La plupart des équipes de maintenance connaissent déjà le principe. Des capteurs surveillent les équipements, un algorithme signale une anomalie et un technicien résout le problème avant qu'il ne se transforme en panne. Voilà en quelques mots ce qu'est la maintenance prédictive.
Le problème se manifeste au moment de la mise en œuvre. Un pic de vibrations est détecté un mardi, l'ordre de travail est émis le mercredi, puis le planificateur se rend compte que le roulement dont le modèle avait prédit la défaillance n'est pas en stock. Il s'agit d'une pièce dont le délai de livraison est de trois semaines chez un fournisseur étranger. La prévision était correcte et utile, mais elle n'a tout de même pas permis d'éviter l'arrêt de production.
C'est là un aspect de la maintenance prédictive qui est rarement mis en avant dans les démonstrations des fournisseurs. La qualité d'une prévision dépend entièrement de votre capacité à y donner suite, et cette capacité repose presque toujours sur la disponibilité de la bonne pièce de rechange, dans le bon site et au bon moment.
Cet article aborde la maintenance prédictive comme une stratégie globale, plutôt que comme une simple question de capteurs. Nous passerons en revue l'ensemble des stratégies de maintenance, la place qu'occupe la gestion de la performance des actifs (APM) dans ce cadre, les domaines dans lesquels l'intelligence artificielle apporte une réelle valeur ajoutée, ainsi que l'aspect dans lequel la plupart des équipes investissent insuffisamment : le lien entre les prévisions de pannes et la disponibilité des pièces de rechange.
La place de la maintenance prédictive dans le spectre stratégique
La maintenance prédictive ne remplace pas toutes les autres approches. Elle constitue une option parmi d'autres, et les programmes de fiabilité bien rodés mettent en œuvre plusieurs approches en parallèle, en fonction de l'actif concerné.
D'un côté, on trouve la maintenance réactive, qui consiste à faire fonctionner les équipements jusqu'à ce qu'ils tombent en panne. Elle est peu coûteuse à planifier mais onéreuse en cas de panne ; elle reste toutefois pertinente pour les actifs de faible criticité et facilement remplaçables.
La maintenance préventive repose sur un calendrier fixe. Vous effectuez l'entretien de la pompe tous les 90 jours, qu'elle en ait besoin ou non. Cette approche est prévisible et facile à planifier, mais elle entraîne un gaspillage d'efforts sur des équipements en bon état et ne permet pas de détecter les pannes qui ne suivent pas un calendrier préétabli. Si vous souhaitez une comparaison plus approfondie de ces deux approches, consultez notre analyse de maintenance préventive vs maintenance prédictive aborde en détail les compromis à faire.
Réparer quand ça tombe en panne
Aucune charge administrative liée à la planification. Coût élevé en cas de défaillance. Convient aux actifs non critiques et à faible impact.
- Aucune exigence en matière de capteurs ou de données
- Durée et coût imprévisibles des réparations
- Acceptable uniquement lorsque la défaillance est tolérable
Service selon un horaire défini
Intervalles fixes en termes de temps ou d’utilisation. Prévisibles et planifiables, mais ils permettent uniquement d’intervenir sur les équipements en bon état et ne permettent pas de détecter les pannes hors cycle.
- Facile à planifier et à organiser
- Gaspille ses efforts sur du matériel en bon état
- Fiable pour les équipements présentant des schémas d'usure connus
Intervenir sous certaines conditions
Données réelles sur l'état des équipements et modélisation des défaillances. Précision optimale, gaspillage minimal, mais nécessite des données fiables et la disponibilité des pièces de rechange.
- Pas d'intervention inutile sur des actifs en bon état
- Nécessite une bonne couverture des capteurs et des données de qualité
- Idéal pour les actifs critiques et à fort impact
La maintenance prédictive s'appuie sur l'état réel de l'équipement pour déterminer le moment où il convient d'intervenir. Plutôt que de se fier à un calendrier, on analyse les vibrations, la température, la qualité de l'huile et d'autres signaux afin de détecter précocement toute dégradation. Lorsqu'elle est bien menée, cette approche permet d'effectuer l'entretien de l'équipement juste avant qu'une panne ne survienne, plutôt qu'à une date arbitraire.
Ce qu’il faut retenir, c’est que le choix de la bonne stratégie pour chaque équipement relève en soi d’une discipline. Cette décision s’inscrit généralement dans un cadre plus large de maintenance axée sur la fiabilité, qui vous oblige à vous demander quelle est la fonction de chaque équipement, comment il peut tomber en panne et quel est le coût réel de cette panne avant de lui attribuer une approche de maintenance.
Utiliser l'équipement jusqu'à ce qu'il tombe en panne, puis le réparer. Faible charge de travail liée à la planification, coût élevé en cas de panne. Cette approche n'est raisonnable que pour les équipements non critiques, peu coûteux et facilement remplaçables, dont une panne n'a aucune conséquence sur la sécurité ou la production.
