La maintenance prédictive est une politique de maintenance des équipements visant à superviser les actifs physiques d'une organisation afin de détecter les problèmes potentiels à l'avenir et d'effectuer des actions correctives avant que les composants ne fonctionnent mal ou ne tombent en panne. Les types d'actifs généralement supervisés comprennent des équipements de grande taille et de grande valeur, tels que des machines et des instruments de terrain, et des composants d'équipement de petite taille mais essentiels, tels que des vannes et des courroies de ventilateur.
Un système de maintenance prédictive est l'application pratique d'une politique de maintenance prédictive. Un système de maintenance prédictive se compose de capteurs fixés sur le matériel de terrain, de moyens d'intégration avec les systèmes de contrôle industriel pour recueillir les données des capteurs et effectuer des actions correctives, et d'un logiciel d'analyse prédictive pour analyser les données et faire des prévisions sur les futures défaillances potentielles de l'équipement. Au cœur d'un système de maintenance prédictive se trouve un hub de contrôle via lequel les tâches des équipes de maintenance sont planifiées.
Avant de mettre en œuvre une politique de maintenance prédictive, les organisations doivent concevoir un programme de maintenance prédictive (plan d'action). Un programme de maintenance prédictive décrit les actifs qui seront entretenus et identifie les points de défaillance potentiels, appelés modes de défaillance, dans différentes conditions de fonctionnement.
Les modes de défaillance sont les façons spécifiques dont les composants peuvent potentiellement tomber en panne. L'erreur humaine, la corrosion, l'érosion, l'usure et la fatigue des métaux sont des exemples de modes de défaillance. Les modes de défaillance peuvent entraîner des dysfonctionnements tels que des courroies de ventilateur mal alignées, des défaillances de joints de pompe, des défauts de lubrification et des réservoirs de carburant vides. Les composants peuvent avoir plusieurs modes de défaillance potentiels.
Le modèle de maintenance prédictive pour la maintenance des actifs a évolué en réponse aux limites et aux inconvénients des modèles de maintenance préventive et réactive. Par exemple, la maintenance préventive nécessite beaucoup de main-d'œuvre et peut entraîner une surmaintenance, tandis que la maintenance réactive prend beaucoup de temps et peut entraîner des temps d'arrêt sporadiques.
La stratégie de maintenance des actifs d'une organisation combine généralement différents types d'approches de maintenance des actifs pour traiter différents types de problèmes. Par exemple, les programmes de maintenance réactive apportent des solutions aux défaillances inattendues des équipements. L'objectif d'un système de maintenance prédictive, en revanche, est de prévoir le moment où un dysfonctionnement de l'équipement pourrait se produire et de prévenir les pannes grâce à des tâches de maintenance corrective planifiées.
Les limites du modèle traditionnel de maintenance prédictive pour la maintenance des actifs ont conduit davantage d'organisations à adopter une approche hybride, combinant la supervision de l'état, la maintenance prédictive basée sur l'IoT et les techniques de maintenance prescriptive.
La maintenance prédictive vise à effectuer une maintenance corrective avant que l'équipement ne tombe en panne, tandis que la maintenance de dépannage est effectuée après la défaillance de l'équipement.
Parmi les exemples de maintenance de panne, on peut citer la maintenance réactive ou corrective, la maintenance " run-to-failure " (RTF) et les temps d'arrêt non planifiés.
Lorsqu'un équipement est tombé en panne de manière inattendue, des informations sur la cause, la gravité et la probabilité que la panne se reproduise à l'avenir permettent d'alimenter les algorithmes d'analyse prédictive qui prévoient la probabilité de futures pannes d'équipement.
Le coût initial de la mise en œuvre des programmes de maintenance des pannes est faible, mais le coût de la réparation des actifs dans le cadre des programmes de maintenance des pannes est élevé, car les pièces peuvent devoir être remplacées au lieu d'être réparées et peuvent ne pas être facilement disponibles, ce qui peut entraîner des périodes d'arrêt longues et non planifiées. La maintenance des pannes est une sorte de "plan B".
Tout comme la maintenance prédictive, la maintenance préventive ou temporelle réduit l'occurrence et l'impact des pannes d'équipement.
La maintenance prédictive consiste à effectuer des tâches de maintenance en fonction de l'état des composants.
La maintenance préventive consiste à planifier des tâches de maintenance régulières qui peuvent s'avérer inutiles, comme le remplacement d'une pièce sur la base de l'estimation par le fabricant de la durée de vie prévue de la pièce. La maintenance préventive est importante pour les systèmes critiques et les systèmes de sécurité.
Les termes maintenance conditionnelle (CBM) et maintenance prédictive sont parfois utilisés de manière interchangeable, mais ils sont légèrement différents.
Dans les deux cas, il s'agit de superviser régulièrement les données des capteurs afin d'identifier une défaillance ou un problème potentiel sur un composant.
