Les pannes de machines et d’équipements pourraient coûter aux entreprises des sommes importantes sous forme d’arrêts de production et de dépassements de coûts pour des interventions urgentes : s’assurer de leur bon fonctionnement devient une tâche quasi obligatoire pour réagir aux situations imprévues. Nous allons analyser ce qu’est la maintenance prédictive, avec des exemples, des techniques et des outils pour illustrer cette nouvelle approche de l’anticipation.
Sommaire
Qu’est-ce que la maintenance prédictive
La maintenance prédictive consiste en une série de techniques et d’outils qui, sur la base de l’ analyse des données, détectent les anomalies et les erreurs éventuelles dans le fonctionnement des processus et des équipements.
Par l’analyse détaillée des informations réelles provenant des équipements et des procédures, ce système de maintenance est capable de détecter les tendances et les modèles de fonctionnement : le résultat est un scénario dans lequel les erreurs sont facilement prévisibles, car des données concrètes sont utilisées pour faire la prédiction.
Comme on peut aisément le déduire, la maintenance prédictive repose sur l’anticipation et la prévision, mais pas en s’en tenant aux erreurs potentielles issues de supputations ou d’hypothèses a priori, mais plutôt en s’appuyant uniquement sur des données réelles, collectées à cet effet.
La maintenance prédictive repose sur l’anticipation et la prévision, mais pas sur les erreurs potentielles issues de supputations ou d’hypothèses a priori, mais plutôt sur des données réelles, collectées à cet effet.
De cette manière, la maintenance prédictive peut anticiper d’éventuelles défaillances surveillant l’état des machines, sans spéculation ni théorie, formant une partie constitutive de l’ IIoT ;(Internet industriel des objets).
Techniques de maintenance prédictive
Certaines techniques de maintenance prédictive largement utilisées dans l’industrie comprennent:
- Analyse et détection des vibrations, pour analyser les machines tournantes.
- Thermographie infrarouge pour inspecter l’isolation, les purgeurs de vapeur ou les défauts du stator des moteurs électriques.
- Analyse des lubrifiants, pour détecter les détériorations dues aux contaminants et aux particules d’usure.
- Décharges partielles dans les machines électriques tournantes en cycle de fonctionnement.
- Analyse ultrasonique, pour vérifier les paramètres d’étanchéité, le fonctionnement des vannes ou la détection des fuites de fluide.
Chacun d’entre eux a un certain nombre d’applications pratiques, que nous allons examiner dans les exemples suivants.
Exemples de maintenance prédictive
La maintenance prédictive a une multitude d’applications dans les environnements industriels : par exemple, pour réduire les arrêts de production dus à l’entrée de pièces défectueuses dans la chaîne de montage, ou pour analyser les vibrations qui peuvent précéder d’éventuels désalignements, desserrements, déséquilibres ou usures.
Il est également possible d’identifier si un équipement industriel va commencer à dysfonctionner à partir de la détection très précoce de signes, tels que les changements de température ; il est également possible de détecter les fuites dans les réservoirs et les tuyaux, les erreurs mécaniques dans les pièces mobiles et les défauts dans les équipements électriques.
Même les distributeurs automatiques classiques de boissons sont susceptibles de faire l’objet de ce type d’entretien, allant un peu plus loin que les traditionnels examens techniques périodiques : il est possible d’améliorer la durée de vie de ces machines et de réduire le nombre de réparations qu’elles devraient subir si elles avaient été soumises autrement.
Vous devez gérer la documentation, les rapports de travail, la facturation, les garanties et les révisions de vos actifs installés chez vos clients ? Faites passer votre entreprise au niveau supérieur avec le logiciel SAT le mieux noté du marché.
Étapes pour réaliser une maintenance prédictive
1. Surveillance du fonctionnement de la machine
Dans cette première étape, la partie centrale consiste à avoir des données numérisées sur l’état de la machine, et que cette lecture se fasse de manière automatique et permanente, c’est-à-dire sans intervention humaine.