Entretien à intervalle fixe (en temps ou en utilisation). Prévisible et facile à planifier, mais il entraîne un entretien inutile des équipements en bon état et ne permet pas de détecter les pannes qui ne suivent pas le calendrier prévu. Une option par défaut judicieuse pour les équipements de criticité moyenne dont les schémas d’usure sont bien connus.
Intervenir en s'appuyant sur des données réelles relatives à l'état des équipements et sur la modélisation des défaillances. Cette approche offre une précision optimale et minimise le gaspillage d'efforts, mais elle nécessite une couverture suffisante des capteurs, des données de qualité et, surtout, la disponibilité des pièces de rechange. Elle est particulièrement indiquée pour les actifs critiques et à fort impact, pour lesquels les temps d'arrêt sont coûteux.
Comment l'APM fait le lien entre la prévision et l'action
La gestion de la performance des actifs (APM) est la couche qui transforme les données d'état en décisions. Lorsqu'un capteur signale qu'un roulement surchauffe, l'APM rassemble les données de surveillance d'état, l'historique des défaillances, le niveau de criticité et les dossiers de maintenance afin de vous offrir une vue d'ensemble complète de l'état des actifs dans l'ensemble de l'usine.
Si l'APM revêt une importance particulière pour la maintenance prédictive, c'est parce qu'une prédiction en soi n'est qu'un simple signal. C'est l'APM qui donne un contexte à ce signal. Elle répond aux questions qui déterminent si la prédiction débouchera sur un résultat positif ou sur une situation d'urgence. Quelle est l'importance de cet équipement pour la production ? Quel est le mode de défaillance probable ? Quelles pièces cette défaillance nécessite-t-elle ? Les avons-nous, et où se trouvent-elles ?
C'est sur cette dernière série de questions que la plupart des implémentations APM échouent discrètement. Elles excellent dans la détection et le diagnostic, mais peinent à relier ce diagnostic à l'inventaire physique nécessaire pour y donner suite. Un modèle peut vous indiquer avec un haut degré de certitude qu’une boîte de vitesses va tomber en panne dans deux semaines, mais si personne n’a associé cette boîte de vitesses à sa nomenclature et vérifié les stocks dans l’ensemble des usines, cette prédiction ne change en rien la suite des événements.
Une gestion de la performance des actifs (APM) efficace permet de boucler la boucle. Elle rassemble dans une vue unique l’actif, ses modes de défaillance, ses pièces de rechange et l’état de ses stocks, de sorte qu’une prévision s’affiche automatiquement pour vous indiquer si vous êtes prêt à intervenir. C’est précisément là que l’intelligence des actifs et celle des pièces de rechange doivent fonctionner comme un seul et même système, plutôt que comme deux outils déconnectés l’un de l’autre.
Détecter et diagnostiquer
L'APM collecte les données d'état provenant de capteurs de vibrations, thermiques et IIoT afin de détecter précocement toute dégradation et de caractériser le mode de défaillance probable. C'est la partie de l'APM que la plupart des outils maîtrisent bien.
Se préparer et réagir
La partie la plus délicate. L'APM doit associer chaque panne prévue aux pièces de rechange nécessaires et à l'état actuel des stocks, afin qu'un avertissement déclenche une vérification de l'état de préparation, et non une recherche de dernière minute dans les entrepôts.
Les domaines où l'IA trouve véritablement sa place
L'IA est désormais associée à presque tous les produits de maintenance, ce qui justifie de préciser clairement dans quels cas elle apporte une réelle amélioration et dans quels cas elle n'est qu'un simple gadget.
En réalité, l’IA apporte une valeur ajoutée à trois niveaux dans un processus de maintenance prédictive. Le premier est la détection d’anomalies à grande échelle. Un être humain peut surveiller une poignée d’équipements critiques. Un modèle, quant à lui, peut analyser des milliers de flux de données provenant de capteurs et repérer les schémas subtils impliquant plusieurs variables qui précèdent une défaillance, ceux-là mêmes qui ne déclenchent pas une simple alarme de seuil.
Le deuxième aspect concerne la classification des modes de défaillance. Il ne suffit pas de savoir qu’il y a un problème. Il faut savoir de quel type de problème il s’agit, car le mode de défaillance détermine les pièces à remplacer et la réparation à effectuer. Un modèle entraîné sur des données de défaillances industrielles peut passer de « cet équipement se détériore » à « cela ressemble à une défaillance spécifique du roulement qui nécessitera ces pièces », ce qui constitue un résultat bien plus exploitable.
Le troisième élément, et le plus sous-estimé, est la génération de signaux de demande pour les pièces de rechange. Lorsqu’un modèle prédit une panne, cette prédiction constitue également un signal de demande. Elle indique qu’une pièce spécifique sera probablement consommée prochainement. En intégrant suffisamment de ces signaux dans la planification des stocks, on passe d’une prévision des pièces de rechange basée sur des moyennes historiques à une prévision fondée sur les pannes réelles prévues. Il s’agit là d’un gain de précision significatif, qui n’est possible que lorsque le moteur de prédiction et le moteur de gestion des stocks communiquent entre eux.
