La maintenance prédictive

Techniciens de maintenance Schindler.
Le fournisseur d’ascenseurs et d’escaliers Schindler planifie les visites de maintenance via son système de gestion intégré Les techniciens reçoivent leur planning d’intervention à jour sur leur smartphone et y enregistrent leur compte rendu de visite.

  • La maintenance prédictive est l’une des briques essentielles de l’industrie du futur.
  • La transmission des données de production et des mesures provenant des machines et des équipements instrumentés, puis leur analyse, contribueront à améliorer le suivi de fabrication, la qualité, la productivité, la disponibilité ainsi que la maintenance

Le monde change. L’industrie doit évoluer et se transformer pour s’adapter aux nouvelles attentes du marché et se projeter dès à présent vers le futur. L’industrie du futur ne prône ni la révolution, ni la mise au rebut des équipements en place. Il s’agit au contraire pour chaque entreprise, selon sa taille, ses moyens et ses objectifs, d’intégrer des solutions, des outils et des technologies qui lui permettront de répondre aux nouveaux enjeux, de produire mieux et plus vite, et d’avoir une longueur d’avance sur la concurrence. L’industrie du futur tend vers la modernisation des outils de production pour améliorer la compétitivité des sites industriels en maximisant la disponibilité des machines et des process.

La maintenance prédictive est l’une des briques essentielles de l’industrie du futur. La transmission des données de production et des mesures provenant des machines et des équipements instrumentés, puis leur analyse, contribueront à améliorer le suivi de fabrication, la qualité, la productivité, la disponibilité ainsi que la maintenance. L’avènement du Cloud Computing accentuera et accélérera par ailleurs les échanges numériques entre l’industriel et son client. Outre d’immenses volumes de stockage, le Cloud Computing offre aux entreprises d’importantes capacités de traitement, déportées et partagées, qu’elles ne pourraient s’offrir autrement. Bienvenue dans l’industrie du futur.

Maintenance prédictive : agir au bon moment

La mise en place de campagnes de maintenance prédictive en remplacement des opérations de maintenance curative et préventive générera d’importantes économies. Alors que la maintenance curative se contente de remplacer les composants défaillants une fois la panne constatée, la maintenance préventive consiste à réaliser l’entretien périodique des équipements ou à remplacer certaines pièces d’usure avant qu’une défaillance ne survienne. Cette méthode entraîne le remplacement de pièces, en fonction d’une période déterminée par l’utilisateur et selon les prescriptions des fabricants concernés, alors qu’elles sont parfois tout à fait en état de fonctionner.

Les solutions de maintenance prédictive ne s’appuient pas sur des statistiques de fonctionnement, mais sur des données issues du terrain fournissant une image réelle de l’état d’un équipement, d’une machine ou d’une infrastructure. L’analyse de ces informations issues de mesures embarquées sur des machines permet de déterminer précisément quand certaines caractéristiques des équipements ne répondent plus aux exigences d’exploitation, et donc, à quel moment il est propice de les remplacer ou de les réparer. Les opérations de maintenance sont alors réalisées lorsqu’elles s’avèrent strictement nécessaires. Du coup, la durée de vie des pièces d’usure est ainsi prolongée. Ce qui conduit à de substantielles économies.

La maintenance prédictive vise à intervenir avant l’apparition d’un dysfonctionnement et à éviter le remplacement de pièces par précaution. Résultat : les arrêts de production intempestifs sont supprimés ainsi que ceux liés à des arrêts périodiques de production pour une campagne de maintenance préventive. La disponibilité de l’outil de production s’en trouve ainsi sensiblement améliorée et les surcoûts dus au remplacement par précaution de pièces encore en état de fonctionner sont éliminés.

Équipements connectés

Avant de proposer une offre de service, intégrant par exemple une garantie de performance, un taux de disponibilité, une durée de vie, ou de la maintenance prédictive, le fabricant d’un équipement doit être à même de collecter des données liées au fonctionnement de cet équipement. Il lui faut donc déterminer les paramètres à surveiller (vibrations, température, pression, courant, tension, etc.), définir le type de capteurs à mettre en place, établir le mode de rapatriement et de sauvegarde des données acquises, et déployer les logiciels adaptés à l’analyse de ces données. Une surveillance efficace d’équipements à distance passe donc par le choix de capteurs et d’instruments adaptés. Selon la machine ou la structure concernée, une grande variété de solutions peuvent être envisagées, allant du simple capteur de vibrations à une instrumentation de mesures multi-paramètres. Selon les situations, des capteurs standards du marché seront tout à fait appropriés alors que dans d’autres cas, la conception sur mesure de capteurs de faible coût et consommation peut être nécessaire.

