Maintenance prédictive ou maintenance préventive : quelle est la meilleure solution ?

Dans le cas des machines industrielles, les réparations d'urgence sont connues pour prolonger les périodes d'arrêt inutiles. La maintenance prédictive et préventive sont utiles pour maintenir les équipements industriels en bon état et pour résoudre les problèmes avant qu'ils ne surviennent. Cependant, il existe une grande différence entre les deux.

Les fabricants s'adaptent constamment pour faire face à la concurrence croissante. Les tendances de consommation et la pression pour fournir rapidement des produits de haute qualité évoluent rapidement. Les temps d'arrêt des équipements peuvent gravement compromettre les résultats d'une entreprise.

Selon le spécialiste de la maintenance Senseye, les fabricants subissent en moyenne 27 heures d'immobilisation par mois en raison d'une panne d'équipement. Cela se traduit par des pertes de revenus annuelles de plusieurs millions.

Le passé par rapport au présent

La maintenance préventive et la maintenance prédictive sont souvent utilisées de manière interchangeable. Généralement, en référence aux stratégies de maintenance qui permettent aux fabricants d'agir avant que l'équipement ne tombe en panne. Ces deux méthodes sont largement supérieures à la maintenance réactive.

Maintenance réactive

C'est lorsque l'équipement fonctionne jusqu'à ce que des réparations d'urgence soient nécessaires. Par conséquent, cela coûte souvent aux entreprises quatre à cinq fois plus cher que les options de maintenance proactive. Le guide des pratiques d'exploitation et de maintenance, version 3.0 le confirme.

Toutefois, les notions de prévention et de prévision ne sont pas identiques.

Quelle est la différence entre la maintenance préventive et la maintenance prédictive ?

Qu'est-ce que la maintenance préventive ?

La maintenance préventive implique des contrôles réguliers, indépendamment de l'état de l'équipement. Elle s'appuie sur des lignes directrices en matière de bonnes pratiques et sur des données historiques. Les directeurs d'usine ont donc toutes les chances de maintenir les machines en bon état. Cependant, elle nécessite toujours des temps d'arrêt cycliques planifiés.

Toutefois, on estime que la maintenance préventive permet aux entreprises de réaliser des économies de l'ordre de 12 à 18 pour cent par rapport à la maintenance réactive.

Qu'est-ce que la maintenance prédictive ?

La maintenance prédictive, quant à elle, n'intervient qu'en cas de besoin. Elle s'appuie sur des données en temps réel provenant de l'équipement connecté IIoT (Industrial Internet of Things) pour identifier les menaces potentielles avant qu'un problème ne survienne. De cette manière, les réparations s'attaquent à un problème réel et sont plus ciblées. Cela signifie que les temps d'arrêt, lorsqu'ils sont nécessaires, sont réduits de 25 à 30 pour cent par rapport à d'autres méthodes de maintenance.

Stockage des big data

Pour fonctionner efficacement, la maintenance prédictive repose sur les données des capteurs qui rendent compte de l'état de santé de l'équipement. Toutefois, IBM estime qu'environ 90 pour cent de l'ensemble des données produites par les capteurs ne sont pas utilisées. Cela signifie que les fabricants manquent des opportunités de prendre des décisions éclairées au sujet de leurs équipements tout en payant pour collecter et stocker les données.

Les données collectées mais non traitées ou utilisées de quelque manière que ce soit sont appelées données sombres (dark data en anglais). Il s'agit d'un défi de taille pour l'industrie.

Les capteurs qui recueillent les données peuvent être relativement peu coûteux et faciles à installer. Cependant, le plus difficile est de traiter les données pour en tirer des conclusions sur l'état de santé de la machine.

Le traitement des données peut s'avérer difficile pour de nombreuses raisons, qu'il s'agisse de comprendre les données ou de les placer auprès du service concerné. Par exemple, les silos de données apparaissent lorsque les données sont traitées et que des modèles pertinents sont découverts. Cependant, les différents services d'une entreprise ne partagent pas ces schémas.