Les techniques de maintenance prédictive utilisent des formules qui combinent les données des capteurs en temps réel et les données historiques pour faire des prédictions sur les besoins futurs en matière de maintenance. Par exemple, des algorithmes d'analyse prédictive pourraient estimer le temps qu'il faudra avant qu'un réservoir ait besoin d'être ravitaillé en carburant et planifier une tâche pour que les équipes de maintenance s'en chargent à l'avenir.
Le CBM s'appuie sur des mesures en temps réel pour prendre des mesures lorsque les données des capteurs ne sont pas à portée de leur valeur optimale, par exemple lorsque le volume de carburant dans un réservoir est trop faible. Dans ce scénario, les équipes de maintenance peuvent ne pas avoir les ressources nécessaires pour effectuer l'opération de ravitaillement à ce moment-là, laissant une machine temporairement inactive.
Utilisées conjointement, la maintenance prédictive et la CBM peuvent aider les organisations à superviser les équipements pour détecter les dysfonctionnements actuels et futurs.
Les modèles de maintenance prescriptive vont un peu plus loin que les modèles de maintenance prédictive traditionnels. Les systèmes de maintenance prédictive prévoient les défaillances potentielles des équipements et suggèrent des moyens de les retarder ou de les atténuer à l'avenir. Par exemple, les résultats d'un programme de maintenance prédictive peuvent mettre en évidence qu'une bande transporteuse est susceptible de tomber en panne dans les prochains mois.
Avec une approche de maintenance prescriptive, les résultats incluraient des informations sur la façon dont la bande transporteuse pourrait être exploitée pour augmenter sa durée de vie, par exemple en réduisant sa vitesse, et réduire les temps d'arrêt inévitables des équipes de maintenance pour remplacer les pièces.
En raison du coût de mise en œuvre des solutions de maintenance prédictive, les systèmes prédictifs traditionnels se sont concentrés sur les actifs les plus critiques et les plus précieux d'une organisation. La maintenance prédictive des équipements moins critiques et de moindre valeur impliquait généralement des contrôles irréguliers planifiés et aléatoires de la part des équipes de maintenance.
Dans les systèmes de maintenance prédictive modernes, les technologies IoT telles que les multiples options de connectivité sans fil, les capteurs MEMS (micro electro-mechanical system) à faible coût, l'intégration avec des systèmes externes, le Cloud computing, l'augmentation de la capacité de stockage basée sur le Cloud et l'intelligence artificielle rendent possible la maintenance prédictive fiable de plusieurs actifs à travers de vastes réseaux de production.
Les alertes personnalisées et la visualisation des données vous permettent d'identifier et de prévenir rapidement les problèmes de santé et de performance du réseau.
Les systèmes de maintenance prédictive sont particulièrement importants pour le fonctionnement sûr et fiable des actifs dans les systèmes critiques tels que le pétrole et le gaz, l'exploitation minière, l'aviation et la fabrication industrielle, ainsi que dans les centrales nucléaires et chez les fournisseurs de services publics.
Les systèmes de maintenance prédictive sont couramment utilisés :
Voici quelques cas d'utilisation des systèmes de maintenance prédictive :
La maintenance prédictive aide les organisations à :
Les notifications en temps réel sont synonymes de dépannage plus rapide, ce qui vous permet d'agir avant que des problèmes plus graves ne surviennent.
Les capteurs de maintenance conditionnelle supervisent la santé, l'état et le comportement des composants en recueillant des informations sur des variables telles que la température, la corrosion, la pression, les vibrations, le bruit et le volume. Ces variables sont des indicateurs d'état.
Lors de la conception des programmes de maintenance prédictive, les data scientists précisent quels sont les indicateurs d'état les plus utiles pour distinguer le fonctionnement normal du fonctionnement défectueux d'un composant particulier.
Des outils tels que les analyseurs infrarouges, d'huile, de vibrations, de circuit moteur, d'alignement par décalage laser et d'ultrasons mesurent les indicateurs d'état à partir de différents types de capteurs :
Dans les systèmes modernes de maintenance prédictive, les modèles d'apprentissage machine (ML) utilisent les données historiques des capteurs et les informations sur les performances d'un actif pour établir des modèles et des lignes de base de comportement normal. Ces modèles recherchent ensuite les écarts et les anomalies dans les performances en temps réel des actifs et font des prédictions sur le moment où un composant peut tomber en panne.
Les algorithmes ML utilisent des données provenant non seulement de capteurs, mais aussi de sources externes, par exemple des informations provenant d'un rapport d'un opérateur sur le terrain, des données historiques provenant d'une solution de planification des ressources d'entreprise (ERP), ou des données situationnelles comme des conditions météorologiques défavorables qui peuvent avoir un impact sur le fonctionnement de composants spécifiques.
Les ordres de travail fournissent des instructions aux équipes de maintenance pour la réparation des composants. Les tâches de réparation peuvent être effectuées à distance, par exemple la fermeture à distance d'une vanne, ou par intervention humaine, par exemple le remplacement physique d'une pièce.
