La maintenance 4.0 passe par le machine learning

La maintenance prévisionnelle est au cœur des usines dites «intelligentes». Les données collectées dont elle a besoin exigent d’être interprétées par apprentissage automatique, «machine learning» en anglais. Mobility Work édite le premier logiciel de gestion de maintenance communautaire. Célia Sagnier, rédactrice de contenus techniques, explique les atouts de sa solution.

machine-learning-maintenance
celia sagnier
Célia Sagnier est rédactrice de contenus techniques chez Mobility Work, éditeur du premier logiciel de gestion de la maintenance assistée par ordinateur mobile, communautaire et de nouvelle génération. Célia Sagnier a rejoint la start-up Mobility Work en avril 2018 pour participer à l’élaboration du tout premier réseau social de la maintenance industrielle. Elle est passionnée par les sujets de l’industrie 4.0, de la maintenance industrielle et de l’intelligence artificielle. Photo : DR

Comme son nom l’indique, la maintenance prévisionnelle permet d’anticiper les pannes mais aussi de suivre les performances des machines grâce à la collecte de données. Cette collecte n’est cependant qu’une première étape. Il faut ensuite interpréter les données recueillies, c’est là que le «machine learning» entre en jeu. L’apprentissage automatique, parfois appelé apprentissage statistique, permet d’éliminer l’erreur humaine, d’optimiser les solutions de maintenance prévisionnelle et de gagner en fiabilité. Le «machine learning» est une technologie d’intelligence artificielle qui permet à un système de se baser sur des données et des statistiques afin d’émettre des prévisions sans avoir été programmé. La clef de voûte en est le «big data» : ces données regroupées dans des ensembles tellement volumineux qu’elles ne peuvent pas être analysées par des systèmes classiques de gestion de base de données. Ces technologies combinées permettent aux usines de revoir leurs processus et de pratiquer de la maintenance prévisionnelle. À l’heure où les entreprises prévoient de consacrer seulement 30 % de leur budget informatique et 11 % de celui dédié à la R&D à la transformation numérique (1), comment tirer profit du «machine learning» et l’appliquer à son service de maintenance ?


La clef du succès des usines

Pas moins de 2,5 trillions (2,5 milliards de milliards, 1018) d’octets de données sont générés chaque jour par les entreprises, qui doivent apprendre à traiter l’information autrement. Car si ces données sont souvent inexploitées («dark data»), elles sont la pierre angulaire des mégadonnées et, donc, de l’apprentissage automatique. Ces technologies permettent aux systèmes informatiques d’apprendre sur le modèle du cerveau humain au moyen d’algorithmes. Les équipes de maintenance doivent alimenter des bases de données qui serviront ensuite à anticiper le comportement des machines. C’est là que se rejoignent «machine learning» et maintenance prévisionnelle, basée sur l’analyse de l’état de l’équipement pour en détecter les dysfonctionnements. Plus nombreuses seront les données, plus l’algorithme apprendra et analysera, et plus la maintenance prévisionnelle s’affinera.

Les équipes de maintenance de la fonderie FMGC (Farinia Group), à Soudan (Loire-Atlantique), utilisent la solution Mobility Work pour suivre l’évolution des indicateurs de performance des machines, anticiper les pannes et réagir au moment opportun.
Ci-dessus, un opérateur mesure la température d’une broche à l’aide d’une caméra thermique. à gauche, un autre recherche dans la banque de données une pièce de rechange. Photo : DR

Application à la maintenance

En étant dotées d’un logiciel de gestion de la maintenance assistée par ordinateur (GMAO) nouvelle génération, les équipes pourront amorcer une démarche de numérisation. Celle-ci fluidifiera la communication entre les utilisateurs et rendra les données accessibles à tous. Les GMAO modernes permettent de récupérer et compiler des données à partir des capteurs installés sur les machines grâce aux interfaces de programmation API (2) ouvertes. Ces solutions interfaçables servent aussi à faire remonter des données issues d’autres systèmes : ERP, logiciel de gestion des achats, etc. La GMAO de Mobility Work est, par exemple, dotée d’un outil de «big data» intégré, qui propose une analyse en temps réel des données récoltées grâce à des indicateurs personnalisables.
Criticité, MTBF (3), MTTR (4), charge, coûts, pannes, etc. : la compilation de ces données permet d’identifier des schémas qui seront pris en compte lors des remontées d’informations liées aux propriétés de l’équipement ou à ses conditions de fonctionnement. Quelle partie de la machine a été touchée ? Dans quelles conditions s’est produite la panne ? A-t-elle été soudaine ou progressive ? Les réponses permettent de produire des algorithmes standardisés : c’est ainsi que fonctionne l’apprentissage de la machine.
Cette démarche permet de réduire considérablement le nombre de pannes puisque les équipes de maintenance suivent l’évolution des indicateurs de performance des machines, anticipent les pannes et réagissent au moment opportun. Un outil de GMAO moderne leur garantit un véritable partage de l’information. Ce partage bénéficie notamment au service achats, qui commandera dès lors les pièces de façon optimale.

Moins d’arrêts de production

Axer les processus sur une démarche de «machine learning» permet donc d’assurer un contrôle qualité en temps réel. Les capteurs recueillent des informations qui aident les équipes à détecter les défauts et dysfonctionnements (surchauffe, vibrations…) affectant les machines — ces derniers sont souvent causés par des pièces déséquilibrées, mal alignées, desserrées ou, tout simplement, usées. Détecter précocement les problèmes fait gagner de l’argent et du temps en évitant les arrêts de production. Mieux informées des menaces, les équipes sont capables de trier les pièces défectueuses.
La maintenance prescriptive est-elle l’avenir des usines ? Elle repose sur des systèmes qui prescrivent à une machine le comportement à adopter en fonction de l’environnement dans lequel elle se trouve. En analysant ainsi les conditions de fonctionnement, l’usure des machines est anticipée avec précision. Cette stratégie propose une approche innovante qui ne prend plus en compte les seules machines, mais bien les facteurs extérieurs qui risquent de mener à des dysfonctionnements. Cela évite les dépenses inutiles et les pertes de temps pour changer une pièce qui aurait pu encore servir.
L’adoption d’une telle démarche confère aux entreprises un avantage concurrentiel sans précédent : au-delà des avantages déjà cités, elles sont capables de satisfaire leurs clients en délivrant un résultat optimal dans les temps puisqu’elles connaissent les risques inhérents à la production et savent donc les appréhender.

Les entreprises doivent prendre la mesure de la révolution numérique et évoluer en ce sens pour tendre vers une production «lean», s’équiper de solutions innovantes et faire face aux bouleversements technologiques qui trans-forment l’industrie. 


(1)
 «Is Your Digital Transformation Focused on the Wrong Strategy ?», dans Harvard Business Review, https://hbr.org, rubrique «Sponsor Content from Deloitte» («publicité Deloitte») du 11 février 2019.

(2) «Application Programming Interface», interface permettant à deux programmes informatiques de communiquer.

(3) «Mean time between failures», temps moyen entre les pannes.

(4) «Mean time to repair», temps moyen pour réparer.

Laisser un commentaire

Ce site utilise Akismet pour réduire les indésirables. En savoir plus sur comment les données de vos commentaires sont utilisées.