Maintenance prédictive : Catalyseur de la prochaine révolution industrielle

Le potentiel transformateur de l'intelligence artificielle est un sujet qui suscite le débat à travers les industries. Si son impact futur est souvent discuté, la vraie portée de son influence reste complexe et multifacette.

« Intelligence artificielle » peut référer à tout, des algorithmes narrow, task-spécifiques, au concept spéculatif d'intelligence générale artificielle (AGI) — machines qui raisonnent et agissent avec une intelligence niveau humain. Hollywood a dramatisé cette vision dans des films comme Terminator, et figures publiques comme Elon Musk et Bill Gates ont exprimé des préoccupations sur ses implications. Pourtant, quand et si l'AGI matérialisera reste incertain. Gartner prédit que des décennies peuvent s'écouler avant que les machines n'approchent le raisonnement humain, même si l'IA narrow surpasse déjà les humains dans des arènes spécialisées comme échecs et Go. Martin Ford, auteur de Architects of Intelligence, echo cette vue, notant que l'arrivée de l'AGI reste imprévisible.

De même, la prochaine révolution industrielle reste elusive. Si des concepts comme Industrie 4.0 suggèrent que l'IA, l'IIoT, et technologies connexes pourraient déclencher une nouvelle vague de productivité, la productivité occidentale a stagné pendant des ans. La production industrielle US a chuté de 0,1 % en mars — un dip que le Wall Street Journal a décrit comme preuve que la fabrication est entrée dans un « soft patch ».

Malgré ces tendances macro, de nombreuses firmes industrielles récoltent des bénéfices tangibles en associant IIoT et machine learning. FogHorn, une startup, a aidé Daihen, une entreprise japonaise d'électronique industrielle, à éliminer 1 800 heures de saisie manuelle de données dans une seule usine. Un fabricant de boissons leader a sauvé l'équivalent d'un million de canettes de bière en implémentant la plateforme maintenance prédictive d'Augury, qui fusionne capteurs vibration sans fil, ultrasons, température, et magnétiques avec ML pour détecter les défauts équipement. Le co-fondateur et CEO d'Augury, Saar Yoskovitz, a expliqué qu'identifier une usure sévère de roulement sur une remplisseuse a permis à la brasserie d'effectuer une réparation planifiée pendant le temps d'arrêt, prévenant une panne de 8 heures qui aurait coûté 200 000 $ en revenus perdus.

Le bras digital d'Air Liquide, Alizent, démontre la puissance de l'Industrie 4.0 à l'échelle. En tirant parti du logiciel PI d'OSIsoft comme moteur de données de la plateforme, Air Liquide a lancé la plateforme d'optimisation d'usine SIO il y a quelques années. Selon Michael Kanellos, senior manager corporate communications chez OSIsoft, Air Liquide a atteint un retour sur investissement en seulement trois mois et un retour dix fois la première année. L'entreprise a ensuite étendu la plateforme pour gérer des usines « lights-out » à travers la France et l'Asie du Sud-Est, finissant par spinner Alizent en unité séparée pour servir à la fois Air Liquide et clients externes.

White House Utility District, un leader des services eau/égout du Tennessee, a réduit les fuites d'eau de 32 % à 15 % via transformation digitale, générant des millions en économies. Le district a aussi réduit les coûts de gestion de données de 30 000 $ annuels et reporté une mise à niveau d'usine de 15 millions $ de 11 ans, boostant la réputation communautaire et les évaluations des agences de notation de crédit.

Mark Willnerd, CEO et président de Toumetis — une firme machine-learning pour applications industrielles — anticipe une surge de productivité dans les cinq prochaines années. « Grâce à des technologies comme le machine learning, nous sommes prêts pour des gains significatifs », a-t-il dit, comparant l'amélioration attendue au boom de productivité des années 1990.

Toumetis collabore avec une entreprise énergie sur un champ pétrolifère qui pourrait devenir un des top producteurs mondiaux. Des pompes submersibles électriques peu fiables ont entravé la production. En monitorant 1 500 puits et 100 flux de données, Toumetis peut prédire les pannes de pompe jusqu'à 14 jours à l'avance, permettant réparations proactives qui maximisent profit et production.

Implémenter le machine learning dans des settings industriels n'est rarement simple. Incohérences data — fausses lectures capteurs, valeurs manquantes, besoin de nettoyage extensif — peuvent entraver l'analyse. Willnerd note que nous sommes encore au stade naissant d'application du ML à l'industrie.

Une étude Bain & Co., Beyond Proofs of Concept: Scaling the Industrial IoT, a sondé 600 dirigeants high-tech et trouvé que l'IIoT, surtout maintenance prédictive, est plus difficile à déployer qu'attendu. Néanmoins, le rapport conclut que l'IIoT industriel reste une opportunité prometteuse.

Un défi core est l'exigence d'un mélange rare d'expertise domaine et acuité data-science. Toumetis adresse cela en embauchant des experts industriels chevronnés qui ont travaillé en analytique données depuis fin 1990s et début 2000s. Willnerd insiste que le succès repose sur une compréhension claire du problème et sa valeur business.

Yoskovitz echo ce sentiment, notant que les pénuries de talents sont pervasives. Dans une session formation, l'âge moyen des participants était 55 ans, illustrant le gap générationnel. Avec les travailleurs plus âgés partant à la retraite et les jeunes générations désintéressées par les rôles maintenance, les US risquent de perdre un savoir manufacturier legacy inestimable sur la prochaine décennie.

S'il peut être prématuré de déclarer si IoT et IA inaugureront une ère de productivité à la hauteur des premières révolutions industrielles — ou si Industrie 4.0 ressemblera à une mise à jour logicielle plutôt qu'une révolution cyber-physique — les organisations peuvent encore répondre à la question pratique : comment ces technologies peuvent-elles livrer de la valeur immédiate en assurant que les bons techniciens atteignent les bonnes machines au bon moment ?