Pour connaître à tout moment l’état de fonctionnement d’un équipement, il est donc indispensable d’y installer des capteurs embarqués. Les capteurs de mesure des vibrations récoltent des informations qui permettront de connaître le statut de la vanne (ouverte ou fermée) et de délivrer également des informations concernant le fonctionnement de l’ensemble du processus sur lequel elle est installée. Ces capteurs fournissent des mesures collectées à des périodes régulières, traitées et transmises par tous les réseaux de communication filaires ou sans fil à un système centralisé d’analyse. Leur analyse fournit des informations pertinentes pour déterminer l’état de fonctionnement de tout équipements tels que des pompes ou des moteurs opérant en amont ou en aval du réseau de canalisation. Elle peut ainsi permettre d’identifier et de localiser des fuites au sein d’un réseau de canalisation déployé dans l’industrie du traitement des eaux, de la chimie, de l’énergie, etc.

Connectées aux systèmes centralisés d’analyse des données, les solutions de GMAO (Gestion de Maintenance Assistée par Ordinateur) ne seront plus uniquement employées pour réaliser la planification de travaux et leur suivi. De nombreuses solutions disponibles sur le marché sont déjà mises en œuvre avec succès par certains industriels pour optimiser les coûts de maintenance. Elles doivent encore être déployées plus largement. Cela passe évidemment par l’implication de la direction de l’entreprise concernée.

Analyse en temps réel des données

Les mesures fournies par les capteurs embarqués, aussi fiables et précises soient-elles, ne seront d’aucun secours à l’industriel, si elles ne sont pas couplées à des logiciels d’analyse et de traitement appropriés. D’autant que les valeurs mesurées et transmises quasiment en temps réel génèrent un flot important de données qu’il faut trier, traiter et analyser continuellement afin d’en tirer rapidement les informations pertinentes concernant le fonctionnement d’un équipement, voire plus largement liées au fonctionnement de l’infrastructure au sein de laquelle il opère. Cette masse de données doit être traitée automatiquement par des logiciels experts afin de déterminer en temps réel l’état de fonctionnement des machines et d’intervenir dès que la dérive d’un paramètre clé est constatée.

Alors que les équipements industriels sont bien souvent connectés aux réseaux de l’entreprise, les informations transmises sont plutôt employées pour optimiser la production et plus rarement pour affiner les opérations de maintenance et en réduire les coûts. L’accès quasiment en temps réel à ces données collectées en grande quantité peut pourtant être traité automatiquement par des logiciels experts afin de connaître le véritable fonctionnement des machines et d’organiser des campagnes de maintenance préventive.  Le système détecte les dérives et détermine les corrections nécessaires en analysant simultanément divers paramètres. Par exemple, l’encrassage prématuré d’un filtre, identifié parallèlement à l’augmentation anormale d’une température, permettra de déceler une autre anomalie dans le process. Le traitement automatique de diverses informations par un logiciel expert spécifiquement développé pour une application permet d’établir un diagnostic précis, de prévoir un dysfonctionnement et ainsi, de planifier l’entretien de l’équipement avant qu’un dysfonctionnement ne survienne.

Dépêchés sur le terrain, les techniciens de maintenance peuvent alors s’appuyer sur des solutions de réalité virtuelle pour être guidés dans leurs interventions. En superposant le fichier CAO d’un équipement, ils pourront visualiser sur une tablette le sens de circulation des fluides dans les conduits ou encore les mouvements des divers engrenages intégrés à un réducteur. Fini les notices techniques. L’opérateur navigue via une interface graphique ergonomique pour consulter des fiches interactives agrémentées de photos et de graphiques qui le guideront dans ses opérations.

Deep Learning : apprentissage continu du processus

Pour être efficaces, ces applications ou logiciels d’analyse exigent une bonne connaissance du process, du fonctionnement des machines et des équipements. Bien rares sont les machines ou les installations industrielles qui opèrent sans générer de vibrations. Les vibrations font partie intégrante de leur fonctionnement. Mais à partir de quel niveau sont-elles dommageables ? Quand sont-elles le signe précurseur d’une défaillance ou de l’usure d’une pièce ? Quelle est la cause de l’augmentation des vibrations ? À partir de quel seuil les vibrations peuvent être considérées comme anormales et exigent l’intervention des équipes de maintenance ? Les niveaux acceptables sont définis par le constructeur des machines ainsi que par leur exploitant qui prend en compte la façon dont elles sont employées habituellement ainsi que leur environnement d’utilisation. Dès lors, à partir d’informations provenant de capteurs de vibrations installés sur des équipements clés du process et sur quelques points stratégiques, il sera possible de détecter tout dysfonctionnement.

La méthode la plus simple consiste à surveiller les vibrations des équipements industriels sur la base de données caractéristiques telles que leur vitesse et leur accélération. En enregistrant leur évolution dans le temps, il sera possible d’être alerté par un dépassement de seuil défini par l’exploitant, signe d’une probable défaillance d’un sous-ensemble ou de l’usure prématurée d’une pièce. L’exploitant pourra être alerté selon la configuration du système d’alarme choisi par des feux tricolores installés à proximité, par l’envoi d’un SMS ou encore d’un e-mail à la personne concernée.

