Quand la maintenance prédictive n’est pas le bon choix pour votre usine

La maintenance prédictive n’est pas automatiquement la meilleure stratégie

La maintenance prédictive est devenue l’une des stratégies les plus mises en avant dans l’industrie manufacturière moderne. Les fournisseurs l’associent fréquemment à l’intelligence artificielle, aux capteurs intelligents, à l’analyse industrielle et à la transformation numérique.

La promesse sous-jacente est séduisante. Une usine surveille l’état de ses équipements, prévoit les défaillances en cours de développement et effectue la maintenance avant qu’une panne ne survienne. La production se poursuit avec moins d’interruptions. Les pièces de rechange sont commandées plus tôt. Les équipes de maintenance évitent les inspections inutiles.

Cependant, la maintenance prédictive n’est pas un progiciel qui améliore immédiatement chaque usine. Il s’agit d’un modèle opérationnel qui dépend de données fiables, d’actifs adaptés, de systèmes intégrés, de pratiques de maintenance rigoureuses et d’un soutien organisationnel.

Une mise en œuvre mal préparée peut engendrer des coûts supplémentaires sans réduire les défaillances. Les usines peuvent installer des capteurs qui produisent des relevés inutilisables. Les ingénieurs peuvent recevoir des centaines d’alertes sans conclusion exploitable. Les équipes de maintenance peuvent se méfier du système parce que les prédictions ne correspondent pas aux conditions observées sur le terrain.

La question la plus importante n’est donc pas de savoir si la maintenance prédictive est utile. La véritable question est de savoir si l’usine est prête à l’utiliser efficacement.

La préparation dépend de plusieurs facteurs interdépendants. La direction doit soutenir le programme. Les actifs doivent présenter des indicateurs de défaillance mesurables. Les capteurs doivent recueillir des données fiables sur leur état. Les réseaux de communication doivent transporter ces données. Les logiciels doivent les interpréter dans le contexte opérationnel approprié.

Le personnel de maintenance doit également comprendre les équipements et le système d’analyse. Les données historiques doivent être suffisamment exactes. Les bénéfices financiers attendus doivent justifier les coûts de mise en œuvre et d’exploitation.

Lorsque ces conditions ne sont pas réunies, la maintenance prédictive n’est peut-être pas le choix immédiat approprié. La maintenance préventive, la maintenance conditionnelle ou l’amélioration des routines d’inspection peuvent donner de meilleurs résultats.

Cela ne signifie pas qu’une usine doit abandonner définitivement la maintenance prédictive. Cela signifie qu’elle doit combler ses lacunes en matière de préparation avant d’investir dans un déploiement à grande échelle.

Figure 1. La maintenance prédictive nécessite le soutien de la direction, car sa mise en œuvre a une incidence sur les budgets, l’accès à la production, les ressources d’ingénierie et les pratiques d’exploitation à long terme.

Le soutien de la direction doit aller au-delà de l’approbation du projet

Les services d’ingénierie et de maintenance comprennent souvent les avantages potentiels de la maintenance prédictive. Ils constatent les défaillances récurrentes des roulements, les arrêts imprévus des moteurs et les pertes de production causées par les réparations d’urgence.

La direction générale peut encore hésiter. Le retour attendu peut sembler difficile à mesurer. Le projet peut nécessiter de nouveaux capteurs, des abonnements logiciels, une infrastructure réseau, des formations et l’assistance de spécialistes.

Obtenir l’approbation d’un projet pilote ne suffit pas. La maintenance prédictive modifie la façon dont plusieurs services travaillent ensemble. Les équipes de production doivent libérer les équipements pour l’installation des capteurs. Les équipes informatiques peuvent devoir approuver les connexions réseau. Les équipes des achats doivent soutenir les nouveaux contrats de service.

Les équipes d’exploitation doivent documenter les conditions du processus qui influencent le comportement des équipements. Les ingénieurs fiabilité doivent définir les modes de défaillance et les critères d’alarme. Les planificateurs de maintenance doivent convertir les conclusions analytiques en ordres de travail.

Sans le soutien de la direction, ces groupes peuvent considérer le projet comme une expérience d’ingénierie. L’accès à la production devient difficile. La formation est reportée. Les mises à niveau des instruments perdent leur priorité budgétaire. Les conclusions analytiques restent en dehors du processus de planification de la maintenance.

Le soutien de la direction doit inclure une attribution claire des responsabilités. Une personne ou un comité directeur doit être responsable des résultats commerciaux. Le programme doit avoir des objectifs définis, un budget approuvé et accès aux ressources nécessaires de l’usine.

La direction doit également comprendre que les premiers résultats peuvent être imparfaits. Un modèle prédictif nécessite des données d’exploitation et une validation sur le terrain. Les seuils d’alarme doivent généralement être ajustés. L’emplacement des capteurs peut devoir être corrigé après le premier cycle d’inspection.

Une mise en œuvre réaliste comprend une période d’apprentissage. Les dirigeants ne doivent pas s’attendre à ce que chaque capteur installé génère immédiatement des économies.

Ils devraient plutôt examiner des indicateurs mesurables. Ceux-ci peuvent inclure la réduction des interventions d’urgence, la détection plus précoce des défaillances, la diminution des défaillances répétitives, la réduction des dommages secondaires et l’amélioration de la planification de la maintenance.

Une usine n’est pas prête lorsque la direction ne soutient le projet que verbalement. Ce soutien doit se traduire dans les budgets, les décisions en matière d’effectifs, les calendriers de production et les responsabilités des services.

La maintenance prédictive ne peut réussir sans les bons capteurs

La maintenance prédictive repose sur des variations mesurables qui surviennent avant la défaillance de l’équipement. Ces variations peuvent inclure les vibrations, la température, la pression, les émissions acoustiques, l’état du lubrifiant, le courant électrique, la vitesse ou les mouvements de position.

Les instruments traditionnels ne mesurent pas forcément ces variables. Une machine peut seulement être équipée d’un manomètre local et d’un simple relais de surcharge moteur. Ces dispositifs peuvent protéger le processus, mais ils peuvent ne pas révéler la dégradation mécanique en cours.

