Selon Forbes et de nombreux rapports semblables publiés récemment au sujet de l’avenir proche du manufacturing, la maintenance prédictive est l’une des principales tendances incontestées pour 2022 en ce qui concerne l’industrie 4.0 – demande découlant d’analyses avancées et d’IA-des prévisions orientées peuvent déjà être observées. Bien qu’elle ait une valeur incontestable, peu d’entreprises décident d’y investir en fin de compte ou démissionnent au début en raison du manque de résultats attendus. Dans cet article, j’essaie de définir la forme la plus réaliste de maintenance prédictive, de me concentrer sur les raisons de ce faible taux de réussite de nos jours et enfin, de fournir des conseils sur la façon d’augmenter les chances d’adopter cette technologie passionnante d’une manière qui apporte des bénéfices précieux pour les organisations.
Qu’est-ce que la maintenance prédictive?
Il y a autant d’opinions que de gens quand il s’agit de définir la maintenance prédictive. Pour quelqu’un, il peut s’agir de prédire la défaillance de la machine à l’avance, pour d’autres personnes, il peut être plus proche de détecter les anomalies de leur équipement. J’ai même entendu une fois que l’on croyait que c’est l’optimisation de l’usine de production entière. Cependant, une compréhension commune de ce qui se cache derrière elle conduit souvent à des idées fausses et à des attentes inexactes qui, en fin de compte, empêchent d’autres progrès vers la mise en œuvre de la technologie.
Un bon point de départ pour une compréhension approfondie du sujet est la classification générale de l’analytique décrite ci-dessous.
Comme nous pouvons le constater, il existe quatre grands types d’analyses :
1) Analyse explicative – qui permet de mieux comprendre les données. Elle répond aux questions sur ce qui s’est passé dans le passé, quand et pourquoi. Il est axé sur la valeur qui peut être extraite directement des données historiques sans épuiser le calcul par :
b) Rapports avancés (Business Intelligence)
c) Analyses des statistiques (découvrir des corrélations cachées, trouver des anomalies dans des signaux individuels)
2) Analyse prédictive – qui permet de prédire les résultats futurs. Répond aux questions sur quoi, quand et pourquoi cela se produira à l’avenir. Il est centré sur la valeur qui peut être dérivée des données historiques (habituellement avec l’utilisation de l’apprentissage automatique). Essentiellement, il couvre l’effort de la science des données lié à :
a) Analyse approfondie et préparation des données historiques aux fins de modélisation du machine learning
b) Trouver un modèle approprié et le former dans le contexte du cas d’utilisation que nous essayons de résoudre
3) Analyse prescriptive – qui permet d’optimiser les résultats futurs. Répond aux questions sur ce qui doit être fait et quand. Elle est axée sur la valeur qui peut être déduite des modèles prédictifs existants afin de maximiser ou de minimiser les résultats attendus.
4) Analyse cognitive – qui permet de prendre des décisions en temps réel en fonction de l’état actuel de l’environnement. Contrairement aux types précédents, les données historiques ne sont pas analysées ici pour découvrir des modèles ou des corrélations cachées, mais plutôt comme une source de données de simulation pendant la formation du modèle. Le but de l’analyse cognitive est de recueillir des connaissances et de la sagesse, mais prendre certaines mesures qui modifient l’environnement artificiel et qui, en fonction des commentaires reçus, améliorent les décisions au fil du temps – de toute façon, ce sujet mérite un article spécialisé.
Pratiquement personne ne classera la maintenance prédictive dans une autre catégorie que l’analyse prédictive (non seulement en raison des similitudes de noms, nous l’espérons), de sorte que certaines conclusions peuvent être tirées – il ne s’agit plutôt pas de détecter les anomalies (qui s’insère davantage dans la grappe explicative)., il ne s’agit certainement pas d’une sorte d’optimisation (car on parle alors de maintenance prescriptive) ou d’éviter les pannes (ce qu’on appelle d’ailleurs la maintenance préventive).
Si vous m’aviez demandé de décrire la maintenance prédictive en une phrase, je dirais probablement que c’est l’utilisation de l’intelligence artificielle (IA) en plus des données historiques recueillies dans les chaînes de production afin de détecter les tendances dans le processus de fabrication et de prédire la probabilité, l’emplacement et le temps d’arrêt qui peuvent être utilisés pour planifier le service de l’équipement juste à temps avant la panne.
Néanmoins, il ne s’agit pas vraiment d’élaborer une définition idéale, mais plutôt d’établir une compréhension commune afin que toutes les parties impliquées dans un projet potentiel puissent communiquer dans le même « langage » et se concentrer sur les difficultés opérationnelles ainsi que sur des résultats raisonnables et réalisables.
