Maintenance : Réactif - Préventif - Anticipatif

Selon le secteur, les pannes imprévues peuvent facilement entraîner des coûts de plusieurs milliers d'euros par jour. Et cela sans compter les éventuels dommages et intérêts en cas de retard de livraison.

La maintenance prédictive, clé du succès

Cette approche initialement réactive, consistant à réparer le plus rapidement possible les dommages survenus, a donné naissance à des stratégies préventives dites proactives, dont la plupart sont encore valables aujourd'hui.

L'usine numérique sous le signe de l'industrie 4.0 et les défis et possibilités qui y sont liés pour la maintenance sont actuellement d'un intérêt particulier. La clé du succès est ici la maintenance prédictive (Predictive Maintenance).

Alors que dans la maintenance préventive, les cycles d'entretien des installations sont basés sur des valeurs moyennes ou sur la durée de vie attendue, la maintenance prédictive prend en compte l'état actuel de l'installation afin de pouvoir planifier les entretiens de manière encore plus précise.

Les objectifs sont, outre une plus longue durée de vie de l'installation ainsi qu'une plus grande sécurité de l'installation, moins d'accidents, une plus grande productivité, une meilleure planification des ressources ainsi que des coûts réduits.

La numérisation et la mise en réseau des processus et des appareils ne cessent de progresser et de prendre de l'ampleur. En 2017, 27 milliards d'appareils étaient connectés, et l'institut d'études de marché IHS Markit en prévoit 125 milliards d'ici 2030. Selon les analystes, le transfert global de données devrait également augmenter d'environ 50 % par an au cours des 15 prochaines années.

Les progrès technologiques mentionnés ci-dessus permettent la saisie en temps réel des données des capteurs. Celles-ci fournissent des informations sur le degré d'usure actuel d'une machine - et constituent la base d'une qualité potentiellement plus élevée des décisions prises ainsi que de leur traçabilité.

L'apprentissage automatique dans la maintenance

La collecte et le traitement de grandes quantités de données constituent deux des bases des systèmes de maintenance prédictive. Dans ce contexte, la détection précoce des erreurs et la prévision temporelle des pannes des installations déterminent la planification de la maintenance et l'optimisation des ressources nécessaires.

Pour cela, il est nécessaire de stocker et d'analyser de grandes quantités de données (big data). Des technologies telles que l'apprentissage automatique permettent de calculer, de visualiser et de simuler la probabilité d'occurrence des pannes. De tels outils permettent de soutenir la maintenance au niveau des systèmes et de la placer sur une base prédictive.

Ces approches sont prometteuses. Mais nous entendons souvent dire, lors des discussions avec les clients, qu'il est déjà difficile de saisir précisément les volumes de données et de les maintenir à jour sur une longue période.

Dans une enquête menée auprès des constructeurs automobiles allemands, la gestion des données, y compris la gestion des données d'inventaire et la gestion des changements, est citée comme l'un des plus grands défis pour la mise en œuvre de l'usine numérique. Les processus automatisés de données de base (ou : une gestion automatisée des données) offrent ici un soutien précieux et à valeur ajoutée.

Vous évitez les saisies manuelles, sources d'erreurs, et augmentez ainsi la qualité des données, y compris dans le système SAP et ses modules SAP Plant Maintenance et SAP Predictive Maintenance. Cela se traduit à son tour par moins de pannes, moins de travail supplémentaire, un stock optimisé et donc des coûts réduits.

Selon IBM, rien qu'en 2016, les pertes financières dues à la mauvaise qualité des données se sont élevées à environ 3,1 billions de dollars aux États-Unis.

La maintenance 4.0 a besoin d'outils dédiés

Tout indique que le volume de données à gérer augmentera de manière exponentielle au cours des prochaines années. Même les meilleurs modèles de simulation et les meilleures évaluations aboutiront à des conclusions erronées s'ils ne reposent pas sur des données correctes ou complètes.

Pour aller vers la maintenance 4.0, il faut donc des outils dédiés, capables de maîtriser les volumes de données. Si l'équipe de maintenance peut se concentrer sur les tâches principales plutôt que sur la saisie et la correction des données, alors la maintenance prédictive est un projet réalisable.