Comment créer un programme de maintenance prédictive à partir de zéro
La maintenance effectuée selon un calendrier fixe est un moyen inefficace de garantir le bon fonctionnement des équipements. L’usure des machines ne suit pas un calendrier. Les techniciens peuvent perdre du temps à entretenir des équipements qui n’en ont pas besoin et ne pas détecter des défaillances sur des pièces qui s’usent avant la date de maintenance prévue dans le calendrier. Il en résulte une augmentation des temps d’arrêt imprévus et des coûts inutiles.
Les recherches de McKinsey montrent qu’un programme de maintenance prédictive réduit les temps d’arrêt imprévus de 30% à 50% [1]. Une analyse de Deloitte révèle également que cette stratégie réduit les dépenses totales de maintenance de 18% à 25% [2].
Les responsables d’usine doivent revoir la manière dont leurs installations contrôlent l’état des machines afin de réduire ces coûts et de fonctionner plus efficacement. Pour une comparaison complète des stratégies opérationnelles, consultez Le guide complet des stratégies de maintenance dans l’automatisation industrielle.
Qu’est-ce que la maintenance prédictive ?
La maintenance prédictive consiste pour les techniciens à surveiller en temps réel l’état des équipements afin de déterminer exactement quand une intervention de maintenance est nécessaire. Cette stratégie planifie les réparations avant que les composants ne tombent en panne, ce qui permet d’éviter des retards de production imprévus.
La maintenance prédictive fonctionne mieux lorsqu’une quantité suffisante de données est collectée en continu. Selon le Département de l’Énergie des États-Unis, un programme de maintenance prédictive bien mis en œuvre peut permettre de réaliser des économies de 8% à 12% par rapport à un programme standard de maintenance préventive [3].
Prérequis avant de démarrer un programme de maintenance prédictive
Les trois prérequis qui doivent être en place avant de démarrer un programme de maintenance prédictive sont les suivants :
- L’équipe d’ingénierie a besoin d’un registre complet des équipements. Chaque équipement industriel doit disposer d’un identifiant unique et d’un code de localisation dans une base de données centrale.
- Les données historiques relatives aux défaillances doivent être facilement accessibles afin que les équipes sachent quelles pièces tombent le plus fréquemment en panne.
- Une maîtrise de base des outils numériques est essentielle, car les techniciens doivent être capables de réagir aux alertes automatisées des logiciels.
Phase 1 : Analyse de la criticité des actifs
Les installations doivent réaliser une analyse de la criticité des actifs afin de déterminer la meilleure façon de déployer les ressources. Ce processus consigne l’impact des machines sur la production, les risques pour la sécurité et les coûts de remplacement.
Si la défaillance d’un moteur spécifique entraîne l’arrêt de toute la ligne de production, cette machine nécessite une maintenance. La norme ISO 17359 définit des critères standard pour évaluer les profils de risque des machines [4]. Les actifs obtenant un faible score doivent rester soumis à des programmes de maintenance plus simples afin de réduire les coûts.
Phase 2 : Analyse des modes de défaillance
L’analyse des modes de défaillance et de leurs effets (AMDE) aide les équipes à isoler des risques mécaniques spécifiques. Cela permet d’identifier les modes de dégradation d’un composant et les indicateurs montrant que certaines pièces sont susceptibles de se casser.
L’analyse des modes de défaillance doit être effectuée avant que les ingénieurs n’achètent du matériel pour les actifs critiques. Ainsi, ils savent exactement quelles pièces doivent être commandées et en quelle quantité.
Un intervalle P-F est très important à ce stade. Il s’agit de la période comprise entre le défaut initial détectable (P) et la défaillance fonctionnelle (F) [3]. Les capteurs doivent recueillir des données dès le début de cet intervalle. Il n’y aurait pas suffisamment de temps pour réparer l’actif de manière proactive si cette période était trop courte.
Phase 3 : Sélection des technologies
La sélection du matériel dépend des modes de défaillance identifiés. La maintenance 4.0 moderne repose sur des capteurs spécifiques de surveillance de l’état pour suivre les signes de dégradation. Par exemple, les machines tournantes nécessitent généralement des outils d’analyse vibratoire pour détecter précocement l’usure des roulements.
L’infrastructure de données doit prendre en charge ce réseau de maintenance IIoT. Les passerelles sans fil locales collectent les données des capteurs et les transmettent à des serveurs cloud ou à des réseaux locaux.
Phase 4: Déploiement pilote
Avant la mise en œuvre complète du programme de maintenance prédictive, les responsables de l’usine doivent sélectionner un ou deux actifs critiques pour un déploiement pilote ciblé. Les projets pilotes localisés permettent d’affiner les méthodes de collecte de données avant un déploiement à l’échelle de l’usine [5].
Cet essai limite également le risque financier initial tout en démontrant la viabilité opérationnelle du concept aux parties prenantes de l’entreprise. La phase d’essai doit durer de 3 à 6 mois. Les équipes doivent suivre des indicateurs de référence clairs pendant cette période, notamment le temps moyen de réparation (MTTR) et le nombre de défaillances évitées.
