Réussir son Proof of Concept en maintenance prédictive : guide d'exécution éprouvé

Dans ce blog, nous partageons les leçons tirées de PoC réussis et échoués. Nous ne prétendons pas que tous nos PoC ont atteint leurs objectifs de passage à l'échelle, car les échecs recèlent des enseignements précieux pour vous éviter les mêmes erreurs.

Introduction

L'IA et l'analytique sont des sujets brûlants, et presque chaque fournisseur revendique la capacité de « faire » de la maintenance prédictive (PdM) avec sa plateforme d'analytique prédictive. Or, la relation avec un fournisseur PdM est longue et exige une grande confiance. Face au bruit du marché, un exercice de présélection s'impose. Comme pour choisir son médecin, il faut être certain que le fournisseur tient ses promesses.

Il est souvent judicieux pour une organisation de mener un exercice garantissant non seulement le bon choix de fournisseur, mais aussi sa propre préparation pour assurer le succès du projet PdM et sa capacité à s'adapter pour en récolter les bénéfices. Le Proof of Concept (PoC) PdM peut y contribuer — s'il est bien mené.

D'après notre expérience, de nombreuses entreprises ont enchaîné plusieurs PoC PdM infructueux avant d'obtenir les résultats escomptés. Certains clients ont testé trois autres solutions avant de réussir. Les leçons des échecs montrent que le fournisseur n'était pas toujours en cause : le problème venait souvent de l'interne. C'est la prise de conscience de succès dans d'autres projets industriels qui leur a donné la confiance pour changer en interne et persévérer.

Analytique prédictive ≠ Maintenance prédictive

Il est crucial de clarifier un malentendu courant : les outils d'analytique prédictive peuvent s'insérer dans un programme PdM, mais ils ne sont pas la PdM.

Des data scientists peuvent travailler sur des données machine, identifier anomalies et tendances, et produire des captures d'écran convaincantes. Mais comprendre ce que cela signifie pour la santé de la machine et discuter stratégie de maintenance avec cette nouvelle information est tout autre chose. Les data scientists purs manquent généralement de l'expérience et des connaissances pour agir comme ingénieurs maintenance. Leurs algorithmes sur mesure performent donc mal en conditions industrielles réelles.

Repérer un fournisseur plus habitué à l'analytique prédictive qu'à la PdM

Les machines spéciales ont des modes de défaillance uniques, mais pour les machines courantes (moteurs, réducteurs, robots), les modes de défaillance et les informations nécessaires pour les détecter sont bien compris en surveillance d'état. Si un fournisseur pose des questions basiques sur les modes de défaillance et vous demande de tout définir, il n'a pas de background en surveillance d'état ni maintenance — ses chances de succès sont minces.

Vous demander d'étiqueter tout dès le début, et être incapable de comprendre vos journaux de maintenance et d'en faire des corrélations, indique une approche par modélisation sur mesure. Cela peut fonctionner pour quelques dizaines de machines, mais bute sur l'évolutivité et le coût au-delà.

La maintenance est une discipline pratique « mains dans le cambouis », tandis que l'analytique de données repose sur la théorie et les mathématiques avancées. Le PoC doit être le point de convergence de ces deux mondes pour délivrer des bénéfices business mesurables via la PdM.

Trouver le bon fournisseur PdM est ardu : il doit comprendre vos pratiques de maintenance, vos machines, vos objectifs business, et s'y engager pleinement. Il doit y parvenir par l'application des bonnes théories et mathématiques, de façon économiquement et organisationnellement scalable.

Pour les bonnes pratiques et pièges à éviter, téléchargez notre livre blanc complet « How to Run a Predictive Maintenance Proof of Concept ».