Un détecteur de température à résistance standard peut indiquer la température d’un palier. Toutefois, il peut ne détecter un problème de lubrification qu’après l’apparition d’un frottement important. Un capteur de vibrations correctement sélectionné peut identifier la défaillance plus tôt.

Le capteur doit également être adapté au mode de défaillance. Installer des capteurs de température sur chaque actif ne suffit pas à créer un système prédictif. La température peut être utile pour les armoires électriques, les roulements, les moteurs et les systèmes de lubrification. Elle peut être moins utile pour détecter certains défauts d’engrenages ou des problèmes de jeu.

La plage du capteur, sa réponse en fréquence, sa méthode de montage, sa classification environnementale et la qualité du signal sont autant d’éléments importants. Un accéléromètre mal fixé peut générer des données de vibration trompeuses. Un transformateur de courant dont la plage est mal choisie peut masquer de faibles variations électriques.

L’installation des capteurs doit tenir compte de la machine physique. Les positions de mesure doivent offrir un chemin fiable depuis la source de la défaillance. Les surfaces desserrées, les capots flexibles et les points de montage peints peuvent fausser les relevés.

Les environnements difficiles imposent des exigences supplémentaires. Les capteurs peuvent nécessiter une résistance aux produits chimiques, une protection contre les explosions, des câbles haute température ou une protection contre les infiltrations. Un appareil sélectionné pour une zone d’assemblage propre peut ne pas résister à proximité d’une laveuse de pâte à papier ou d’un compresseur offshore.

L’usine doit également tenir compte de l’étalonnage et de la maintenance. Un capteur défaillant peut créer une fausse confiance. Un capteur dont le signal dérive peut générer des tendances incorrectes pendant des mois.

La surveillance de l’état nécessite donc une stratégie d’instrumentation, et non une simple liste d’achats.

Figure 2. L’analyse prédictive nécessite des mesures fiables de l’état de fonctionnement, obtenues à l’aide de capteurs sélectionnés pour l’équipement et ses modes de défaillance prévus.

Davantage de données de capteurs ne garantit pas de meilleures prédictions

Une erreur courante de mise en œuvre consiste à collecter toutes les variables de procédé disponibles. L’équipe projet suppose qu’un plus grand volume de données produira automatiquement un modèle plus précis.

De grands volumes de données peuvent produire le résultat inverse. Les ingénieurs passent du temps à filtrer les signaux non pertinents. Les besoins en stockage et en communication augmentent. Les modèles analytiques découvrent des corrélations dépourvues de signification physique.

Une maintenance prédictive efficace commence par une analyse des modes de défaillance. L’équipe doit identifier la manière dont l’actif tombe normalement en panne. Elle doit ensuite déterminer quelles modifications physiques apparaissent avant chaque défaillance.

Prenons l’exemple d’une pompe centrifuge. Les modes de défaillance possibles comprennent la dégradation des roulements, la cavitation, le désalignement, les dommages à la roue, les fuites de garniture et les restrictions à l’aspiration.

Chaque condition produit des indices différents. La dégradation des roulements peut modifier le contenu fréquentiel des vibrations. La cavitation peut créer des vibrations à large bande et une pression instable. Une fuite de garniture peut se manifester par une détection de fuite ou une perte de produit.

Une seule mesure peut ne pas permettre de distinguer ces conditions. Toutefois, une combinaison ciblée de vibrations, de courant du moteur, de pression d’aspiration, de pression de refoulement et de débit du procédé peut fournir un contexte diagnostique utile.

La valeur vient de la sélection de signaux qui représentent le mécanisme de défaillance. Elle ne vient pas de la maximisation du nombre d’appareils connectés.

Les sites doivent également distinguer les alarmes de procédé des indicateurs de santé des équipements. Une alarme de température élevée en sortie peut protéger la qualité de la production. Elle peut ne pas indiquer la durée de vie utile restante de la machine.

L’état de fonctionnement doit être enregistré avec les données de condition. Une vibration mesurée au démarrage ne peut pas être comparée directement à une vibration mesurée à charge constante. Les variations du courant du moteur peuvent refléter la demande de production plutôt qu’une dégradation électrique.

Sans contexte opérationnel, le système analytique peut classer des variations normales de la production comme des défaillances d’équipement.

Un site devrait retarder le déploiement prédictif lorsqu’il ne peut pas identifier les modes de défaillance pertinents, les points de mesure utiles et les états de fonctionnement. Installer l’instrumentation avant d’avoir terminé ce travail augmente généralement les coûts et la confusion.

Le logiciel doit être connecté aux machines

Les logiciels prédictifs ne deviennent utiles que lorsqu’ils reçoivent des informations fiables du site. Cela nécessite généralement une intégration avec les contrôleurs, les systèmes de contrôle distribué, les historiques de données, les plateformes de surveillance de l’état ou les passerelles industrielles.

Une plateforme analytique déconnectée ne peut pas voir le contexte complet de l’équipement. Elle peut recevoir des valeurs de vibration, mais pas la vitesse du moteur. Elle peut recevoir des valeurs de température, mais pas la charge du procédé. Elle peut détecter une variation sans savoir que les opérateurs ont modifié la recette de production.

Les problèmes d’intégration peuvent également retarder les données. Une valeur collectée une fois par heure peut convenir à des variations thermiques lentes. Elle peut passer à côté de courts événements vibratoires ou de conditions de pression instables.

La fiabilité des communications est tout aussi importante. Les échantillons manquants, les horodatages en double, la mise à l’échelle incorrecte et les noms de tags incohérents peuvent nuire à la précision du modèle.

Par exemple, un contrôleur peut enregistrer la pression en kilopascals, tandis que la plateforme analytique attend des bars. Les données restent numériques et peuvent sembler valides. Cependant, chaque seuil calculé devient incorrect.

L’intégration industrielle doit donc vérifier l’identité des signaux, les unités d’ingénierie, les horodatages, les fréquences d’échantillonnage, la qualité des données et l’état des équipements.

Les installations anciennes de systèmes API et DCS peuvent compliquer ce processus. Les contrôleurs existants peuvent avoir des capacités de communication limitées. Les réseaux propriétaires peuvent ne pas prendre en charge l’accès direct. La capacité de traitement peut être insuffisante pour gérer un trafic de données supplémentaire.

