Place à la maintenance prédictive… L’IoT est passé par là !

Pour Teradata, la maintenance prédictive va s’imposer. L’expérience, assure l’éditeur, montre qu’il est préférable d’anticiper les pannes, plutôt que de les prévenir.

La notion de service l’emportant sur la notion de produit, bien des entreprises ne souscrivent déjà plus à une offre de maintenance, mais à un service garantissant fiabilité et performance. Les fournisseurs de matériels ne vendent plus un produit, mais une durée d’utilisation. L’IoT est en train de changer les règles du je. Place à la maintenance prédictive !

Longtemps, la maintenance a été corrective, reposant sur une réparation une fois la panne constatée. En planifiant les opérations, on peut la rendre préventive. Il y a différentes façons de le faire. On parle de maintenance prédéfinie ou planifiée : lorsque la maintenance est effectuée à des intervalles de temps prédéfinis sans tenir compte de l’historique d’utilisation des machines ni de l’état antérieur des actifs. La maintenance peut aussi être conditionnelle : lorsqu’elle est effectuée dès lors que le matériel ou la machine présente des signes de défaillance ou de baisse de performance.

Construire un data lake

Quant à la maintenance prédictive, elle permet une meilleure optimisation, assure Teradata. Grâce à l’analyse du passé, une probabilité de panne peut être calculée. La prise en compte des données issues des capteurs permet une modélisation plus fine et plus juste des fonctionnements historiques et des tendances (machine learning ou apprentissage). Ainsi, les prédictions des risques de défaillance sont plus précises et répondent mieux aux exigences des métiers.

La gestion des actifs et l’optimisation de leur maintenance arrivent à un tournant. L’importante somme de données disponibles a rendu plus simples, plus efficaces et évolutifs les projets de maintenance prédictive.

Construire un data lake est essentiel à cette approche basée sur des méthodes de modélisation et de machine learning, insiste Teradata. En effet, le data lake met à disposition les données nécessaires à l’entrainement des modèles. Analyser les événements historiques pour construire des modèles et détecter des situations anormales ou déterminer les probabilités de défaillance permet aux projets IoT de délivrer une valeur métier importante.

A titre d’exemple, Union Pacific, la plus importante société de transport ferroviaire aux Etats-Unis, utilise l’IoT et le machine learning pour prévenir les pannes et réduire les risques de déraillement. Des capteurs acoustiques et d’images ont été déployés sur les voies pour surveiller l’état de santé des roues des trains, en analysant en particulier leur température. En ayant recourt à la maintenance prédictive, la compagnie a pu réduire les déraillements liés aux roulements, éviter les retards coûteux, et consolider son image. Grâce à l’IoT, Union Pacific peut anticiper les pannes à court terme et à long terme.

La ponctualité du Renfe

Autre exemple, la collaboration entre Siemens et le Renfe, la compagnie ferroviaire espagnole. Siemens a le projet de transformer tous ses appareils en systèmes intelligents pour offrir à ses clients de la disponibilité et une performance optimale. Ils ont en particulier travaillé sur la ligne grande vitesse entre Madrid et Barcelone qui est en concurrence directe avec le transport aérien. Grâce à cette collaboration basée sur la mise en place de maintenance prédictive, la Renfe a la garantie de la fiabilité de ses trains, et offre à ses clients une très grande ponctualité. Dans le cas d’un voyage de 3 heures, seul un voyage sur 2000 sera retardé de plus de 5 minutes, a chiffré Siemens.

Dans un premier temps, une analyse descriptive permet d’identifier les variables influentes. Les modèles d’apprentissage vont utiliser ces variables pour prédire les défaillances et seront optimisés de façon à ce que le coût global (coût d’une panne vs coût d’une réparation) soit minimisé. Ainsi ces modèles aident à adapter et optimiser les plans de maintenance.