Révolutionner la fiabilité des actifs : le Machine Learning pour la maintenance prédictive

Nous examinons comment le Machine Learning (ML) bouleverse les modèles traditionnels de maintenance prédictive, propulsant de nouveaux niveaux de productivité et de performance des équipements au sein des organisations centrées sur les actifs.

Maintenance prédictive par Machine Learning (ML)

Les temps d'arrêt imprévus des équipements représentent un risque opérationnel de plus en plus élevé pour les organisations centrées sur les actifs, nécessitant des insights plus profonds sur la santé des actifs que l'IoT et la maintenance prédictive traditionnelle peuvent faciliter.

Dans ce contexte, nous avons vu les systèmes traditionnels de gestion de maintenance informatisés (CMMS) céder la place à la gestion d'actifs d'entreprise (EAM), à la gestion de la performance des actifs (APM), et plus récemment, à une toute nouvelle génération d'outils axés sur la maintenance prédictive. Il est juste de dire que la fiabilité et la performance des actifs ont bel et bien gravi les échelons de l'agenda.

Cependant, le rythme du changement est tel que ces outils de maintenance prédictive sont déjà insuffisants pour fournir la granularité et les exigences de performance des entreprises d'aujourd'hui. Perturbés par la convergence de l'IoT et du Cloud, qui ensemble offrent une acquisition de données plus complète et en temps réel, la maintenance prédictive par Machine Learning peut identifier les défaillances potentielles d'équipement bien avant qu'elles ne soulèvent un drapeau. De même, elle peut prolonger la durée de vie utile restante (RUL) des actifs grâce à une surveillance et une maintenance dédiées, plutôt que de s'en tenir à un calendrier rigide basé sur l'utilisation typique.

Maintenance prédictive traditionnelle vs Maintenance prédictive par Machine Learning

Les modèles traditionnels de maintenance prédictive par apprentissage automatique sont basés sur l'ingénierie de caractéristiques. Ces modèles sont créés manuellement sur la base de l'expérience, de l'expertise et de métriques et méthodes standard. Bien que cette approche puisse être très efficace, particulièrement dans les opérations de fabrication, les modèles sont spécifiques à une machine au sein d'une organisation, devenant ainsi obsolètes dès que cette machine est remplacée. En appliquant l'apprentissage automatique à grande échelle, les réseaux peuvent extraire automatiquement les bonnes caractéristiques des données, identifier les schémas de défaillance les plus courants, et éliminer le besoin de recréer manuellement un modèle chaque fois qu'un nouvel actif est introduit.

La maintenance prédictive par Machine Learning applique des algorithmes pour apprendre des données historiques et utilise les données en direct pour analyser les schémas de défaillance. Les données sont collectées au fil du temps, à travers un réseau d'actifs au sein de plusieurs organisations, permettant de détecter les schémas qui prédisent les défaillances d'équipement et d'appliquer des algorithmes d'apprentissage profond.

En combinant les données en temps réel avec les tendances historiques et des variables telles que les facteurs environnementaux actuels, le machine learning peut prendre des décisions sur le moment où une action doit être entreprise et suggérer quelle devrait être cette action. L'équipe de production peut alors prendre les mesures appropriées sans réellement nécessiter une compréhension des algorithmes nécessaires.

La maintenance prédictive par Machine Learning permet aux ingénieurs sur le terrain d'obtenir les données dont ils ont besoin pour prévenir une défaillance, plutôt que la collecte manuelle d'indicateurs clés tels que la température et la pression, qui non seulement risquent des inexactitudes et prennent du temps à télécharger, mais présentent un risque de sécurité pour le personnel. Stratégiquement, cette approche permet aux ingénieurs de concentrer pleinement leurs compétences là où elles comptent le plus : le plan de maintenance et les actifs qui nécessitent leur attention.

Meilleures pratiques illustrées

Imaginez une entreprise de transport informée qu'un de ses bus est en panne. La maintenance prédictive traditionnelle pourrait souligner que son moteur arrive à échéance pour un service, donc l'action recommandée est d'accélérer ce service et d'identifier le problème. La maintenance prédictive par Machine Learning pourrait exploiter sa richesse d'insights pour identifier que le type de moteur utilisé dans le bus est sujet à une panne courante, permettant un diagnostic rapide, le déploiement des bonnes compétences et une action corrective pour résoudre le problème. Non seulement cela minimise le « temps d'arrêt » du véhicule, mais cela minimise l'utilisation des ressources et contribue à la réputation de fiabilité de l'entreprise.

Une disruption attendue ; innovation continue

Le machine learning peut être utilisé pour atteindre rapidement de nouveaux objectifs, qu'il s'agisse d'augmenter le débit pour répondre à une demande accrue dans un certain domaine, ou de s'adapter à la production juste-à-temps en cas de baisse ou de changement dans l'offre ou la demand. Crucialement, cela peut être réalisé par un simple basculement plutôt que par un investissement dans une équipe de data science, nécessitant un investissement et une formation substantiels.

Compte tenu des temps incertains auxquels nous nous sommes habitués ces dernières années, il n'est pas étonnant que cette approche, ancrée dans l'utilisation d'algorithmes pour trouver des patterns dans les données afin de prédire des événements futurs, ait été adoptée dans un large éventail d'industries. La maintenance prédictive par Machine Learning a de claires raisons de perturber le secteur de la maintenance prédictive traditionnelle.

Non seulement le marché mondial du machine learning est appelé à croître de 17,1 milliards de dollars en 2021 à 90,1 milliards de dollars d'ici 2026, mais telle est la dynamique derrière cette disruption que d'ici 2026, 60 % des solutions de maintenance prédictive compatibles IoT seront livrées dans le cadre de produits de gestion d'actifs d'entreprise.

Prédire le succès

Accessible à toutes les organisations, et avec un minimum de ressources humaines requises pour la mise en place ou la surveillance continue, et la flexibilité d'évoluer selon les besoins, la seule chose qui empêche d'atteindre un impact de cette manière est l'ambition d'une organisation à s'éloigner des opérations manuelles traditionnelles.

Apporter le machine learning dans une usine libère le potentiel de ses actifs et de ses indicateurs de condition clés. Le machine learning n'a pas de nombre maximal d'actifs à surveiller, il est capable de gérer aussi peu ou autant de données qu'on y met. Et il devient plus précis dans ses insights au fil du temps, car les données additionnelles enrichissent son modèle et son expérience d'analyse. Fournissant des insights, plutôt qu'une simple surveillance de seuils, les ingénieurs d'usine peuvent se concentrer là où leur temps est le plus nécessaire et être plus efficaces avec la réduction des temps d'arrêt non planifiés et l'extension de la durée de vie des machines.

Les avantages de cette approche approfondie, basée sur la connaissance, de la gestion d'actifs s'étendent à tous les coins d'une organisation, car l'impact responsabilise et met au défi le personnel d'identifier et d'adopter de nouvelles opportunités.

Livre blanc : Augmenter l'expertise humaine avec le Machine Learning

Téléchargez notre livre blanc gratuit pour apprendre l'importance de garder les utilisateurs du système dans la boucle, pourquoi le concept de Santé d'Actif est trompeur et comment l'Indice d'Attention fournit un moyen plus efficace de prioriser les actifs avec des gains de productivité majeurs.