L’analyse des paramètres vibratoires permet de fournir des diagnostics bien plus précis. Chaque dommage mécanique présente son propre spectre de fréquences. L’analyse dans le domaine spectral des vibrations permet d’identifier assez précisément l’origine des détériorations. Le temps de recherche de l’origine des détériorations est alors réduit à minima. L’amplitude des spectres fournit une indication sur l’étendue des détériorations et permet d’estimer la durée de vie restante de la pièce concernée. La connaissance par l’exploitant de son process et de ses installations, ainsi que les valeurs collectées au fil du temps sur le terrain, jouent là encore un rôle décisif.

Dans un premier temps, une phase d’apprentissage permet d’adapter le modèle du logiciel d’analyse des données à la configuration, aux conditions d’utilisation et à l’environnement spécifique de l’installation industrielle. L’outil de diagnostic ajuste et affine le modèle sur lequel il s’appuie sur une durée représentative des situations industrielles rencontrées. L’exploitation d’un large spectre de données permet de créer des modèles optimisés pour toutes les situations industrielles grâce à des algorithmes de machine learning, pour finalement fournir rapidement des résultats fiables et pertinents. Cette méthode suit donc un processus d’apprentissage continu et tend à se perfectionner quotidiennement.

Le cabinet de conseil ABI Research estime que le volume des données machine saisies par capteurs et fournies par les équipements industriels devrait dépasser 78 exaoctets (1 048 575 téraoctets) d’ici 2020 et que, parmi cette immense quantité d’informations, figurera la preuve de la panne d’une machine, d’un défaut de fabrication ou de l’échec d’un test de validation critique qui passeraient inaperçus avec les technologies actuelles. L’analyse de grandes quantités de données contribue à améliorer les modèles à partir d’algorithmes de machine learning et à obtenir des résultats probants plus rapidement. Les industriels doivent dès aujourd’hui considérer la collecte de données comme la première étape avant la mise en œuvre de solutions reposant sur le machine learning. Les données fiables et représentatives des situations rencontrées sur le terrain vont permettre d’optimiser la gestion des outils de production, des équipements et des infrastructures, de mettre en œuvre une maintenance prédictive efficace, d’améliorer la disponibilité des machines et de réduire significativement les coûts.

Equipements intelligents instrumentés et connectés

Ces systèmes associant mesures, collectes de données et applications d’analyse de données par apprentissage (machine learning) autorisent le développement de stratégies d’acquisition de données de fonctionnement des équipements connectés et une gestion plus efficace de leur maintenance. Les tâches répétitives de collecte de données, réalisées ponctuellement par des opérateurs, sont remplacées par des systèmes d’acquisition et d’analyse automatisés. Ces systèmes détectent les dérives et déterminent les corrections nécessaires en analysant simultanément divers paramètres. Des équipements intelligents instrumentés et connectés permettront de fournir en temps réel et à distance des informations sur leur état de fonctionnement afin d’intervenir rapidement dès qu’une dérive sera constatée. Combinées à des applications de machine learning, ces solutions peuvent aller bien plus loin. Les capteurs qu’elles embarquent ne délivreront pas seulement des informations les concernant. Ils permettront d’établir une sorte de cartographie vibratoire au niveau de différents points stratégiques d’un réseau de canalisation et seront ainsi une source d’informations indispensable pour détecter tout événement anormal survenant sur ce réseau: d’un problème sur une vanne à celui du moteur d’une pompe, en passant par l’identification d’une fuite. Ainsi, en équipant une vanne de capteurs, on connaîtra son statut et son état de fonctionnement, mais ces capteurs mesureront également des vibrations se propageant via les canalisations et provenant des équipements situés aux alentours. Une vanne ainsi instrumentée, tel un système radar acoustique, devient un élément stratégique qui mesure et collecte les vibrations qui seront ensuite traitées par les logiciels d’analyse et de deep learning appropriés. Plusieurs vannes installées sur un réseau permettent d’obtenir un maillage offrant une couverture complète de l’ensemble du réseau de canalisation. Outre les informations propres à la vanne, il sera possible, par la mise en œuvre de ces outils d’analyse et leur apprentissage continu du process, d’identifier des problèmes spécifiques aux canalisations, pompes, actionneurs ou encore moteurs installés aux environs.

Au final, le traitement automatique de diverses informations par un logiciel expert dédié permet d’établir un diagnostic précis, de prévoir un dysfonctionnement et ainsi, de planifier l’entretien de l’équipement juste avant qu’une défaillance ne survienne. Résultat : la maintenance est réactive, l’indisponibilité de l’installation est réduite au minimum et les coûts de maintenance dus au remplacement prématuré par précaution des pièces et sous-ensembles sont éliminés.