Dans ces situations, les sites peuvent avoir besoin de convertisseurs de protocole, de modules d’acquisition de données ou de passerelles soigneusement conçues. Ils peuvent également avoir besoin de composants de remplacement pour une infrastructure de contrôle vieillissante.

Les organisations qui entretiennent des plateformes de contrôle de générations différentes peuvent examiner les composants de systèmes PLC et PAC adaptés lors de l’évaluation des contraintes d’intégration, du matériel installé et de l’assistance tout au long du cycle de vie.

L’architecture appropriée doit protéger les performances du contrôle des machines. La collecte des données d’état ne doit pas surcharger un contrôleur critique ni interrompre les communications déterministes.

Figure 3. Les logiciels d’analyse ont besoin de connexions fiables aux contrôleurs, aux entrées des machines, aux états des processus et aux systèmes de maintenance.

L’intégration doit déboucher sur un processus de maintenance exploitable

La connectivité technique à elle seule ne crée pas de valeur opérationnelle. Les résultats analytiques doivent parvenir aux personnes capables d’inspecter, de planifier et de réparer l’équipement.

Certaines usines créent des tableaux de bord qui affichent d’excellents graphiques de tendance. Cependant, ces tableaux de bord restent séparés du processus de maintenance. Aucun ordre de travail n’est généré. Aucun technicien n’en reçoit la responsabilité. Aucun retour d’exécution ne revient au modèle.

Une alerte utile doit répondre à plusieurs questions pratiques. Quel équipement est concerné ? Quel état a été détecté ? Quelle est la gravité de cet état ? Quels éléments étayent l’alerte ? Quelle inspection doit avoir lieu ensuite ?

Le système n’a pas toujours besoin de fournir un diagnostic final. Il doit néanmoins donner au personnel de maintenance suffisamment d’informations pour prendre une décision rationnelle.

Par exemple, une alerte indiquant que les vibrations ont dépassé un seuil générique peut avoir une valeur limitée. Une meilleure alerte peut identifier une hausse des vibrations au niveau du palier côté entraînement, dans des conditions de charge stables.

Elle peut également afficher le taux d’évolution, les composantes fréquentielles pertinentes, les activités de maintenance précédentes et le moment recommandé pour l’inspection.

L’intégration aux flux de travail doit relier les résultats analytiques à la plateforme GMAO ou EAM. L’usine peut commencer par un examen manuel avant de créer des ordres de travail automatisés.

Cette approche contrôlée évite qu’un grand nombre d’alertes de faible qualité ne submerge le retard de maintenance.

L’équipe de maintenance doit consigner les résultats des inspections. Elle doit confirmer si un défaut était présent, si l’alerte a été précoce et quelle action a été entreprise.

Ces retours sont essentiels. Ils permettent aux ingénieurs d’améliorer les seuils, de valider les modèles et de supprimer les règles peu fiables.

Une usine n’est pas prête lorsque personne n’est responsable du processus de réponse. La maintenance prédictive ne peut pas rester une responsabilité isolée d’un éditeur de logiciels ou d’un data scientist.

Le processus doit relier la détection, l’examen par les ingénieurs, la planification de la maintenance, l’inspection sur le terrain, la réparation et la vérification après maintenance.

Des compétences spécialisées restent nécessaires

L’automatisation ne supprime pas le besoin de connaissances en ingénierie. Elle change l’endroit où ces connaissances sont appliquées.

Les systèmes prédictifs utilisent des capteurs avancés, des réseaux industriels, des logiciels analytiques et des modèles d’équipements. Chaque couche peut créer des défauts qui ressemblent à des problèmes de machine.

Un câble défectueux peut ressembler à un changement soudain du procédé. Le bruit électrique peut ressembler à des vibrations de palier. Une configuration incorrecte de l’équipement peut produire des seuils d’alarme irréalistes.

Le personnel doit comprendre à la fois les équipements surveillés et le système de surveillance. Cette combinaison est difficile à développer.

Les compétences pertinentes peuvent inclure l’analyse vibratoire, la thermographie, l’analyse des lubrifiants, l’analyse du courant moteur, l’instrumentation, le dépannage des réseaux, la communication avec les automates programmables industriels, la gestion des bases de données et la planification de la maintenance.

Aucun technicien n’a besoin de maîtriser toutes les disciplines. Toutefois, l’organisation doit avoir accès à l’expertise requise.

L’usine doit également distinguer l’analyse des données du diagnostic. Les logiciels peuvent identifier un signal inhabituel. Déterminer la cause physique peut nécessiter des connaissances sur les paliers, les accouplements, les boîtes de vitesses, les moteurs, les pompes, les vannes et les conditions du procédé.

L’expérience de terrain reste importante, car les équipements industriels fonctionnent rarement dans des conditions de laboratoire. Les fondations se desserrent. Les contraintes exercées par les tuyauteries modifient l’alignement. La demande de production varie. Les réparations temporaires deviennent permanentes.

Ces réalités influencent le comportement des machines et les résultats analytiques.

Figure 4. Une maintenance prédictive efficace associe des outils analytiques à l’instrumentation, aux réseaux, à la fiabilité et à l’expérience en ingénierie de terrain.

La dépendance à l’égard d’experts externes peut devenir coûteuse

Les spécialistes externes peuvent accélérer un déploiement initial. Ils peuvent configurer les capteurs, développer des modèles et former le personnel interne.

Les problèmes apparaissent lorsque l’usine ne développe jamais ses compétences en interne. Chaque alarme nécessite alors l’interprétation d’un fournisseur. Chaque modification d’équipement exige un nouveau projet de conseil. Le dépannage de base devient tributaire des disponibilités externes.

Cette dépendance augmente les coûts d’exploitation. Elle peut également retarder les décisions dans des conditions de production critiques.

Les usines doivent définir quelles compétences restent en interne et quels services demeurent externalisés. L’analyse vibratoire hautement spécialisée peut rester externalisée. L’examen de premier niveau des alarmes et l’inspection sur le terrain devraient généralement être réalisés au sein de l’usine.