Il est évident que chaque processus ou équipement aura des paramètres pertinents différents, ainsi que des fréquences de lecture différentes : ce n’est pas la même chose de mesurer, par exemple, les paramètres de position dans un processus de pressage que dans un processus où un bras robotisé est impliqué.
2. modélisation des processus et maintenance guidée
Lorsque vous maîtrisez la lecture des paramètres pertinents des équipements et des processus, l’étape suivante consiste à générer un modèle basé sur des données historiques, où vous pouvez voir quelles trajectoires comportementales ont été suivies, et dans quelles circonstances.
Les algorithmes sont conçus à ce stade pour mettre en relation les paramètres les uns avec les autres, afin de détecter les modèles qui se répètent ou se produisent toujours dans les mêmes conditions environnementales, ou face à l’influence croisée qu’ils ont les uns sur les autres. Au fur et à mesure que des données historiques seront disponibles, l’apprentissage du système deviendra plus complet, ce qui permettra de tirer des conclusions plus précises.
C’est pourquoi, à ce stade, il est possible de commencer à concevoir un modèle de comportement normal de l’équipement, c’est-à-dire la façon dont l’ensemble est censé réagir dans des conditions environnementales normales : une fois ce modèle assumé, il sera possible de prioriser la maintenance prédictive sur les zones qui présentent une plus grande déviation par rapport à la courbe de fonctionnement normal (maintenance préventive dirigée).
3. Modélisation des scénarios limites
Les scénarios limites sont compris comme les environnements de fonctionnement dans les conditions desquelles il est plus probable que la machine tombe en panne et ne puisse pas continuer à fonctionner : avec cette définition, il est possible de fermer le cercle et de délimiter les scénarios de fonctionnement, puisque nous disposons à la fois de la « courbe normale » et de ses dimensions.
4. Maintenance prédictive
Une fois que vous aurez atteint ce stade, vous aurez une vision beaucoup plus précise des travaux de maintenance qui devront être déployés sur quelles machines, car vous aurez pu affiner la probabilité qu’un équipement ne fonctionne pas, et dans quelles conditions il tombera en panne.
De cette manière, il sera possible de prioriser les actions réellement nécessaires ou critiques par rapport aux actions accessoires ou moins urgentes : ce filtrage des interventions permet à l’entreprise d’améliorer la coordination entre les départements de production et de planification.
5. Surveillance continue
La cinquième étape de la maintenance prédictive consiste simplement à assumer sa nature cyclique et à la surveiller afin de continuer à améliorer les systèmes de collecte de données et de modélisation comportementale prédictive.
Ce n’est que grâce à ce retour d’information que les systèmes de maintenance prédictive peuvent apprendre sur le coup et être plus précis dans l’identification des modèles : les tâches de surveillance nécessitent, nécessairement, la définition de certains indicateurs clés de performance (KPI) du système, qui fournissent des informations sensibles sur leur niveau de précision et de précision probabiliste.
Différence avec la maintenance préventive
La maintenance prédictive, comme nous l’avons vu, est une méthode totalement proactive, basée sur la collecte de données en temps réel sur les équipements : cela permet aux responsables techniques d’établir une prédiction du comportement des machines, y compris, bien sûr, des pannes éventuelles.
Cependant, la maintenance préventive consiste à vérifier périodiquement les équipements afin qu’ils fonctionnent correctement, et ainsi éviter les défaillances des équipements avant que d’éventuels incidents ne se produisent. Il est basé sur une série de contrôles suggérés par le fabricant, et dont la révision manuelle de temps en temps (ou dès qu’un « »symptôme » » typique est détecté) garantit, sur le papier, son bon fonctionnement.
La maintenance prédictive est l’une des solutions qui tirent le mieux parti de la science des données et de l’internet des objets pour optimiser le travail du SST. Grâce à une série d’outils et de techniques spécifiques, il est possible de modéliser des scénarios de comportement des machines et de prédire les erreurs possibles, ce qui permet à l’entreprise de mieux allouer et coordonner les ressources de son service technique.
