Succès de la maintenance prédictive : responsabiliser les utilisateurs plutôt que les algorithmes

Les ingénieurs maintenance expérimentés ont une image mentale détaillée des machines dont ils ont la charge. Ils savent quand une valve qui cliquette signifie une panne imminente ou quand on peut l'ignorer jusqu'au prochain arrêt planifié. Si un système automatisé de maintenance prédictive peut exploiter ce réservoir de connaissances, il peut apprendre à fournir le meilleur soutien possible aux utilisateurs qui doivent décider quelles activités de maintenance prioriser.

Dans une approche centrée utilisateur de la maintenance prédictive, les équipes maintenance sont alertées seulement quand le système pense qu'elles trouveront l'information utile, basándose sur ce qu'elles ont trouvé utile par le passé.

C'est un peu comme quand les fournisseurs de contenu digital comme Netflix ou Amazon stockent routinièrement l'information sur ce que chaque utilisateur choisit de regarder. Ils l'utilisent pour piloter un « moteur de recommandation » qui affine continuellement les films proposés à chaque utilisateur en réponse à son feedback.

C'est l'approche que nous adoptons chez Senseye pour modéliser et comprendre le comportement utilisateur en plus de ce qui se passe avec les actifs qu'ils surveillent, afin de diriger leur attention là où elle est le plus nécessaire.

Le pouvoir (et les limites) de la prédiction

Toute initiative de maintenance prédictive — de l'utilisation d'une tige en fer tenue contre une machine qui cliquette pour comprendre si le réducteur a besoin d'un service avant son prochain intervalle de maintenance planifié, à un système logiciel de surveillance automatisé sophistiqué — cherche à aider les opérateurs à identifier quand le problème couve. L'objectif principal est de signaler les problèmes assez tôt pour prévenir une panne qui mènerait à des arrêts non planifiés coûteux. Il y a souvent d'autres bénéfices, liés à l'amélioration de la productivité et de la planification maintenance.

Le concept de « jumeau numérique » est particulièrement populaire actuellement — pourtant le marketing souvent confus de cette approche de modélisation mathématique mentionne peu les utilisateurs censés interagir avec ces « jumeaux » et ce que cela signifie pour eux. Un « jumeau numérique » de chaque actif a aussi besoin que l'utilisateur soit à l'aise dans un environnement digital complexe. Mais il existe une autre approche, bien plus centrée sur les besoins des utilisateurs.

De nombreuses défaillances laissent des signaux distincts ou « empreintes » dans les données machine, et les logiciels de maintenance prédictive leaders du marché peuvent apprendre à les repérer en acceptant une large gamme d'entrées — des données dédiées de surveillance d'état aux données d'usine plus générales. Ces systèmes comprennent quels patterns ou signaux caractéristiques indiquent qu'il peut y avoir un problème. Dans certains cas et avec des données suffisantes, ils peuvent même calculer la durée de vie utile restante (RUL) de chaque actif — technique connue sous le nom de pronostics.

La plupart de ces systèmes PdM travaillent avec des données limitées du terrain usine, déclenchant une alarme quand un seuil prédéfini est franchi. Ils peuvent alerter quand quelque chose chauffe ou vibre, par exemple, mais ils n'ont pas assez d'information pour faire un diagnostic détaillé.

En d'autres termes, le système peut « conseiller » en levant l'alerte, mais seul l'utilisateur a l'expérience et la connaissance experte pour décider quand agir. Crucialement, cela devient beaucoup plus délicat à gérer dans des environnements où de nombreuses machines sont surveillées à la fois, car les utilisateurs peuvent facilement être submergés. Le défi de la maintenance prédictive n'est pas « pouvez-vous repérer des problèmes dans les données » mais « pouvez-vous repérer ce qui intéresse les utilisateurs ? »

Qui se soucie de l'utilisateur ?

Nous pensons qu'il est important que quand nous levons une alerte, l'utilisateur puisse indiquer d'une simple pression s'il la trouve utile ou non. Au fil du temps, cela enseigne au système à diriger l'attention de l'opérateur vers les priorités maintenance les plus pressantes. Cela se fait automatiquement, sans que les opérateurs n'aient besoin d'expertise en analytique de données.

En d'autres termes, l'approche centrée utilisateur de Senseye guide l'attention en modélisant la réponse de l'utilisateur. Cette boucle de rétroaction entre la solution Senseye et l'utilisateur fait que le nombre d'alertes diminue progressivement jusqu'à atteindre un niveau stable où presque tout ce qu'il dirige l'utilisateur à regarder est utile.

Résultats prouvés par l'analytique avancée — pour les machines et les maintenanciers

L'analytique de données consiste à rechercher des patterns dans la masse de données entrantes de l'usine. Par exemple, les algorithmes propriétaires, ou moteurs de pattern, derrière Senseye PdM sont conçus pour repérer les comportements caractéristiques qui précèdent des pannes potentielles et déclencher une alerte via notre Attention Index propriétaire. Plusieurs types de pattern peuvent déclencher une alerte Attention Index : les anomalies sont des périodes de données instables, les tendances sont des décalages graduels de la ligne de base, et les violations dépassent des seuils ou règles spécifiables par l'utilisateur.

Pourtant, toute cette analyse de données ingénieuse ne sert à rien si elle ne délivre pas de vrais bénéfices business pour les utilisateurs. Heureusement, Senseye PdM a un solide palmarès de tenue de ses promesses de productivité dans divers secteurs. Les clients existants bénéficient typiquement d'une réduction de 50% des temps d'arrêt, 55% d'augmentation de productivité et 85% d'augmentation de la précision maintenance.

De plus, Senseye PdM est soutenu par la garantie ROI Lock® de Senseye : si le déploiement de Senseye PdM ne réduit pas les arrêts non planifiés comme convenu au préalable, les clients peuvent réclamer un remboursement de l'intégralité de leurs frais d'abonnement.

Si vous souhaitez en savoir plus sur comment nous modélisons les utilisateurs maintenance autant que les actifs qu'ils surveillent, nous avons rédigé un livre blanc détaillé sur comment Senseye PdM peut aider à diriger vos efforts maintenance là où ils feront le plus de bien. Téléchargez le livre blanc détaillé ci-dessous pour plus d'informations ou contactez-nous pour une démo et démarrer !