La formation doit s’appuyer sur les équipements réels. Les démonstrations génériques de logiciels ne suffisent pas. Les techniciens doivent comprendre l’emplacement des capteurs, le comportement des alarmes, les modes de défaillance courants et les procédures de vérification.

Les planificateurs de maintenance ont également besoin de formation. Une défaillance prédite ne doit pas automatiquement devenir un ordre de travail d’urgence. Le planificateur doit tenir compte de la criticité de l’actif, de la disponibilité des pièces de rechange, des fenêtres de production, de la sécurité et du taux de progression estimé.

Le personnel d’exploitation devrait comprendre l’objectif du système. Il remarque souvent les changements de procédé avant les équipes d’analyse. Ses observations peuvent expliquer des données inhabituelles ou confirmer une défaillance en développement.

Le transfert de connaissances devrait être inclus dans le périmètre du projet. La documentation devrait couvrir l’architecture, les variables connectées, les règles d’alarme, les spécifications des capteurs, les exigences de maintenance et les procédures d’escalade.

Une usine peut ne pas être prête lorsqu’elle ne dispose pas du personnel capable de prendre en charge le système après sa mise en service. Une démonstration peut réussir, tandis que le programme à long terme finit progressivement par ne plus être utilisé.

Les problèmes budgétaires vont au-delà du prix d’achat

La maintenance prédictive peut nécessiter un investissement initial substantiel. Les capteurs, le câblage, les passerelles, les logiciels, les serveurs, les services cloud, l’intégration et la formation contribuent tous au coût du projet.

Le devis visible peut ne représenter qu’une partie de l’investissement total. L’installation peut nécessiter du temps d’arrêt, des échafaudages, des permis pour zones dangereuses, des plans d’ingénierie et des modifications du système de contrôle.

Les machines anciennes peuvent nécessiter des modifications de montage ou des mises à niveau électriques. Les réseaux de communication peuvent nécessiter des commutateurs supplémentaires, des connexions par fibre ou des dispositifs de cybersécurité.

Les logiciels peuvent être facturés par abonnement. Les modèles analytiques peuvent nécessiter une assistance continue. Les capteurs doivent être étalonnés, remplacés ou inspectés.

Les usines doivent calculer le coût du cycle de vie plutôt que le prix d’achat. Un projet pilote peu coûteux peut devenir un programme onéreux lorsqu’il est déployé sur des centaines d’actifs.

L’analyse financière doit également reposer sur des économies réalistes. Les arrêts évités ne doivent pas être calculés en utilisant la valeur maximale de la production pour chaque défaillance possible.

Certaines défaillances surviennent déjà pendant les arrêts planifiés. D’autres ne concernent que des équipements redondants. Certaines alertes donnent lieu à des inspections sans qu’une défaillance importante soit détectée.

Une analyse de rentabilité crédible tient compte de ces limites.

Figure 5. La maintenance prédictive peut générer des retours importants, mais les coûts initiaux et récurrents doivent être adaptés aux risques liés aux actifs de l’usine.

Tous les actifs ne méritent pas une surveillance continue

La maintenance prédictive devrait se concentrer sur les actifs pour lesquels la détection précoce des défaillances génère une valeur significative.

Un petit ventilateur peu coûteux peut avoir un faible coût de remplacement. Une unité de secours peut être installée. Sa défaillance peut ne pas affecter la sécurité, la qualité ou la production.

L’installation de capteurs permanents, de matériel de communication et de logiciels d’analyse sur ce ventilateur peut coûter plus cher que son remplacement après une panne.

En revanche, un ventilateur à tirage induit desservant une chaudière critique peut justifier une surveillance continue. Sa défaillance pourrait arrêter la production et engendrer des coûts de redémarrage importants.

La criticité des actifs doit donc guider les investissements. La criticité prend en compte l’impact sur la production, les conséquences en matière de sécurité, le risque environnemental, la durée de réparation, la disponibilité des pièces de rechange et les dommages secondaires.

Le site doit également examiner la fréquence des défaillances. Un actif critique qui tombe rarement en panne peut néanmoins justifier une protection. Toutefois, la méthode de détection attendue doit être techniquement crédible.

Pour certains actifs, une inspection périodique basée sur des tournées est préférable. Un technicien peut relever chaque mois les vibrations de nombreuses machines. Cette approche peut fournir une alerte suffisante à moindre coût.

D’autres actifs peuvent utiliser des déclencheurs élémentaires fondés sur l’état. Une limite de pression différentielle peut indiquer le colmatage d’un filtre. Une tendance du courant moteur peut révéler une augmentation de la demande mécanique.

La maintenance prédictive constitue une option dans le cadre d’une stratégie de fiabilité plus large. Elle ne doit pas remplacer toutes les tâches préventives ou conditionnelles.

Une bonne stratégie de gestion des actifs peut inclure le fonctionnement jusqu’à défaillance pour les équipements à faibles conséquences, le remplacement préventif des composants liés à l’âge, la surveillance de l’état pour les défaillances en développement et l’analyse prédictive pour les actifs de grande valeur.

Le juste équilibre est plus important que le nombre de capteurs connectés.

Certains modes de défaillance ne peuvent pas être prédits de manière fiable

La maintenance prédictive est plus efficace lorsque la dégradation se développe progressivement et produit des signes mesurables.

L’usure des roulements, le déséquilibre, le défaut d’alignement, la dégradation de la lubrification et la détérioration thermique créent souvent des tendances détectables. Ces conditions peuvent fournir suffisamment d’alerte pour permettre une inspection et une réparation planifiée.

D’autres défaillances surviennent soudainement. Un composant électronique peut tomber en panne sans schéma d’alerte stable. Un câble peut être endommagé lors de travaux de construction sans rapport. Un corps étranger peut pénétrer inopinément dans un système de procédé.

L’analyse prédictive ne peut pas prévoir de manière fiable chaque événement aléatoire.

Les sites doivent examiner les caractéristiques des défaillances avant de choisir une méthode de surveillance. L’intervalle potentiel avant défaillance est particulièrement important.

Cet intervalle représente le temps entre la détection d’une défaillance en développement et l’atteinte de la défaillance fonctionnelle. La fréquence de surveillance doit être inférieure à cet intervalle.

