Maintenance prédictive : croissance, défis et clés du succès

La maintenance prédictive (PdM) est une approche proactive pour traiter les défaillances machine avant qu'elles ne deviennent problématiques. En analysant d'énormes volumes de données machine, la PdM permet aux équipes maintenance de comprendre l'état de santé des machines et d'optimiser leurs interventions pour prévenir les arrêts non planifiés et éliminer les défaillances soudaines. Pourtant, malgré ses avantages évidents, la plupart des déploiements PdM sont voués à l'échec. Dans cet article, nous examinons l'essor de la PdM et pourquoi tant de fournisseurs et clients continuent de se tromper.

La maintenance prédictive : hier et aujourd'hui

La maintenance prédictive existe depuis bien plus longtemps qu'on ne le pense. Pendant la Seconde Guerre mondiale, le scientifique CH Waddington a observé que le taux de défaillance ou de réparation d'un avion était maximal juste après une inspection ou maintenance. Connu sous le nom d'« effet Waddington », ce phénomène a conduit à ajuster les processus maintenance selon l'état physique de l'avion et sa fréquence d'utilisation, avec des cycles d'inspection ajustés basés sur l'analyse des données. En bref, c'était le début de la PdM.

Beaucoup a changé depuis. La Quatrième Révolution Industrielle et l'avènement de l'Industrie 4.0 ont vu des percées technologiques à un rythme « perturbant presque chaque industrie dans chaque pays ». Ces percées ont entraîné des améliorations significatives des technologies de capteurs, réseaux, acquisition et stockage de données, qui, avec l'accès à une puissance de calcul massive et aux données rendues possibles par les avancées récentes en IA, ont rendu la PdM de plus en plus applicable à l'industrie au sens large.

Aujourd'hui, comme il y a près de 80 ans, le bénéfice clé de la PdM reste sa capacité à éclairer les décisions. Responsables de nombreuses machines sur un ou plusieurs sites, les professionnels maintenance sont extrêmement occupés. En leur donnant une meilleure compréhension de l'état de santé continu de leurs machines, une solution PdM les aide à mieux utiliser leur temps et ressources limités.

Alors, compte tenu de son héritage et de ses avantages clairs, pourquoi est-il si difficile pour tant de monde de réussir en PdM ?

Trois erreurs communes

La vérité : de nombreux fournisseurs ont sauté dans le train PdM sans réelle appréciation de ce domaine unique. Certains ont tenté de « suralimenter » des outils de surveillance legacy, d'autres ont appliqué des approches data science conventionnelles à un espace de problème loin d'être conventionnel. Sans la compréhension nécessaire de ce qu'est un système PdM et comment il fonctionne, beaucoup de nouvelles solutions n'atteindront même pas le marché. Résultat : peu d'entreprises réussiront vraiment à l'échelle.

Finalement, ce manque de compréhension — et le succès PdM qui en découle — se résume à trois erreurs fondamentales que fournisseurs et clients répètent sans cesse.

1. Comme vu, le concept de PdM n'est pas nouveau. Techniques comme surveillance d'état, crédits maintenance et pronostics existent depuis longtemps. Mais l'incapacité à les passer à l'échelle au-delà des machines critiques a limité leur déploiement aux seules machines critiques.
2. La PdM n'est pas, comme certains le croient, un problème Big Data avec des millions de points de données et labels pour entraîner des modèles. L'environnement usine est hautement dynamique et bruité, avec des variables incluant maintenance machine, vitesses de production variables, et même comportement de différents opérateurs. Et bien sûr, chaque machine est unique. Malgré cela, beaucoup d'organisations appliquent encore une approche data science classique à la PdM.
3. Il faut se rappeler à quel point les professionnels maintenance sont occupés. Si l'expérience utilisateur d'un système PdM ne reflète pas cela, il risque de ne pas engager ses utilisateurs cibles. Toute l'information et l'insight précieux qu'il génère seront ignorés, et l'investissement de l'organisation dans le système sera gâché.

Senseye comprend la PdM

Senseye a consacré plus de 150 années-personnes de R&D exclusivement à la PdM. C'est pourquoi nous comprenons comment la PdM fonctionne. Surtout, nous comprenons comment la PdM améliore le quotidien des ingénieurs maintenance. Et c'est grâce à cette compréhension que nos solutions PdM réussissent. C'est pourquoi nous savons la déployer à l'échelle, pourquoi nous ne nous contentons pas de jeter des data scientists dessus, et pourquoi l'expérience utilisateur compte.

Notre prochain article explorera comment nous avons appliqué les leçons apprises à tout ce que nous faisons. En attendant, notre livre blanc « Senseye in Depth: Why is Predictive Maintenance so hard? » détaille l'origine de la PdM et pourquoi fournisseurs et certains acheteurs ne la comprennent pas.