Pourquoi c’est si difficile ?
Le principal facteur de différenciation (et le défi énorme en même temps) de la maintenance prédictive et de l’analyse de l’IA industrielle en général est le fait qu’elle n’est pas très reproductible. Chaque procédé de fabrication est unique d’une manière ou d’une autre, et c’est le même type d’équipement utilisé sur plusieurs lignes de production – disons des compresseurs ou des pompes – peut sembler similaire à première vue, mais il varie aussi habituellement en ce qui concerne la physique interne et les détails de la mécanique. Ainsi, littéralement, tous les projets de maintenance prédictive nécessitent une expertise étendue du domaine sur la nature du processus à aborder.
Dans un scénario idéal – les scientifiques des données qui combinent simultanément les connaissances en informatique et les mathématiques nécessaires pour modéliser un problème donné ont l’expérience de domaine nécessaire et sont conscients des éléments clés des machines ou des processus sur lesquels ils devraient se concentrer. Mais le monde n’est pas parfait, et il est évidemment impossible d’être un expert en la matière dans tous les domaines. Naturellement, les data scientists peuvent acquérir de la sagesse et se spécialiser dans certaines branches étroites en travaillant en continu sur des problèmes commerciaux similaires (par exemple sur des compresseurs ou des pompes mentionnés précédemment), mais cette expérience sera probablement sans valeur si elles devront faire face à un autre problème de prévision qui implique différents processus ou types d’équipement. La compréhension du processus et des machines impliquées est tout simplement cruciale.
Comment relever le défi?
La seule et unique façon de surmonter ce défi particulier est la participation d’une personne proche du processus – un expert qui vient directement de l’atelier et qui a une connaissance tangible des comportements de la machinerie, qui peut partager la sagesse nécessaire avec le spécialiste des données.
Un autre facteur important du projet de maintenance prédictive avec succès est la définition très méticuleuse du problème d’affaires à résoudre, la découverte de la valeur mesurable que la solution devrait apporter. Les entreprises qui sont prêtes à investir dans l’analytique avancée doivent être informées par les fournisseurs de services que cette première étape est absolument essentielle à leur succès. « Nous aimerions mettre en œuvre la maintenance prédictive dans notre usine » n’est vraiment pas assez détaillé.
Une fois que le cas d’utilisation pour la maintenance prédictive est finalement défini (idéalement via une sorte d’atelier de découverte avec le client) vient encore une autre erreur courante : se précipiter pour la modélisation d’apprentissage automatique sans enquête de données appropriée. Il vaut toujours la peine de prendre le temps de recueillir plus de renseignements, de tirer parti des renseignements d’affaires et des statistiques pour chercher des tendances ou des corrélations afin de décider des caractéristiques sur lesquelles nous voulons nous concentrer pendant la formation de nos modèles. À ce stade précoce, il est encore temps d’évaluer si nous disposons d’une quantité suffisante de données de bonne qualité et si nous pouvons réaliser une étude de faisabilité pour déterminer si certains problèmes opérationnels peuvent être résolus.
Quand envisager la maintenance prédictive?
Afin de commencer à penser aux entreprises de maintenance prédictive on doit recueillir des données, d’énorme quantités de données historiques, ainsi mise en œuvre IIoT réussie et la numérisation des informations opérationnelles des usines est généralement l’étape initiale sur la voie de l’analytique avancée.
En outre, les usines doivent faire face à une sorte de situations reproductibles (comme par exemple des défaillances imprévues occasionnelles d’une machine donnée) pour lesquelles il y a suffisamment de connaissances historiques (eh bien, si nous voulons prédire la défaillance d’un actif qui a échoué une fois au cours des deux ou trois dernières années, nous ne disposons probablement pas de la quantité nécessaire d’informations pour modéliser le modèle qui a conduit à une telle situation, donc aucune possibilité de mise en œuvre de la maintenance prédictive pour ce cas).
Découvrez les capacités de maintenance prédictive de notre solution Industrial Analytics Accelerator.
Voir une démonstration.
Enfin, les organisations qui veulent tirer parti du pouvoir de la maintenance prédictive ne devraient pas se tourner vers la « licorne » et doivent être prêtes à investir du temps et de l’argent dans la recherche initiale du problème qu’elles veulent résoudre, ce qui pourrait ne pas apporter de valeur immédiate à leur entreprise. Mais est une étape nécessaire pour atteindre le succès