Cela peut se produire si l'entreprise ne dispose pas de la technologie nécessaire à la visibilité des données. Par exemple, elle peut ne pas disposer d'un outil unifié de gestion intégrée des données (IDM) ou d'un système informatisé de gestion de la maintenance (CMMS). Cela signifie que chaque équipe peut s'appuyer sur des plateformes différentes.

Les transformateurs de courant peuvent collecter des données brutes sur les rotors excentrés d'un moteur électrique, les problèmes d'enroulement et les problèmes de barre de rotor. Cependant, sans logiciel CMMS, les données peuvent ne pas être partagées avec l'équipe de maintenance sur le site de production. Cela pourrait entraîner des temps d'arrêt non planifiés malgré l'utilisation de capteurs.

Prêter main forte

Disposer de capteurs pour recueillir des informations sur les équipements est la première étape pour intégrer la technique prédictive dans votre stratégie de maintenance. Les machines récentes sont généralement dotées de différentes options pour l'acquisition de données en temps réel.

Cependant, les équipements existants peuvent également être modernisés avec des capteurs supplémentaires peu coûteux. En fait, la maintenance prédictive peut être un atout vital. Elle est particulièrement utile lorsqu'il s'agit d'équipements vieillissants. En effet, les équipements vieillissants nécessitent une planification minutieuse de l'approvisionnement en pièces détachées obsolètes.

Cependant, le secteur contient une quantité impressionnante de données sombres (dark data en anglais). Si l'on ajoute à cela la question des silos de données, cela montre qu'il ne suffit pas de recueillir des données. Pour prévoir efficacement les défaillances des équipements, les fabricants doivent mettre en œuvre des technologies qui facilitent le traitement des données en temps réel. Permettant à tout le personnel concerné d'accéder aux informations obtenues.

Pour résoudre ces problèmes entre les différents départements, les entreprises devraient donner la priorité à la fusion des technologies de l'information (TI) et des technologies opérationnelles (TO). La gestion séparée de ces équipes aux compétences différentes était autrefois logique. Pourtant, la numérisation croissante des processus de fabrication, y compris la maintenance, signifie qu'il est désormais nécessaire de rassembler ces domaines.

La TO (Technologie Opérationnelle) collecte des données brutes à partir de PLC (Contrôleurs Logiques Programmables), de capteurs et d'autres équipements clés, tandis que la TI (Technologie de l'Information) donne un sens aux données en découvrant des modèles pertinents. Cependant, les équipements et les équipes doivent communiquer et collaborer de manière proactive.

L'un des problèmes posés par les données collectées par les équipements industriels est, qu'au fur et à mesure qu'elles vieillissent, leur pertinence et leur précision diminuent. En ce sens, l'edge computing (informatique en périphérie) peut être une solution précieuse. L'edge computing (informatique en périphérie) minimise la latence et favorise la prise de décision en temps réel en analysant les données au plus près de la source. Cette solution est préférable à l'envoi de tous les documents dans le cloud.

L'edge computing (informatique en périphérie) peut également contribuer à connecter davantage d'équipements à la cybersécurité IIoT (Industrial Internet of Things). Les allers-retours des données dans le cloud augmentent le risque de les compromettre. Le traitement des données plus près de la source réduit ce risque.

Cela offre les avantages d'une numérisation accrue sans ouvrir davantage de surfaces d'attaque potentielles. Cela ne signifie pas que vous devez à tout prix éviter de traiter ou de stocker des données dans le cloud. Cela signifie simplement que les deux options peuvent aller de pair pour maximiser les résultats.

La maintenance prédictive et préventive seront toujours plus efficaces que la maintenance réactive. Et ce, malgré les problèmes posés par les données sombres (dark data) et la nécessité d'une transformation culturelle des opérations de fabrication. La réduction des temps d'arrêt et des coûts et une meilleure efficacité sont ce dont les fabricants ont besoin pour prospérer dans un monde de plus en plus numérique.