Le big data pour anticiper les pannes : La Maintenance Proactive 4.0

Article publié par Jean-pierre Mavilla le 01/06/2016 à 10:55
Catégories : Maintenance 4.0
Tags : Maintenance 4.0, Big data et maintenance proactive, machine learning, data mining

Plus de 69% des industriels veulent avoir des équipements qui fonctionnent et qui restent opérationnels en service à un coût raisonnable et maîtrisé ! C'est la raison principale qui motive les entreprises à se mettre peu à peu à l'heure de l'internet des objets. 

Auparavant, les données issues des équipements (historiques) étaient analysées de façon manuelle (extractions et analyses sur Excel) par une ou plusieurs personnes pour identifier les pannes et déclencher les opérations de maintenance correctives. C'est encore le cas aujourd'hui dans la plupart des industries où ce travail itératif, long et fastidieux peut occuper jusqu'à 10% du temps effectifs de la Maintenance !  

Mais, la croissance du volume de données oblige, aujourd'hui, à faire le tri pour ne traiter en priorité que les informations les plus critiques, comme les signaux de défaillance. Ainsi, la démarche d'un projet de big data vise à automatiser ces tâches de façon à avoir en temps réel une vision précise et complète de l'état du matériel en exploitation. C'est le passage d'une maintenance corrective classique à une maintenance proactive et connectée. 

Dans ce cadre, La plateforme logicielle Diamaint Proactive recourt à un moteur d'analyse prédictive fondé sur le machine learning (apprentissage automatique) qui s'appuie sur plusieurs critères comme la fréquence et la criticité des anomalies et défaillances, le contenu des programmes d'inspections et de contrôles préventif, la répétivité des pannes sur une période d'exploitation (12, 24, 36 mois...). L'objectif est d'anticiper les défaillance en détectant les signes avant courreurs de pannes à venir. Son potentiel a été éprouvé sur plus d'une dizaine d'applications afin de paufiner le système pour sa mise en exploitation. 

 

Diamaint Proactive s'appuie sur une plateforme bid data hébergée en france par la société Auquaray et parfaitement sécurisée pour garantir l'intégrité et la confidentialité des informations. Plusieurs algorithmes open source de machine learning peuvent être intégrés au coeur du système de Diamaint Proactive mais, le choix s'est porté sur une approche d'analyse comparative globale basée sur un modèle mathématique d'actuariat appelé "MAC-G" développé dans le cadre d'une recherche opérationnelle et de multiples expérimentations industrielles depuis 1994 sur divers équipements (pompes centrifuges, sécheurs rotatifs, centrales de traitement d'air, autoclaves de stérilisation, machines outils, appareils de levage, broyeurs...).

L'analyse des données ne prend que quelques minutes et la visualisation des l'états du matériels est modélisée au travers d'un monitoring de supervision par des alertes (notifications) avec quatre code couleur permettant de hiérarchiser la criticité des anomalies (vert, jaune, rouge, noir) quasiment en temps réel. La phase d'apprentissage nécessite 6 à 12 mois pour ajuster le paramétrage de la solution afin "d'entrainer" et configurer au plus prèt le modèle de prédiction pour qu'il n'envoie pas de fausses alertes et pour qu'il ne laisse pas passer des pannes sans les détecter. Dès lors, la fiabilité des prévisions progrèsse avec le temps et la capitalisation d'expérience. On obtient ainsi des résultats probant avec des niveaux de fiabilité de plus 70% au bout des 12 premiers mois d'exploitation et jusqu'à 95% à partir de 36 mois de capitalisation. Pour cela, la prise en compte des règles métier et essentielle. Le système est donc éprouvé dans le temps pour apprendre les scénarios de défaillances de chaque famille et modèle d'équipement, en croisant les données de fonctionnement et celles de l'exploitation.

La question qui reste posée est celle du délai de prévision avec lequel les pannes pourront être anticipée ! Plus on a d'avance, mieux la maintenance pourra être proactive ! L'enjeu de la phase d'intégration et d'expérimentation est donc de trouver le bon compromis avec le taux d'erreurs acceptable ! Aujourd'hui, le retour d'expérience reste encore insuffisant pour pouvoir en déterminer la marge exacte mais on l'estime, à un horizon de 3 à 5 ans, à un niveau inférieur à 5% d'erreurs ! 

Copyright © 2017 - Solution de création de sites Internet éditée par EPIXELIC - Administration - webgreen