Atténuer les risques liés aux installations industrielles grâce à une gestion avancée des données

La défaillance d’un actif est un événement perturbateur pour toute organisation industrielle. Selon LNS Research, les défaillances d'actifs sont l'une des trois principales causes d'accidents entraînant des problèmes de sécurité et de pollution. Ils arrêtent également la production et provoquent des dégâts matériels, entraînant d’importantes pertes financières. En fait, chaque année, les temps d'arrêt imprévus coûtent aux fabricants industriels environ 50 milliards de dollars.

Les organisations sont sous pression pour accroître leur efficacité et réduire leur consommation, et les responsables et responsables de la fiabilité doivent tenir compte de chaque actif qui joue un rôle dans le fonctionnement de l'usine, de la plus petite vanne à la plus grande turbine.

Bien que les logiciels puissent exécuter des analyses et générer des mesures de performances de base, savoir qu'une turbine bien protégée de 10 millions de dollars est fiable à 98 % n'est pas utile lorsqu'il s'agit d'une petite vanne qui tombe en panne et arrête toute l'usine.

Les trois principaux facteurs de dégradation des machines sont :

1. Toutes les machines sont confrontées à de multiples sources de dégradation.
2. Cela inclut les produits chimiques, la fatigue, l'abrasion et la friction.
3. Le taux de ces mécanismes de dégradation varie en fonction de la conception, de l'utilisation et de l'environnement de la machine.
4. Les machines sont complexes, composées de divers composants, et les différentes sources de dégradation affectent ces composants à des rythmes différents.

Le premier parcours :du préventif au proactif

La maintenance préventive (PM) est apparue pour détecter et prévenir la dégradation avant qu'une panne ne se produise. Cependant, la complexité et l’interaction des trois principaux facteurs de dégradation ont compliqué la décision de savoir quand et où intervenir. Au lieu d'établir des calendriers de maintenance préventive basés sur des hypothèses éclairées, la maintenance préventive basée sur le temps est devenue la meilleure option, et a été bientôt suivie par une maintenance basée sur l'état.

Diverses technologies de maintenance prédictive (PdM) ont été développées, telles que :

• Analyse des vibrations pour les équipements rotatifs.
• Thermographie pour les systèmes électriques.
• Échographie pour déterminer l'épaisseur des canalisations et des cuves.

Cependant, le terme « maintenance prédictive » est un peu abusif. Ces technologies ne prédisent pas l’échec; ils détectent et révèlent les signes de détérioration afin que les équipes de maintenance puissent les intercepter avant qu'une panne ne survienne. Ces méthodes se concentrent sur différents modes de défaillance et s'appuient sur des technologies de capteurs qui les détectent et produisent des données critiques.

Sans informations issues de la technologie des capteurs connectés, les exploitants d’usines n’ont pas une compréhension suffisante des risques de l’organisation et de la manière de les gérer. Les données nécessaires pour prendre des décisions peuvent être limitées à un actif ou une installation spécifique. Mais les données deviennent utiles lorsqu'on les compare à l'ensemble de l'entreprise et aux moyennes mondiales, présentant un avantage concurrentiel pour les entreprises qui comprennent les risques et savent comment les contrôler.

Adopter les données et les nouvelles informations

Avec l'adoption de capteurs produisant des données, les organisations mettent en œuvre des systèmes de gestion pour interpréter d'énormes volumes de données et exécuter des tâches avancées de reconnaissance de formes pour détecter les anomalies et la dégradation des équipements.

Les techniques de détection du système de gestion sont pratiques ; ils analysent les données des capteurs, construisent un modèle de fonctionnement « normal » et alertent lorsque des conditions anormales se produisent. Cela se produit en temps réel et permet de détecter des variations subtiles causées par la détérioration. Grâce à ces technologies, les organisations constatent un retour sur investissement en réduisant considérablement les pannes catastrophiques sur les équipements surveillés.

Le saviez-vous ?

"L'exploitation de l'analyse du Big Data peut réduire les pannes jusqu'à 26 % et les temps d'arrêt imprévus de près de 25 %."
Source :Engineering.com

La technologie a également transformé l'exploration de données pour optimiser les informations issues des données de capteurs archivées et des données du système de gestion des actifs de l'entreprise afin de faciliter l'exécution du travail. La combinaison de l'exploration de données et de la détection d'anomalies améliore les diagnostics en temps réel et les prévisions de temps avant panne. C'est là que les systèmes de gestion de la performance des actifs (APM) entrent en jeu.