Phase 5: Gouvernance et intégration des données
Les données brutes des capteurs n’apportent pas beaucoup de valeur sans un traitement approprié. Les installations doivent connecter les plateformes prédictives au système central de GMAO. Cette connexion automatise les ordres de travail lorsque les capteurs détectent des tendances anormales.
Une gouvernance des données assortie de règles strictes permet de conserver des données système claires et utiles. Les ingénieurs en fiabilité doivent définir des seuils d’alerte précis sur la base d’une référence historique ou d’une norme ISO. Si un paramètre dépasse un seuil, le système émet une alerte. Cela permet aux techniciens de se préparer à intervenir avant qu’une défaillance fonctionnelle ne se produise.
Phase 6 : Déployer à grande échelle et itérer
Une fois que le projet pilote a fait ses preuves, la direction peut étendre la stratégie de PdM aux autres lignes critiques de l’usine. Le déploiement à grande échelle nécessite de mettre à jour les procédures opérationnelles standard afin de refléter les flux de travail fondés sur les données. Les enseignements tirés au cours des premières étapes aident les ingénieurs à optimiser le positionnement des capteurs sur les actifs secondaires.
Cette expansion opérationnelle peut avoir un impact sur les besoins d’approvisionnement de l’usine. Comme les défaillances sont prévues plusieurs semaines à l’avance, les installations peuvent ajuster leurs stratégies de stockage. L’approvisionnement en composants auprès d’EU Automation permet aux usines de commander les pièces exactement au moment où elles en ont besoin.
Pièges courants lors de la mise en œuvre
Voici les erreurs de déploiement courantes que les équipes d’usine peuvent éviter :
- Suivre trop d’actifs simultanément, ce qui surcharge les systèmes de stockage des données
- Négliger la formation des techniciens, laissant le personnel incapable de répondre aux alertes du système automatisé
- Définir des seuils d’alerte trop bas entraîne une lassitude liée aux fausses alertes au sein des équipes d’ingénierie
- Négliger le remplacement des batteries des capteurs et l’entretien du matériel réseau
- Ne pas mettre à jour le stock de pièces détachées afin qu’il corresponde aux besoins prévus en composants
KPI pour mesurer le succès d’un programme de maintenance prédictive
Les installations doivent suivre ces indicateurs clés afin de mesurer avec précision le succès d’un programme de maintenance prédictive :
- Heures d’arrêt imprévues - Le temps total de production perdu en raison d’arrêts inattendus des équipements
- Temps moyen de réparation (MTTR) - La durée moyenne nécessaire pour diagnostiquer et réparer une panne
- Taux de précision des alertes - Le pourcentage d’alertes système qui révèlent de véritables défaillances mécaniques
- Coût de maintenance par équipement - Les dépenses totales en pièces et en main-d’œuvre pour les machines surveillées
Quand la maintenance prédictive n’est pas justifiée
Si le coût du matériel de capteurs et des abonnements logiciels dépasse la valeur des pertes de production, la maintenance prédictive n’est pas justifiée. Par exemple, des équipements simples et non critiques, comme les ventilateurs d’extraction de bureaux ou les pompes secondaires de secours, ne justifient pas des coûts élevés de capteurs. Faire fonctionner ces équipements jusqu’à la panne est une décision économiquement rationnelle.
Conclusion
Construire un système prédictif à partir de zéro permet d’éviter les pannes imprévues en production qui interrompent les lignes de production. Vérifier d’abord la criticité des machines, plutôt que de tout surveiller en même temps, permet d’éviter des dépenses inutiles.
Commencer par un essai à petite échelle et vérifier le système avant son déploiement complet est essentiel. Cet essai permet aux équipes de configurer des alertes appropriées et des processus clairs sans surcharger les techniciens.
Détecter rapidement les défaillances des machines réduit le stress et les temps d’arrêt liés aux réparations d’urgence. Connaître les défaillances à l’avance aide également les usines à gérer plus efficacement leur stock de pièces de rechange. Cela réduit les dépenses d’entreposage sans risquer de provoquer des temps d’arrêt supplémentaires. Suivre ces étapes clairement définies protège la production de l’usine et permet de maîtriser les budgets.
Les responsables d’usine souhaitant soutenir les améliorations fondées sur les données et la maintenance continue des lignes de production critiques peuvent se procurer des pièces auprès d’EU Automation. Disposer d’une source fiable de composants d’automatisation industrielle peut garantir la mise en œuvre réussie des stratégies de maintenance prédictive.
Références
[1] McKinsey & Company, Digitally Enabled Reliability: Beyond Predictive Maintenance, 2018.
[2] Deloitte, Predictive Maintenance and the Smart Factory.
[5] McKinsey & Company, Prediction at Scale: How Industry Can Get More Value Out of Maintenance, 2021.