Une inspection mensuelle ne peut pas gérer une défaillance qui évolue en deux jours. Une surveillance continue peut être nécessaire. Cependant, la surveillance continue échoue également lorsque l’état ne produit aucun signe mesurable.

L’équipe doit vérifier s’il existe un paramètre détectable. Elle doit également déterminer si ce paramètre évolue suffisamment tôt pour permettre une intervention de maintenance.

Une alerte qui apparaît dix minutes avant la défaillance peut permettre une protection par arrêt automatique. Elle peut ne pas suffire à planifier la maintenance.

Les systèmes de protection et les systèmes prédictifs ont des objectifs différents. Un système de protection des machines peut déclencher l’arrêt d’un équipement en cas de vibrations dangereuses. Un système prédictif devrait détecter la détérioration avant d’atteindre le seuil de déclenchement.

Les sites qui évaluent les programmes dédiés aux équipements tournants peuvent consulter les composants de surveillance des machines disponibles lors de la comparaison des capteurs, du matériel de surveillance et de la compatibilité avec les systèmes installés.

Un site ne devrait pas promettre une couverture prédictive pour les défaillances qui ne disposent pas d’un indicateur précoce fiable. Des limites techniques claires inspirent davantage confiance que des promesses irréalistes.

La maintenance préventive existante est peut-être déjà efficace

La maintenance prédictive n’est pas automatiquement supérieure à un programme de maintenance préventive bien conçu.

Certains composants ont une durée de vie prévisible. Leur remplacement est peu coûteux et facile à planifier. Le site les remplace peut-être déjà lors des arrêts planifiés, avec un impact minimal sur la production.

L’ajout de capteurs et d’analyses peut apporter peu de valeur supplémentaire.

La maintenance préventive peut également répondre à des exigences réglementaires, de sécurité ou d’assurance. Un modèle prédictif peut ne pas supprimer l’obligation d’effectuer des inspections périodiques ou des essais de bon fonctionnement.

Les systèmes instrumentés de sécurité en sont un exemple clair. Les données de diagnostic peuvent orienter les décisions de maintenance, mais les intervalles d’essai obligatoires peuvent toujours s’appliquer.

La maintenance conditionnelle peut également être suffisante. Les opérateurs inspectent peut-être déjà les fuites, la pression, le bruit, la température ou la qualité du produit lors des interventions courantes.

Le site devrait comparer les stratégies selon leur coût, leur risque et leur efficacité technique. Il ne devrait pas changer de stratégie simplement parce que la maintenance prédictive semble plus avancée.

Un programme de maintenance préventive réussi offre un autre avantage. Il crée des dossiers de maintenance structurés. Ces dossiers pourront ensuite servir à l’analyse prédictive.

La bonne décision peut consister à améliorer d’abord le programme existant. Les tâches peuvent être examinées pour en évaluer l’efficacité. Les codes de défaillance peuvent être standardisés. Les résultats des inspections peuvent être enregistrés électroniquement.

Ces améliorations peuvent réduire les défaillances sans investissement technologique majeur. Elles créent également une base plus solide pour les analyses futures.

Un site devrait conserver sa stratégie actuelle jusqu’à ce que le remplacement proposé démontre un avantage mesurable.

Les organisations ont besoin de données historiques fiables

Les modèles prédictifs apprennent à partir de l’historique de fonctionnement. Ils ont besoin d’exemples de comportement normal, de variations de charge, d’interventions de maintenance et de défaillances en cours de développement.

Les sites qui s’appuient principalement sur la maintenance réactive disposent souvent de dossiers incomplets. Un ordre de travail peut simplement indiquer qu’une pompe a été réparée. Il peut ne pas préciser quel roulement a été défaillant, les symptômes de fonctionnement, la cause fondamentale ni les composants remplacés.

De tels enregistrements ne permettent pas d’entraîner ni de valider un modèle de manière fiable.

Les problèmes de qualité des données peuvent inclure des horodatages manquants, des noms d’actifs incohérents, des enregistrements d’équipements en double et des descriptions vagues des défaillances.

Les données des capteurs peuvent également être incomplètes. Des équipements ont peut-être fonctionné pendant des années sans enregistrement des tendances de vibration ou de température.

Lorsque les données historiques sont indisponibles, le système doit recueillir de nouvelles informations de référence. Cela prend du temps. Les modes de défaillance rares peuvent ne pas apparaître pendant la période initiale de déploiement.

Les organisations ne doivent pas confondre l’absence d’alarmes avec une prédiction réussie. Il se peut simplement que le système ne dispose pas de suffisamment d’informations pour reconnaître un comportement anormal.

Figure 6. Des données historiques exactes aident les systèmes analytiques à distinguer le fonctionnement normal des défaillances d’équipement en cours d’apparition.

La maturité de la maintenance doit précéder l’analytique avancée

Une usine qui peine à assurer un contrôle élémentaire de la maintenance peut ne pas tirer profit de la prédiction avancée.

Les signes avant-coureurs typiques comprennent un important arriéré d’urgences, des dossiers d’actifs manquants, des pénuries imprévues de pièces de rechange, des ordres de travail incomplets et des défaillances répétées sans analyse des causes profondes.

Les alertes prédictives ajoutées à cet environnement fournissent davantage d’informations, mais pas nécessairement de meilleures actions.

L’usine doit d’abord établir une hiérarchie des actifs, l’identification des équipements, la responsabilité de la maintenance et une discipline relative aux ordres de travail.

Les actifs critiques doivent disposer de nomenclatures exactes. Les pièces de rechange doivent être associées aux équipements. Les codes de défaillance doivent utiliser une terminologie cohérente.

L’achèvement des travaux de maintenance doit inclure les constatations, les pièces remplacées et les mécanismes de défaillance observés. Ces enregistrements deviennent un précieux retour d’information pour les systèmes analytiques.

L’organisation a également besoin de rigueur dans la planification. Une défaillance en cours confirmée doit être convertie en besoins de main-d’œuvre, en disponibilité des pièces, en permis et en créneau de production.