Les ordres de travail sont créés par l'intermédiaire d'un système de gestion de la maintenance, soit automatiquement, soit manuellement. Les GMAO stockent également des données historiques sur les performances des actifs et aident à automatiser la planification des tâches de maintenance de routine et correctives. Ils constituent un point central pour organiser les flux de travail et stocker les informations provenant d'applications externes, comme les systèmes de gestion des stocks et de la main-d'œuvre.
En règle générale, la création d'un programme de maintenance prédictive comporte les étapes suivantes :
Tout d'abord, la direction et les équipes IT identifient les actifs critiques et précieux et documentent le fonctionnement optimal de ces actifs, y compris la plage de valeurs souhaitées pour des paramètres spécifiques, comme la position des pales d'une éolienne dans des conditions météorologiques spécifiques. Ces informations fournissent des mesures de référence pour le fonctionnement souhaité d'un actif.
Ensuite, une base de données GMAO est alimentée avec des informations sur chaque actif. L'historique de la maintenance de l'actif, les informations fournies par le personnel de maintenance et d'exploitation, ainsi que les informations sur l'équipement fournies par les fabricants, donnent des indications précieuses sur les modes de défaillance potentiels.
Troisièmement, les analystes de systèmes utilisent l'analyse des modes de défaillance et de leurs effets (AMDE) pour identifier les raisons possibles de la défaillance des composants du système, la possibilité que cette défaillance se produise (d'extrêmement probable à improbable) et les conséquences qu'elle pourrait avoir (d'un risque pour la vie à de légers dommages à l'équipement). Les ordres de travail sont classés par ordre de priorité en fonction de ces critères.
Quatrièmement, les techniciens installent des équipements de supervision tels que des capteurs et des automates.
Cinquièmement, les scientifiques des données créent des algorithmes prédictifs pour évaluer le comportement et l'état en temps réel d'un actif par rapport à son fonctionnement de base. Le flux de travail impliqué dans la création d'un algorithme prédictif consiste à collecter des données de capteur, à les prétraiter dans un format à partir duquel des indicateurs d'état utiles pour un actif spécifique peuvent être extraits, à injecter des indicateurs d'état dans un modèle ML, et enfin à déployer l'algorithme, initialement sur des actifs pilotes pour tester l'algorithme.
Sixièmement, des tâches correctives automatisées et des instructions aux techniciens sont formulées pour répondre aux alertes sur les défaillances possibles des composants.
Le modèle de maintenance axée sur la fiabilité (RCM) est un cadre couramment utilisé pour élaborer un programme de maintenance prédictive. Tous les équipements ne peuvent pas être entretenus de manière rentable à l'aide de techniques de maintenance préventive et tous les équipements n'ont pas besoin d'une maintenance prédictive. La RCM aide les organisations à analyser les principales causes des défaillances potentielles des équipements et à concevoir des programmes de maintenance plus efficaces pour différents types d'actifs et différentes exigences.
Les objectifs d'une analyse RCM sont d'identifier les modes de défaillance, de les classer par ordre de priorité en termes de risque et de coût, de choisir les meilleurs processus pour atténuer les défaillances et de préserver la fonctionnalité souhaitée d'un système.
La RCM n'est pas la même chose que la maintenance prédictive. Grâce à la RCM, les organisations peuvent analyser les avantages de différents types de techniques de maintenance, comme la maintenance prédictive, préventive ou réactive, pour des actifs spécifiques dans différentes conditions, c'est-à-dire pour différents modes de défaillance.
Par exemple, un équipement particulier peut être sujet à l'usure du câblage et nécessiter une maintenance prédictive. Un autre équipement peut être très dépendant d'une connexion fiable au Cloud et avoir des options de connexion alternatives en place pour atténuer les temps d'arrêt inattendus du système. Un autre équipement encore peut avoir besoin d'une maintenance régulière et préventive pour se conformer à des règles de sécurité strictes.
La RCM a été développée dans l'industrie de l'aviation commerciale pour améliorer la fiabilité et la sécurité des équipements. Elle est basée sur la norme JA1011 de la Society of Automotive Engineers (SAE), publiée en 1978 par le ministère américain de la défense. La norme SAE JA1011 est la plus utilisée pour développer des systèmes de maintenance prédictive.
PRTG est un logiciel de supervision Network très complet qui assure le suivi de l'ensemble de votre infrastructure IT.
Concevoir et mettre en œuvre une solution de maintenance prédictive peut s'avérer long, laborieux et coûteux. Si vous êtes à la recherche d'un outil de supervision capable de vous aider dans votre programme de maintenance prédictive, contactez les experts en supervision de Paessler pour discuter de vos besoins.
PRTG peut superviser presque tous les objets dotés d'une adresse IP. Lisez ici une étude de cas sur la façon dont les produits PRTG supervisent l'ensemble de l'infrastructure d'une usine de gestion de l'eau.