La plupart des techniques d'apprentissage automatique (ML) et d'intelligence artificielle (IA) sont basées sur les données mais ne sont pas conçues pour une analyse approfondie des données; APM code les données que le ML et l'IA ne peuvent pas utiliser en utilisant une fonction d'intégration de données ML pour collecter des milliards de points de données et les organiser rapidement en modèles qui mesurent les risques et préviennent les pannes.

Dans l’industrie actuelle, les organisations reconnaissent que les actifs connectés doivent alimenter un système APM en informations afin d’utiliser de manière appropriée les données collectées. Par exemple, une grande entreprise chimique en Arabie Saoudite a déployé un système APM et a amélioré le taux de défaillance moyen de ses canalisations de 172 jours à plus de 2 100 jours, soit une amélioration de 1 135 %.

Partager des données pour de meilleurs pronostics

Pour les organisations disposant d’environnements IoT (Internet des objets) de bout en bout, l’analyse du Big Data ne peut pas se concentrer uniquement sur quelques sources de données. APM permet aux organisations de combiner des silos de données et de modéliser la nature unique des actifs industriels dans leur contexte opérationnel.

C'est un domaine dans lequel il existe des différences significatives entre les secteurs industriel et de consommation. Dans le monde industriel, les échecs peuvent être très variés. Puisqu’il n’existe actuellement aucun équivalent industriel à Google ou Amazon pour combiner les données des machines entre les entreprises, les pools de données nécessaires pour développer ce type d’analyse sont limités aux grandes entreprises et aux fabricants d’équipement d’origine (OEM). Même si les entreprises sont sensibles à leurs données opérationnelles, nombre d'entre elles commencent à comprendre que le partage de leurs données sur les pannes et les pannes avec d'autres est extrêmement bénéfique pour l'ensemble du secteur.

Avec ce pool de données, la prochaine vague d’analyse de données présente un immense potentiel. En analysant ces données, les modèles de pannes émergents peuvent être mis en correspondance et comparés aux données historiques d'une « bibliothèque » de cas similaires antérieurs. Grâce à cela, les diagnostics automatisés peuvent fournir une description du problème et une prévision du délai de défaillance potentiel.

Même pour les équipements non équipés de capteurs, des pools de données plus importants permettent une meilleure analyse statistique basée sur des équipements dans des conditions de fonctionnement similaires. Cela permet aux ingénieurs et aux opérateurs de prendre des décisions plus éclairées lors de l’établissement d’une stratégie de maintenance, car ils comprendront le véritable taux de défaillance des composants. La technologie actuelle s'appuie généralement sur les recommandations des constructeurs OEM ou sur des études industrielles souvent menées il y a des années.

Conclusion

Pour de nombreuses entreprises, l’élaboration d’une stratégie de maintenance est un processus subjectif et axé sur l’expérience. Les données permettant de prendre des décisions objectives sont souvent rares, inexistantes ou difficiles d’accès. Le passage à des approches basées sur l'état résout une grande partie de ce problème en basant les activités sur l'état actuel d'un actif, mais même ces techniques nécessitent toujours une expertise significative et laissent place à des améliorations.

Le potentiel d’application de l’analyse avancée des données aux opérations des machines est prometteur, mais des défis subsistent. Il est essentiel d’avoir accès au bon type de données, et pour de nombreuses entreprises, cela peut impliquer d’être prête à partager et à échanger des données avec d’autres entreprises. À mesure que les entreprises commenceront à partager des informations et à améliorer leurs opérations, elles réaliseront que les avantages l’emportent sur les préoccupations liées à l’aide à leurs concurrents. 

Les organisations comprennent que le coût direct des temps d’arrêt est préjudiciable à l’entreprise. Dans de nombreux cas, les coûts indirects de ces temps d’arrêt, comme une réputation ternie, sont tout aussi perturbateurs, voire plus, que les coûts directs. Les opérateurs industriels doivent adopter une stratégie Big Data qui offre le meilleur résultat pour leurs actifs s’ils souhaitent maintenir leur rentabilité et leur croissance. En identifiant précocement les tendances et les caractéristiques des pannes grâce aux données, les organisations industrielles améliorent la fiabilité globale des actifs et réduisent les coûts, à court et à long terme.