Views
1 year ago

Maintenance & Entreprise n°655

  • Text
  • Industriels
  • Industrielle
  • Ainsi
  • Entreprises
  • Consignation
  • Septembre
  • Solutions
  • Octobre
  • Entreprise
  • Maintenance
La maintenance du Grand Ouest p.20

MAINTENANCE EN RÉGIONS

MAINTENANCE EN RÉGIONS AVIS D’EXPERT EdgeMind : une maintenance prédictive pour une meilleure compétitivité EdgeMind est une société indépendante spécialisée dans l’innovation scientifique. Son métier repose sur la commercialisation de prestations et d’outils informatiques pour l’aide à la décision et l’optimisation de la performance opérationnelle. Ses activités couvrent les domaines de la maintenance prédictive, la maîtrise des risques industriels, la simulation des systèmes de transports et la valorisation des données métiers. Comment améliorer la compétitivité d’une entreprise tout en garantissant la sécurité du personnel, le respect de l’environnement et la pérennité des outils de production ? Il s’agit là de la difficile équation que tentent de résoudre les industriels conscients des enjeux économiques de notre époque. D’un côté, le progrès technique permet l’amélioration des rendements quand bien même la contrepartie serait une diminution de la résilience des systèmes causée par la complexification et l’interdépendance des processus opérationnels. Face aux conséquences économiques d’une indisponibilité fortuite - un jour d’arrêt de production peut représenter des centaines de milliers, voire des millions d’euros de perte, dans certains secteurs - les industriels préfèrent encore bien souvent limiter les risques en adoptant des politiques de maintenance préventives exagérément conservatives. Fort de ce constat, l’optimisation de la maintenance apparaît naturellement comme un gisement de compétitivité à exploiter. Cette idée n’est pas nouvelle et fut longtemps la préoccupation de la seule communauté FMDS 1 qui proposa dans les années 1970 le concept de maintenance pilotée par la fiabilité. 1. Fiabilité, Maintenabilité, Disponibilité, Sécurité. ©DR Roland Donat Président et expert scientifique chez EdgeMind Rappelons que cette approche, très largement répandue dans l’industrie à l’heure actuelle, consiste à étudier les lois statistiques d’occurrence des défaillances d’un système afin de planifier au mieux les actions de maintenance préventives. Le principe de valorisation de la donnée est donc d’ores et déjà au cœur de cette méthodologie qui s’appuie principalement sur l’analyse de la durée, ou plus généralement de l’usage d’un système, entre deux défaillances. Toutefois, l’instrumentation massive des systèmes industriels qui a accompagné les développements techniques de ces dernières décennies a remis le sujet de la maintenance sur le devant de la scène. Poussée par l’engouement autour de l’intelligence artificielle, la maintenance prédictive est alors devenue un sujet incontournable dans l’industrie avec en filigrane des promesses de réductions de dépenses significatives à la clé. LA MAINTENANCE PRÉDICTIVE, UNE NOUVEAUTÉ ? Mais que signifie concrètement mettre en place une politique de maintenance prédictive ? Pour répondre à cette question, la norme NF EN 13306 X 60-319 datant de 2001 définit une action de maintenance prévisionnelle (ou predictive maintenance en anglais) comme une action de “maintenance conditionnelle exécutée en suivant les prévisions extrapolées de l’analyse et de l’évaluation de paramètres significatifs de la dégradation du bien”. Autrement dit, contrairement à la maintenance conditionnelle réactive dans laquelle une action est décidée suite à un dépassement de seuil de certaines caractéristiques du système, la maintenance prédictive est, quant à elle, dite proactive car la décision est prise à partir d’une prévision de l’état futur du système. Dans le cadre prédictif, l’enjeu majeur est d’être à même de pronostiquer le plus tôt et le plus précisément possible la durée de vie résiduelle, ou RUL (Residual Useful Lifetime en anglais), du bien considéré. Cependant, plus le système est complexe et plus la RUL dépendra de nombreux facteurs liés à son usage opérationnel et son environnement interne et externe. Une des principales difficultés associées à la mise en œuvre de politiques de maintenances prédictives réside donc dans l’élaboration d’un modèle prédictif pour la RUL du système. 30 IMAINTENANCE & ENTREPRISE • N°655 • Septembre - Octobre 2019

MAINTENANCE EN RÉGIONS BOOSTER LA MAINTENANCE PRÉDICTIVE AVEC LE BIG DATA Contrairement à une idée reçue très répandue dans l’industrie, l’application de politiques prédictives n’est pas conditionnée au fait de posséder de grande quantité de données sur le système considéré. Il faut cependant disposer à minima des deux sources d’informations suivantes : • Un historique des défaillances subies par le système. Cet historique capitalisant à la fois le retour d’expérience et l’expertise accumulée des équipes de maintenance est généralement accessible via l’outil de GMAO utilisé. • Des données sur l’usage courant du système afin de suivre son niveau de sollicitation cumulé au cours du temps. À noter que l’usage peut dans certains cas s’apparenter à une durée de fonctionnement, faute d’information plus précise sur la façon dont le système est sollicité. L’historique des défaillances constitue la matière première indispensable à la construction d’un premier modèle de durée de vie permettant de déduire une distribution de la RUL. Les données d’usage sont ensuite utilisées dans le modèle précédent pour établir un pronostic de la RUL dans le contexte de sollicitation opérationnelle courant du système (cf. Figure 1). C’est à partir de ce pronostic que des analyses technico-économiques permettront au final de décider s’il est pertinent d’intervenir sur le matériel ou non. Cette première approche, dont les critères de mise en œuvre sont relativement souples, doit être vue comme le socle de base des politiques de maintenances prédictives. Figure 1. Évolution des distributions de RUL en fonction de l’usage du système. Les données opérationnelles collectées aujourd’hui par l’instrumentation quasi systématique des matériels peuvent potentiellement jouer un rôle significatif pour améliorer les modèles de durée de vie. Du point de vue de la maintenance, ces données sont intéressantes à double titre car, outre leur faible coût d’acquisition, ces dernières permettent de contextualiser la dégradation des matériels et ainsi affiner les modèles de pronostics à l’aide d’algorithmes de machine learning adaptés. « Une des principales difficultés associées à la mise en œuvre de politiques de maintenances prédictives réside donc dans l’élaboration d’un modèle prédictif pour la RUL du système. » OPTIMISER LE PRÉVENTIF Bien que la maintenance prédictive apparaisse aujourd’hui comme une sorte de nouveau graal industriel, il est important de souligner que ce type de politique n’est pas si évident à mettre en œuvre sur le terrain. En effet, les © DR équipes de maintenance ne possèdent pas toujours la flexibilité structurelle et organisationnelle suffisante leur permettant d’adapter fréquemment leur gamme de maintenance préventive. Ainsi, une alternative pragmatique consiste dans un premier temps à optimiser plus régulièrement les politiques de maintenance préventives en vigueur dans l’entreprise en tirant profit des avancées apportées par l’intelligence artificielle en matière d’anticipation des défaillances. Cette approche s’avère bien souvent pertinente en pratique en répondant à trois exigences clés : réduire les coûts de maintenance, conserver ou améliorer les niveaux de disponibilité et favoriser l’appropriation de nouvelles pratiques sur le terrain. ● Roland Donat MAINTENANCE & ENTREPRISE • N°655 • Septembre - Octobre 2019 I31

Maintenance et entreprise - Découvrez la revue en version digitale

Pour vous abonner, joindre la rédaction, communiquer dans la revue ou simplement avoir plus d'informations sur votre métier, rendez-vous sur notre site internet :

www.maintenance-entreprise.com