base et les violations dépassent les seuils ou les règles qui peuvent être spécifiés par l'utilisateur.

Pourtant, toute cette analyse ingénieuse des données n'a de sens que si elle offre de véritables avantages commerciaux aux utilisateurs. Heureusement, Senseye PdM a de solides antécédents en matière de réalisation de ses promesses de productivité dans de nombreux secteurs. Les clients existants bénéficient généralement d'une réduction de 50 % des temps d'arrêt, d'une productivité accrue de 55 % et d'une augmentation de 85 % de la précision de la maintenance.

De plus, Senseye PdM est également soutenu par la garantie ROI Lock® de Senseye :si le déploiement de Senseye PdM ne parvient pas à réduire les temps d'arrêt imprévus comme convenu à l'avance, les clients peuvent demander un remboursement sur la totalité de leurs frais d'abonnement.

Si vous souhaitez en savoir plus sur la façon dont nous modélisons les utilisateurs de maintenance ainsi que les ressources qu'ils surveillent, nous avons rédigé un livre blanc détaillé sur la façon dont Senseye PdM peut aider à diriger vos efforts de maintenance là où ils feront le plus de bien. Téléchargez le livre blanc détaillé ci-dessous pour plus d'informations ou contactez-nous pour voir une démo et commencer !