Sans ce processus, la détection précoce n’empêche pas la défaillance. Elle fournit seulement plus tôt la connaissance d’un problème qui reste non résolu.

Une organisation mature n’a pas besoin de données parfaites. Elle a besoin de pratiques reproductibles et de responsabilités clairement attribuées.

La maintenance prédictive devrait renforcer ces pratiques plutôt que les contourner.

Des conditions de production changeantes peuvent perturber le modèle

Les équipements industriels fonctionnent rarement dans une seule condition constante. La vitesse, la charge, la pression, la qualité du produit, la température et les propriétés des matériaux peuvent changer au cours de la journée.

Ces changements affectent le comportement des machines. Une pompe peut vibrer différemment à faible débit. Un ventilateur peut afficher un courant moteur plus élevé lorsque la position des registres change. Un convoyeur peut produire des signatures acoustiques différentes avec un matériau plus lourd.

Un modèle entraîné dans un état de fonctionnement donné peut générer de fausses alertes dans un autre.

Les modifications fréquentes de l’équipement créent un autre défi. L’usine peut remplacer un moteur, modifier le rapport de transmission, modifier la tuyauterie ou changer la logique de commande.

La référence précédente peut ne plus représenter le fonctionnement normal.

Les systèmes prédictifs nécessitent donc une gestion de la configuration. Toute modification de l’équipement doit déclencher un examen des références, des seuils d’alarme et des hypothèses du modèle.

Les données doivent être regroupées par condition d’exploitation lorsque cela est nécessaire. Les machines à vitesse variable peuvent nécessiter une analyse des vibrations liée à la vitesse. Les processus par lots peuvent nécessiter des modèles alignés sur les phases de production.

Une usine dont les opérations sont instables doit d’abord améliorer sa compréhension des processus. Sinon, le système analytique risque de consacrer l’essentiel de ses efforts à détecter la variabilité de la production.

Cela n’empêche pas la maintenance prédictive. Cela modifie la conception technique. Un contexte d’exploitation plus détaillé et une segmentation des modèles peuvent être nécessaires.

Les anciens systèmes de contrôle peuvent limiter l’intérêt économique

Les usines en environnement existant contiennent souvent des équipements issus de plusieurs générations de systèmes de contrôle. Une zone de production peut utiliser un API moderne basé sur Ethernet. Une autre peut dépendre d’un réseau propriétaire installé plusieurs décennies auparavant.

Les systèmes anciens peuvent rester fiables. Cependant, il peut être difficile de récupérer des données supplémentaires sur leur état.

Le contrôleur peut disposer d’une mémoire, d’une capacité de communication ou de canaux d’entrée disponibles limitées. Les modules de remplacement peuvent être obsolètes. Le logiciel d’ingénierie d’origine peut ne plus fonctionner sur les ordinateurs actuels.

Un projet de maintenance prédictive peut mettre en évidence ces risques liés au cycle de vie. Le coût d’intégration requis peut dépasser celui des capteurs de surveillance.

Les usines doivent éviter d’apporter des modifications incontrôlées aux anciens systèmes critiques. L’ajout de trafic réseau ou la modification d’un ancien code applicatif peut créer un risque pour la production.

Une conception plus sûre peut utiliser du matériel de surveillance indépendant. Celui-ci peut collecter des signaux sans modifier la logique de contrôle d’origine.

Une autre option consiste à adopter un plan de modernisation par étapes. L’usine peut d’abord stabiliser la prise en charge des équipements obsolètes, la documentation et la disponibilité des pièces de rechange.

Des fonctionnalités prédictives peuvent ensuite être ajoutées lors des mises à niveau planifiées du système de contrôle.

La décision doit tenir compte du cycle de vie de l’équipement. Installer un système de surveillance complexe sur une machine dont le remplacement est prévu peut ne pas être rentable.

Cependant, la surveillance peut rester justifiée lorsque le remplacement prendra plusieurs années et que le risque de défaillance demeure élevé.

La cybersécurité et la gouvernance des données ne peuvent pas être ajoutées ultérieurement

La maintenance prédictive nécessite souvent de déplacer les données opérationnelles au-delà de la limite initiale du système de contrôle.

Les données peuvent être transmises à un serveur sur site, à une plateforme d’entreprise, à un fournisseur de services à distance ou à un environnement cloud.

Chaque connexion crée des exigences en matière de gouvernance et de cybersécurité. Les usines doivent définir quels systèmes peuvent communiquer, quels utilisateurs peuvent accéder aux données et comment l’assistance externe est contrôlée.

Une connexion mal planifiée peut exposer les actifs industriels à des risques inutiles. Les outils d’accès à distance grand public ne doivent pas être utilisés pour les équipements critiques.

L’architecture réseau doit inclure la segmentation, la gestion des accès, l’authentification, la journalisation, la gestion des correctifs et le transfert sécurisé des données.

La plateforme analytique ne devrait pas exiger un accès de contrôle sans restriction lorsque des données en lecture seule suffisent.

La propriété des données doit également être clairement définie. Les contrats doivent préciser qui est propriétaire des données brutes des capteurs, des modèles dérivés et des conclusions de maintenance.

L’usine doit comprendre ce qui se passe lorsqu’un abonnement prend fin. Les données historiques et les modèles configurés doivent rester accessibles dans les conditions convenues.

Les revues de cybersécurité peuvent influer sur le calendrier du projet. Elles doivent commencer lors de la conception de l’architecture, et non après l’installation.

Une usine n’est pas prête lorsque le projet contourne la cybersécurité au motif que le système de surveillance est décrit comme non critique.

Les données d’état peuvent néanmoins révéler les cadences de production, l’état des actifs, les limites de fonctionnement et la disponibilité de l’usine. Ces informations peuvent être sensibles sur le plan commercial ou opérationnel.

Étude de cas : un projet de surveillance des pompes qui a généré trop d’alarmes

Prenons le cas d’une usine chimique qui a installé des capteurs de vibrations sans fil sur quarante pompes. L’objectif du projet était de réduire les défaillances des garnitures et les remplacements d’urgence des roulements.

Le tableau de bord initial générait fréquemment des alertes de vibrations élevées. Le personnel de maintenance a inspecté plusieurs pompes, mais n’a constaté aucun défaut visible.

