Exploration du parcours de maintenance prédictive

Comment la fabrication et d'autres organisations industrielles passent d'une maintenance planifiée traditionnelle à une maintenance proactive et prédictive ? Quelles sont les premières étapes nécessaires pour amorcer cette transformation ? Quelles sont les différentes étapes du parcours, depuis l'analyse de rentabilisation initiale et la phase de conception, jusqu'à la préparation des données, l'adoption culturelle et la mise à l'échelle ?

Dans ce film, Alexander Hill et Rob Russell de Senseye sont rejoints par Peter Gagg de MCP Consulting Group pour explorer comment la maintenance prédictive n'est pas simplement un défi technique avec une solution technologique, mais un voyage continu impliquant l'acquisition de connaissances, l'acceptation culturelle et une collaboration toujours plus grande entre les humains et les systèmes intelligents.

Transcription

Alexander Hill, Senseye :Reconcevoir un processus de maintenance est une chose difficile, nous ne préconiserions jamais que vous supprimiez vos pratiques de maintenance existantes et que vous passiez directement à la PdM. Il y a un vieil adage qui dit qu'une maintenance excessive est toujours moins chère qu'un échec, et c'est vrai.

Un équilibre doit être trouvé entre votre maintenance planifiée et votre maintenance prédictive. Puis, au fur et à mesure que vous faites de plus en plus confiance à votre système de maintenance, vous pouvez réduire certaines des mesures préventives qui coûtent cher mais qui sont connues pour leur efficacité.

Vous devez mettre en œuvre ce changement de maintenance culturelle assez lentement, car vous renforcez la confiance dans le système et la confiance dans les résultats commerciaux en matière d'économies d'argent et d'augmentation de l'efficacité.

Rob Russell, Senseye :La maintenance est considérée comme étant construite en couches de maturité, de la maintenance réactive à planifiée, en passant par les types de maintenance préventive et proactive. Un changement qui, à mon avis, doit vraiment se produire, n'est pas de considérer ces étapes comme des étapes à franchir, mais de sélectionner le bon type d'approche de maintenance pour le bon actif.

Peter Gagg, MCP Consulting Group :La maintenance prédictive n'est pas la solution à tous les problèmes au sein d'une organisation. Il doit être utilisé au bon endroit au bon moment.

L'utilisation d'outils de surveillance des conditions pour remplacer les tâches de maintenance planifiées par des tâches de maintenance prédictive est importante. Cependant, pour arriver à cette position - où vous savez quels équipements bénéficieront de la PdM - vous devez appliquer des techniques telles que FMECA (Failure Mode, Effects &Criticality Analysis) et RCM (Reliability-Centered Maintenance) pour déterminer la bonne combinaison. des tâches de maintenance :qu'il s'agisse de maintenance prédictive, de maintenance préventive, d'exécution jusqu'à l'échec ou même de conception des défaillances qui se produisent.

Rob Russell :Nous pensons en fait à cela en termes de conception, de déploiement, d'exploitation, puis d'amélioration. Les premières étapes de la conception concernent cette sélection d'actifs, mais également une appréciation des différents modes de défaillance que vous devez capturer. Cela éclaire ensuite les décisions concernant le type correct de données et d'informations dont vous avez besoin.

Ce sont toutes les informations qui peuvent ensuite passer dans la phase de déploiement, où vous pouvez travailler avec vos ingénieurs de contrôle et vos équipes informatiques pour mettre en œuvre cette capture de données et permettre leur diffusion vers le nuage.

Alexander Hill :Nous pouvons alors commencer à introduire ces données dans Senseye, c'est un processus automatisé, il prendra ces données, en tirera des enseignements et commencera à créer un état stable de à quoi ressemblent ces machines et ces actifs, et nous pouvons ensuite prédire par rapport à cela.

Rob Russell :L'utilisation de l'IA est fondamentale pour ce que nous faisons. Cela nous permet d'effectuer des analyses à grande échelle et nous permet de détecter des éléments dans les données qui pourraient être trop subtils pour qu'un humain puisse les détecter. Ce qui est vraiment essentiel et important, c'est que cela soit fait d'une manière centrée sur l'humain qui fournit les informations d'une manière accessible aux utilisateurs finaux et peut également faire partie de leurs processus de travail quotidiens.