La maintenance prédictive se nourrit de l'Internet des Objets et dessine les contours de l'industrie de demain. Elle fournit de précieuses informations quant aux risques de dysfonctionnements, auxquels l'entreprise peut pallier avant qu'ils ne surviennent, économisant ainsi d'importants frais de réparation ou de maintenance classique. Pour en tirer avantage, il faut cependant l'enrichir avec le machine learning et la réflexion humaine, et encourager les synergies entre les savoir-faire analytique et technique.
Agir sur les équipements prioritaires
La maintenance prédictive s'appuie sur la connexion entre les machines. Elle consiste à collecter les données transmises en temps réel par celles-ci. Il est ensuite possible d'agir directement sur une panne ou un dysfonctionnement quelconque, avant même que le problème ne survienne. Par conséquent, la maintenance prédictive s'avère plus précise et plus poussée que la maintenance curative ou préventive (1); de surcroît, elle implique le recours au machine learning afin d'anticiper les dysfonctionnements des appareils et de de leurs composants. Bien entendu, pour que la transmission des données entre les machines soit possible, il est nécessaire de placer des capteurs qui détecteront les évènements extérieurs, lesquels seront ensuite transmis en tant qu'informations par les machines. Néanmoins, cette mesure peut vite s'avérer coûteuse, notamment lorsqu'on doit équiper un vol ume cons équent d'appareils. C'est le cas dans le domaine des transports ou de l'énergie.
La maintenance prédictive doit donc être employée de manière pragmatique : d'une part en sélectionnant en priorité les équipements qui ont besoin d'une surveillance permanente. Cette sélection s'appuiera sur des critères différents selon le secteur d'activité, tels que la fréquence réelle d'utilisation des machines, les circonstances de leur utilisation et l'impact que celle-ci peut avoir sur le fonctionnement de toute la production. Pour un transporteur ferroviaire, par exemple, l'arrêt d'un train peut être problématique lorsque celui-ci est encore sur les voies, alors que c'est une situation normale s'il est arrivé à destination.
Accompagner le machine learning par la réflexion humaine
Grâce à l'Internet des Objets, il est désormais possible de collecter des volumes colossaux de données depuis de nombreuses sources. Programmes informatiques, systèmes d'exécution ou de gestion, inspections visuelles, modes d'emploi des machines, données pouvant affecter indirectement les appareils (météo, circulation, etc.) ou données géographiques sont autant de sources de données qui s'échangent entre les appareils.
Les équipes en charge de la maintenance prédictive – data analysts, data scientists, en l'occurrence – ont ainsi besoin de déterminer, parmi l'important volume de données à leur disposition, lesquelles nécessitent une interprétation humaine et lesquelles peuvent être intégrées à un processus préétabli (une intelligence artificielle peut prendre le relai, par exemple). Pour cela, elles doivent prendre en compte un aspect essentiel : le terrain.
En impliquant l'exploitation des données en temps réel, l'analyse prédictive rapproche davantage les métiers de l'analyse des données et les agents présents sur le terrain. En effet, la présence de différents capteurs sur les appareils signifie que les données peuvent varier. Afin de distinguer les bonnes informations, et ainsi d'optimiser le traitement des données et l'action qui en résulte, data scientists et data analysts doivent travailler avec les techniciens. Ils doivent également être en mesure de confronter les données en t emps rée l aux données statiques, grâce à la visualisation, et de combiner les différents résultats provenant des divers capteurs placés sur une même machine afin d'en tirer les conclusions nécessaires.
Préparer ses équipes au changement
La maintenance prédictive bouleverse les usages des techniciens, et doit donc être implémentée progressivement, en collaboration avec les salariés. En effet, habitués à planifier des interventions préventives à intervalles régulières, les techniciens ont affaire à des data analysts qui surveilleront les machines de manière constante, à des appareils capables de transmettre des informations – défaillances, risques – qui, autrement, auraient été plus difficiles à détecter. Il importe donc que les dirigeants usent de tact et de pédagogie pour instaurer cette nouvelle approche.
En fonction de sa culture, chaque entreprise pourra adopter la conduite du changement qui lui correspond : remplacer sa maintenance préventive par une approche entièrement prédictive, ou nuancer en combinant les deux méthodes. Il faut néanmoins garder à l'esprit qu'enrichir les mesures préventives avec des algorithmes prédictifs nécessite de savoir quand utiliser cette approche, d'impliquer les a cteurs p résents sur le terrain, et de connecter les savoir-faire entre eux.
La maintenance prédictive s'affirme donc non seulement comme un avantage concurrentiel fort, mais elle contribue également à répandre l'usage de l'intelligence artificielle dans l'industrie.
1) consistent à réparer un appareil après la panne, à relever les erreurs récurrentes ou à procéder à une vérification périodique des infrastructures