La confiance dans le système a rapidement diminué.

Une revue détaillée a identifié plusieurs causes. Certains capteurs étaient montés sur de minces capots de moteur. Les vitesses de fonctionnement des pompes n’étaient pas enregistrées. Plusieurs unités fonctionnaient très loin de leur débit nominal.

Les limites d’alarme étaient identiques pour toutes les pompes, malgré des tailles, des fondations et des conditions de service différentes.

L’équipe du projet a changé d’approche. Les capteurs ont été remontés à des emplacements appropriés sur les roulements. La vitesse et le débit du procédé ont été ajoutés à l’ensemble de données.

Les pompes ont été regroupées selon leur conception et leur service d’exploitation. Les seuils d’alarme ont été ajustés à l’aide de mesures de référence et d’une revue technique.

L’équipe a également distingué l’instabilité hydraulique des indications liées aux roulements mécaniques.

Après ces modifications, le volume d’alarmes a diminué. Les alertes restantes sont devenues plus utiles. Une pompe a montré une augmentation des vibrations à la fréquence de roulement pendant un fonctionnement stable.

L’inspection de maintenance a confirmé la dégradation de la lubrification. Le roulement a été remplacé lors d’un changement de production planifié.

La leçon n’était pas que la surveillance sans fil avait échoué. Le projet initial manquait d’une installation adéquate des capteurs, de contexte sur les équipements et d’une validation des alarmes.

Une brève revue de préparation aurait pu identifier ces problèmes avant le déploiement complet.

Étude de cas : une ligne de conditionnement qui n’avait pas besoin de prédiction avancée

Une usine de conditionnement alimentaire a envisagé une surveillance continue de petits moteurs de convoyeurs. Ces moteurs étaient peu coûteux et disponibles en stock local.

La plupart des convoyeurs avaient une configuration mécanique simple. Les unités défaillantes pouvaient être remplacées rapidement pendant les périodes d’assainissement de routine.

La proposition initiale comprenait une surveillance du courant, des capteurs de température, des passerelles et un abonnement à un service d’analyse dans le cloud.

Une analyse de criticité a montré que la plupart des moteurs ne justifiaient pas une surveillance permanente. Les conséquences de leur défaillance étaient limitées et le délai de remplacement par une pièce de rechange était court.

L’usine a retenu une stratégie plus simple. Les opérateurs effectuaient des contrôles visuels pendant l’assainissement. Les électriciens utilisaient un appareil portatif d’inspection thermique lors de leurs tournées mensuelles.

Un petit nombre de moteurs d’entraînement critiques ont bénéficié d’une surveillance continue du courant et de la température. Ces moteurs entraînaient des équipements goulots d’étranglement dont le remplacement prenait plus de temps.

Le programme révisé a coûté moins cher et correspondait plus efficacement au niveau de risque des actifs.

La maintenance prédictive n’a pas été rejetée. Elle a été appliquée uniquement là où l’alerte précoce créait une valeur opérationnelle.

Étude de cas : données historiques sans étiquettes de défaillance fiables

Un grand site de fabrication disposait de plusieurs années de données issues de l’historien. La direction estimait que cet historique suffisait pour l’apprentissage automatique.

La base de données comprenait le courant des moteurs, les températures, la pression du procédé et les cadences de production. Cependant, les dossiers de maintenance ne contenaient pas de détails cohérents sur les défaillances.

Les ordres de travail comportaient des descriptions telles que « problème de moteur », « réparation de pompe » et « équipement vérifié ».

L’équipe analytique pouvait identifier des tendances inhabituelles. Elle ne pouvait pas déterminer quels schémas correspondaient à des défaillances précises.

L’usine a d’abord amélioré le codage de la maintenance. Les techniciens ont enregistré le composant défaillant, son état constaté, la cause et l’action corrective.

L’équipe a également examiné les rapports d’arrêts antérieurs et l’utilisation des pièces de rechange. Ce travail a permis de reconstituer plusieurs événements de défaillance confirmés.

De nouveaux modèles analytiques ont ensuite été entraînés à l’aide d’exemples vérifiés. Le projet a commencé par la détection des anomalies et l’examen technique, plutôt que par un diagnostic automatique.

Cette approche par étapes a entraîné un déploiement initial plus lent, mais des résultats plus crédibles.

Le cas montre que le volume et la qualité des données sont deux choses différentes. Des millions de valeurs enregistrées ne peuvent pas remplacer un contexte de maintenance fiable.

Une évaluation pratique de l’état de préparation à la maintenance prédictive

Avant le déploiement, l’usine devrait réaliser une évaluation structurée de son état de préparation. Cette évaluation devrait couvrir la valeur métier, l’adéquation des actifs, l’instrumentation, l’intégration des systèmes, la qualité des données, les compétences, la cybersécurité et les processus de travail.

Commencer par le problème métier. Identifier les défaillances qui ont le plus grand impact sur la production, la sécurité, la qualité ou l’environnement.

Estimer leur fréquence et leurs conséquences. Examiner la durée des réparations, les dommages secondaires et la disponibilité des pièces de rechange.

Ensuite, examiner les modes de défaillance. Déterminer si chaque défaillance génère un avertissement mesurable. Estimer l’intervalle d’alerte disponible.

Examiner l’instrumentation existante. Confirmer l’adéquation des capteurs, les points d’installation, les exigences environnementales, l’état de l’étalonnage et l’accès aux données.

Cartographiez le cheminement des données, de la machine à la plateforme d’analyse. Vérifiez les protocoles, les fréquences de mise à jour, les horodatages, les unités d’ingénierie et la capacité du réseau.

Évaluez les enregistrements historiques. Vérifiez les noms des actifs, les descriptions de maintenance, les codes de défaillance, les états d’exploitation et les données manquantes.

Évaluez les capacités organisationnelles. Identifiez les personnes qui surveilleront les alertes, valideront les constats, créeront les ordres de travail, inspecteront les équipements et mettront à jour les modèles.

Calculez le coût du cycle de vie. Incluez le matériel, l’ingénierie, l’installation, la durée des arrêts, les logiciels, la formation, l’assistance et la maintenance des capteurs.

