Atténuer les risques des usines 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 figurent parmi les trois principales causes d'accidents entraînant des problèmes de sécurité et de pollution. Elles arrêtent également la production et causent des dommages aux équipements, entraînant des pertes financières importantes. En fait, chaque année, les temps d'arrêt non planifiés coûtent aux fabricants industriels environ 50 milliards de dollars.

Les organisations sont sous pression pour augmenter l'efficacité et réduire la consommation, et les responsables de la fiabilité et les dirigeants doivent rendre compte de chaque actif qui joue un rôle dans les opérations de l'usine – de la plus petite vanne à la plus grande turbine.

Si les logiciels peuvent exécuter des analyses et générer des métriques de performance de base, le fait de savoir qu'une turbine de 10 millions de dollars bien protégée est fiable à 98 % n'est pas utile lorsqu'une petite vanne tombe en panne et arrête toute l'usine.

Trois facteurs clés de la dégradation des machines sont :

1. Toutes les machines font face à de multiples sources de dégradation.
2. Cela inclut les produits chimiques, la fatigue, l'abrasion et le frottement.
3. Le taux de ces mécanismes de dégradation varie selon la conception de la machine, son utilisation et son environnement.
4. Les machines sont complexes, composées de divers composants, et les différentes sources de dégradation affectent ces composants à des taux différents.

Le début du parcours : de la préventive à la proactive

La maintenance préventive (MP) a émergé pour détecter et prévenir la dégradation avant qu'une défaillance ne se produise. Cependant, la complexité et l'interaction des trois facteurs clés de dégradation ont compliqué la décision du moment et de l'endroit où intervenir. Au lieu d'établir des plannings de MP basés sur des hypothèses éclairées, la MP basée sur le temps est devenue la meilleure option, suivie peu après par la maintenance basée sur l'état.

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

• L'analyse vibratoire pour les équipements rotatifs.
• La thermographie pour les systèmes électriques.
• Les ultrasons pour l'épaisseur des tuyauteries et des vaisseaux.

Cependant, le nom « maintenance prédictive » est un peu impropre. Ces technologies ne prédisent pas la défaillance ; elles détectent et révèlent des signes de détérioration afin que les équipes de maintenance puissent les intercepter avant qu'une défaillance ne se produise. Ces méthodes se concentrent sur différents modes de défaillance et sont construites autour de technologies de capteurs qui les détectent et produisent des données critiques.

Sans les informations issues de la technologie des capteurs connectés, les opérateurs d'usine ont une compréhension insuffisante 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'elles sont comparées à l'échelle de l'ensemble de l'entreprise et aux moyennes mondiales, offrant un avantage concurrentiel aux entreprises qui comprennent les risques et savent les contrôler.

Adopter les données et la nouvelle intelligence

Avec l'adoption de capteurs produisant des données, les organisations mettent en place 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 des systèmes de gestion sont pratiques ; elles analysent les données des capteurs et construisent un modèle d'un fonctionnement « normal » et alertent lorsque des conditions anormales se produisent. Cela se produit en temps réel et peut détecter de subtiles variations causées par la détérioration. Avec ces technologies, les organisations constatent un retour sur investissement en réduisant significativement les défaillances catastrophiques sur les équipements surveillés.

Le saviez-vous ?

"L'exploitation de l'analyse des mégadonnées peut réduire les pannes jusqu'à 26 % et réduire les temps d'arrêt non planifiés 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 d'entreprise pour aider à l'exécution du travail. La combinaison de l'exploration de données avec la détection d'anomalies améliore le diagnostic en temps réel et les prévisions de temps avant défaillance. C'est là qu'interviennent les systèmes de gestion de la performance des actifs (GPA).

La plupart des techniques d'apprentissage automatique (ML) et d'intelligence artificielle (IA) sont pilotées par les données mais ne sont pas conçues pour une analyse approfondie des données ; les systèmes GPA codent les données que le ML et l'IA ne peuvent pas 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 le risque et préviennent les défaillances.

Dans l'industrie d'aujourd'hui, les organisations reconnaissent que les actifs connectés doivent alimenter un système GPA pour utiliser correctement les données collectées. Par exemple, une grande entreprise chimique en Arabie saoudite a déployé un système GPA et a amélioré le taux de défaillance moyen de ses tuyaux, passant de 172 jours à plus de 2 100 jours, soit une amélioration de 1 135 %.

Partager les données pour de meilleurs pronostics

Pour les organisations dotées d'environnements IoT (Internet des objets) de bout en bout, l'analyse des mégadonnées ne peut pas se concentrer sur quelques sources de données. Le GPA permet aux organisations de combiner les silos de données et de modéliser la nature unique des actifs industriels dans leur contexte opérationnel.

C'est un domaine où il existe des différences significatives entre les secteurs industriel et grand public. Dans le monde industriel, les défaillances peuvent être très variées. Comme il n'existe actuellement aucun équivalent industriel à Google ou Amazon pour combiner les données machines entre entreprises, les pools de données nécessaires pour développer ce type d'analytique sont limités aux grandes entreprises et aux fabricants d'équipement d'origine (FEO). Bien que les entreprises soient sensibles à leurs données opérationnelles, beaucoup commencent à comprendre que partager leurs données de défauts et de pannes avec d'autres est extrêmement bénéfique pour l'ensemble de l'industrie.

Avec ce pool de données, la prochaine vague d'analytique de données a un potentiel immense. En analysant ces données, les schémas de défauts émergents peuvent être mis en correspondance et comparés à des données historiques provenant d'une « bibliothèque » de cas similaires précédents. Avec cela, un diagnostic automatisé peut fournir une description du problème et une prévision du temps potentiel avant défaillance.

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 d'exploitation similaires. Cela permet aux ingénieurs et 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 repose généralement sur les recommandations des FEO ou des études sectorielles souvent réalisées il y a des années.

Conclusion

Pour de nombreuses entreprises, le développement de la stratégie de maintenance est un processus subjectif, piloté par l'expérience. Les données pour prendre des décisions objectives sont souvent rares, n'existent pas ou sont 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 encore une expertise significative et laissent place à l'amélioration.

Le potentiel d'application de l'analyse avancée des données aux opérations des machines est prometteur, mais il reste des défis. Il est crucial d'avoir accès au bon type de données, et pour de nombreuses entreprises, cela peut signifier être prêt à partager et échanger des données avec d'autres entreprises. Au fur et à mesure que les entreprises commencent à partager des informations et à améliorer leurs opérations, elles réaliseront que les avantages l'emportent sur les inquiétudes d'aider les concurrents.

Les organisations comprennent que le coût direct des temps d'arrêt est préjudiciable aux affaires. Dans de nombreux cas, les coûts indirects de ces temps d'arrêt, tels qu'une réputation endommagée, sont tout aussi, sinon plus, perturbateurs que les coûts directs. Les opérateurs industriels doivent adopter une stratégie de mégadonnées qui fournit le meilleur résultat pour leurs actifs s'ils souhaitent maintenir la rentabilité et la croissance. En identifiant tôt les tendances et les caractéristiques de défaillance grâce aux données, les organisations industrielles améliorent la fiabilité globale des actifs et réduisent les coûts, à court et à long terme.