Les 3 problèmes majeurs d’une stratégie de maintenance prédictive et comment y remédier
Lors de la mise en place d’une stratégie de maintenance prédictive, les experts métier peuvent faire face à certains obstacles se mettant en travers de leur chemin pour rejoindre la mouvance de l’industrie 4.0. Il est essentiel de comprendre ces problèmes afin de les anticiper et d’inclure dans la stratégie les solutions qui y répondent.
Sécurité, coûts, nature des données et formation des équipes, faisons le point sur les 3 principaux freins à lever pour adopter la maintenance prédictive dans les meilleures conditions.
Rappels sur la maintenance prédictive
La maintenance prédictive marque incontestablement une rupture avec les stratégies de maintenance qui l’ont précédée. Alors que la maintenance préventive (qui consiste à planifier les opérations de maintenance selon un calendrier pré-établi) constituait une avancée en comparaison à la maintenance curative (qui consiste à intervenir sur un équipement après survenue de la panne), cette évolution ne disposait pas d’un niveau de fiabilité, de sécurité et de performance suffisant pour faire face aux enjeux actuels du secteur industriel.
La maintenance prédictive, dont l’avènement est la conséquence directe de celui de l’intelligence artificielle et de l’IIoT (Industrial Internet of Things), s’est donc naturellement imposée comme une solution incontournable, que chaque site de production a déjà adoptée, ou du moins prévoit d’adopter dans un futur proche.
Mais si les avantages de la maintenance prédictive sont indéniables, celle-ci peut s’accompagner de craintes pour les responsables de maintenance. Nous avons identifié les 3 problèmes principaux qui entourent la mise en place d’une telle stratégie et nous vous donnons les outils nécessaires pour les surmonter.
La diversité des données
La data est le fondement de toute stratégie de maintenance prédictive. Mais difficile d’imaginer une solution de maintenance prédictive applicable à l’ensemble d’un site de production tant les données à traiter sont de diverses natures (son, température, vibration, charge électrique…).
Différents types de capteurs peuvent être nécessaires pour extraire ces différents types de données, ce qui peut représenter un coût certain pour un site que l’on souhaite voir intégralement équipé.
Il convient donc, en amont, d’identifier les actifs sur lesquels l’implémentation de la maintenance prédictive est prioritaire. En règle générale, il s’agira de ceux qui occasionnent le plus de coûts, soit par leur niveau de sophistication, soit par leur propension à dysfonctionner.
Une fois ces actifs identifiés, il s’agira de déterminer quels indicateurs sont les plus pertinents à observer sur chacun d’entre eux. En effet, suivant les équipements, les
variables à surveiller pour détecter une éventuelle panne ne sont pas les mêmes.
Une fois le mode de collecte des données paramétré de façon cohérente, encore faut-il se munir d’un logiciel capable de les interpréter.
Le logiciel de maintenance prédictive DiagFit est agnostique : il s’adapte à tout type de capteurs et d’équipements et peut donc traiter des données de natures très variées. Son rôle est de construire un modèle prédictif à partir des données saines de l’appareil (il n’est donc pas nécessaires de disposer de données historiques de pannes) afin de signaler toute sortie de ce modèle, pouvant indiquer un défaut ou le vieillissement d’une pièce : on parle de détection d’anomalies.
Des coûts trop élevés
Mise en place des capteurs, acquisition du logiciel, formation des équipes… Comme tout changement, d’autant plus à l’échelle d’un site industriel, l’implémentation d’une stratégie de maintenance prédictive a un coût. Mais cet investissement ne devrait pas constituer un frein pour les acteurs de l’industrie qui souhaitent s’en emparer.
Premièrement, DiagFit possède une interface no-code, autrement dit, le logiciel peut être utilisé sans nécessiter de compétences particulières en programmation informatique, et est donc accessible avec un minimum de formation aux équipes de maintenance.
Ensuite, il convient de mettre cet investissement initial en perspective avec les économies majeures que permet la maintenance prédictive à terme. Selon une étude du ministère américain de l’énergie, la mise en place d’une telle solution peut réduire les coûts de maintenance jusqu’à 30 %, et générer un retour sur investissement d’au moins 10.
Sa mise en place est particulièrement rapide, ce qui signifie que les équipes pourront sans attendre jouir des bénéfices de la solution : optimisation des interventions, réduction de temps d’arrêt machine non planifiés, meilleure précision, productivité accrue, stress réduit…
Le manque de sécurité
La migration des systèmes d’information vers le cloud, outre les évolutions majeures qu’elle a permises, a aussi rendu le secteur industriel plus vulnérable aux cyberattaques. Là où, à l’ère révolue des données stationnaires, une attaque bien orchestrée pouvait donner lieu à des vols d’information localisés ou à la compromission d’une partie du site de production, il est aujourd’hui possible pour les pirates informatiques de mettre en péril le fonctionnement de plusieurs sites industriels avec une seule frappe.
La sécurité des données est donc, à juste titre, l’un des enjeux centraux de l’industrie 4.0. Là encore, si ces inquiétudes sont fondées, elles peuvent être apaisées.
D’une part, DiagFit est conçu dans le plus strict respect des recommandations de sécurité de façon à préserver l’intégrité des données traitées.
D’autre part, la maintenance prédictive peut être employée pour prévenir les failles de sécurité pouvant ouvrir la voie aux cyberattaques et contribue également, à ce titre, à la protection des systèmes d’information de l’entreprise.