Enfin, définissez des résultats mesurables. Évitez les objectifs généraux tels qu’« améliorer la fiabilité ». Utilisez des mesures précises, comme réduire les interventions d’urgence sur les roulements ou détecter certaines défaillances avant l’arrêt.

Utiliser un projet pilote ciblé plutôt qu’un déploiement à l’échelle de l’usine

Un projet pilote doit tester l’ensemble du flux de travail de maintenance. Il ne doit pas seulement démontrer qu’un capteur peut envoyer des données à un tableau de bord.

Sélectionnez un petit nombre d’actifs ayant un historique de défaillances connu et un impact opérationnel significatif.

Les actifs doivent présenter des modes de défaillance détectables. Le personnel de maintenance doit comprendre leur comportement en exploitation.

Le projet pilote doit inclure l’installation des capteurs, la collecte des données, l’intégration du système, l’examen des alarmes, l’inspection sur le terrain, la planification des travaux et la vérification des résultats.

Définissez la réussite avant l’installation. Les critères possibles incluent la détection d’une détérioration confirmée, la réduction des inspections inutiles, l’amélioration du délai de planification ou la prévention de dommages secondaires.

Maintenez le projet pilote suffisamment longtemps pour capturer des conditions d’exploitation représentatives. Une courte démonstration pendant une production stable peut ne pas tester le système réel.

Documentez les faux positifs et les conditions non détectées. Les deux fournissent des informations précieuses pour la conception.

Ne masquez pas les résultats infructueux. Un projet pilote qui identifie des capteurs inadaptés ou des données de faible qualité peut éviter un déploiement complet coûteux.

L’expansion doit s’appuyer sur des données probantes. Les actifs présentant des conceptions et des conditions d’exploitation similaires peuvent être ajoutés en premier.

Chaque étape d’expansion doit confirmer les effectifs, la capacité du réseau, les performances des logiciels et la capacité de réponse de la maintenance.

Construire les fondations par étapes

Une usine qui n’est pas prête aujourd’hui peut tout de même établir une feuille de route pratique.

La première étape peut améliorer les enregistrements de maintenance et la hiérarchie des actifs. L’usine peut standardiser les noms des équipements, les codes de défaillance et la clôture des ordres de travail.

La deuxième étape peut introduire une surveillance ciblée de l’état. Les techniciens peuvent recueillir périodiquement des données de vibration, thermiques ou de lubrifiant sur les actifs critiques.

La troisième étape peut intégrer les informations existantes sur les procédés et la maintenance. Les historiques, les contrôleurs et les enregistrements de la GMAO peuvent être connectés au moyen d’une architecture contrôlée.

La quatrième étape peut ajouter des analyses avancées pour certains modes de défaillance. Les modèles doivent être validés par rapport aux inspections sur le terrain et aux constats de maintenance.

La dernière étape peut automatiser certaines parties du flux de travail. Les alertes présentant un haut niveau de fiabilité peuvent générer des demandes d’inspection ou des ordres de travail recommandés.

Cette approche progressive réduit les risques techniques et financiers. Elle donne également au personnel le temps de développer ses compétences.

Plus important encore, cette approche maintient le projet directement lié aux problèmes réels de fiabilité.

Quand faut-il reporter la maintenance prédictive ?

Une usine devrait envisager de reporter la mise en œuvre lorsque la direction générale n’a pas engagé les ressources nécessaires ou désigné de responsable.

Un report peut également être approprié lorsque les modes de défaillance critiques n’ont pas été identifiés. Installer des capteurs sans stratégie de défaillance produit des résultats peu probants.

Il en va de même lorsque l’instrumentation ne peut pas recueillir des données fiables sur l’état des équipements. Les logiciels ne peuvent pas corriger des mesures physiques de mauvaise qualité.

Le déploiement doit être réévalué lorsque l’intégration des systèmes de communication et de contrôle crée des risques de production ou de cybersécurité inacceptables.

Les organisations dont les dossiers de maintenance sont de mauvaise qualité peuvent devoir améliorer la qualité des données en premier lieu. Les usines qui ne disposent pas du personnel nécessaire pour examiner les alertes et agir en conséquence s’exposent également à un risque élevé d’échec.

Les budgets limités doivent être consacrés aux actifs dont les conséquences potentielles sont les plus importantes. Une installation étendue peut apporter moins de valeur qu’un programme de fiabilité ciblé.

La maintenance prédictive peut également être inutile lorsque la maintenance préventive ou conditionnelle maîtrise déjà efficacement le risque.

Reporter le projet n’est pas un échec. C’est souvent une décision d’ingénierie responsable.

La meilleure stratégie de maintenance est celle que l’usine peut mettre en œuvre

La maintenance prédictive peut réduire les arrêts imprévus et améliorer la planification de la maintenance. Elle peut également révéler une dégradation des équipements que les inspections de routine ne détectent pas.

Ces avantages dépendent de bien plus que des algorithmes. Ils nécessitent des actifs adaptés, des capteurs correctement installés, une intégration fiable, des dossiers de qualité, du personnel compétent et des processus de travail rigoureux.

Les usines doivent éviter de considérer la maintenance prédictive comme un remplacement universel des stratégies existantes.

La maintenance corrective jusqu’à défaillance, la maintenance préventive, la maintenance conditionnelle, la surveillance de protection et l’analyse prédictive ont chacune des applications pertinentes.

Les programmes de fiabilité les plus performants utilisent ces méthodes de manière sélective. Ils adaptent la stratégie de maintenance à la criticité des actifs, à leur comportement en cas de défaillance, aux risques opérationnels et à leur valeur économique.

Une évaluation de l’état de préparation devrait donc précéder tout investissement majeur. Elle recense les capacités manquantes et définit une séquence de mise en œuvre pragmatique.

Lorsque les fondations sont solides, la maintenance prédictive peut devenir un outil opérationnel fiable. Lorsqu’elles sont fragiles, la même technologie peut générer des alertes, des coûts et de la déception.

L’objectif n’est pas de déployer le système le plus avancé. L’objectif est de détecter suffisamment tôt les problèmes importants des équipements pour prendre des mesures efficaces.