Deux réserves permettent de garder les pieds sur terre. Les prédictions de l’IA sont probabilistes, et non certaines ; il reste donc essentiel qu’un être humain intervienne pour examiner les décisions aux conséquences importantes. Et chacune de ces capacités dépend de la qualité des données sur lesquelles elle repose. Un modèle s'appuyant sur des fiches de pièces détachées en double, mal classées ou incomplètes produira des réponses sûres mais erronées, ce qui est pire que de ne pas avoir de réponse du tout.
Le problème des pièces de rechange dont personne ne veut s'occuper
C'est là que se joue, dans la pratique, le succès ou l'échec des stratégies de maintenance prédictive. Vous pouvez disposer de capteurs parfaits, d'un modèle bien calibré et d'une plateforme APM aboutie, et pourtant échouer au niveau du magasin.
Voici à quoi ressemble ce type de problème. La prévision se déclenche correctement. L'ordre de travail est créé. Puis quelqu'un se rend compte que la pièce n'est pas en stock, ou qu'elle se trouve dans un entrepôt d'une autre usine située à trois cents miles de là, ou encore que la fiche de la pièce est si mal tenue que personne ne peut confirmer si les deux références, d'apparence similaire, correspondent bien au même composant.
Trois problèmes sous-jacents sont à l'origine de cette situation, et aucun d'entre eux ne peut être résolu par de meilleurs capteurs.
Le premier facteur concerne le niveau de criticité des pièces détachées. Les équipes partent souvent du principe que toute pièce rattachée à un équipement critique est elle-même critique, ce qui est tout simplement faux. Seules certaines pièces d’un équipement critique sont critiques, tandis que certaines pièces d’équipements non critiques revêtent une importance plus grande que prévu. Se tromper sur ce point conduit à surstocker les mauvaises pièces et à manquer des bonnes. Une bonne évaluation de la criticité des actifs doit s'étendre jusqu'au niveau des pièces, et ne pas s'arrêter au niveau des actifs.
Le deuxième aspect concerne la qualité des données. La maintenance prédictive repose sur des données fiables concernant les pièces de rechange, or celles-ci sont, dans le secteur industriel, notoirement désorganisées. On y trouve des doublons, des descriptions incohérentes, des spécifications manquantes, ainsi qu’un manque de lien fiable entre les pièces et les actifs auxquels elles appartiennent. Si ce lien entre la pièce et l’actif n’existe pas, une prédiction de panne ne peut pas vous indiquer automatiquement quelle pièce retirer du stock.
Le troisième élément est le positionnement des stocks. Même si les données sont fiables et que le niveau de criticité est correctement défini, la pièce doit se trouver au bon endroit. Une pièce de rechange critique stockée dans la mauvaise usine équivaut, dans les faits, à une rupture de stock. C'est pourquoi gestion des pièces de rechange nécessite une vue globale de l'ensemble des usines plutôt qu'une vue par site ; ainsi, une défaillance prévue peut déclencher un transfert entre usines avant que la situation ne devienne une commande d'urgence.
Le coût réel d'une erreur dans ce domaine
Plus de la moitié des temps d'arrêt des machines sont liés à l'indisponibilité des pièces de rechange ou au fait que les techniciens ne disposent pas du nécessaire pour effectuer une réparation. Parallèlement, environ un quart des stocks de maintenance constitue des stocks morts, c'est-à-dire des articles obsolètes qui occupent de l'espace dans les entrepôts et mobilisent le fonds de roulement pendant des années. Ces deux problèmes ont la même cause profonde : des décisions relatives aux pièces de rechange qui ne tiennent pas compte des données réelles sur les actifs et les pannes.
Boucler la boucle avec MRO360
C'est précisément cette lacune que MRO360 a été conçu pour combler. Il aborde la maintenance prédictive non pas comme un simple problème de détection, mais comme un processus de bout en bout, depuis le signal de défaillance jusqu'à la pièce adéquate sur la bonne étagère. Ce lien entre la prédiction et l'action, qui fait défaut à la plupart des solutions, constitue justement l'essence même du produit.
Tout commence par l’évaluation de la criticité au niveau des pièces, et non pas uniquement au niveau des actifs. MRO360 utilise un système de notation à variables multiples qui prend en compte les modes de défaillance, l’impact sur la production, les délais de livraison des fournisseurs, la substituabilité et les conséquences en matière de sécurité afin d’attribuer à chaque pièce une note comprise entre 1 et 10, accompagnée d’une justification écrite pour chaque note. Un expert en la matière peut modifier n'importe quelle note, et cette correction est prise en compte et déployée dans toutes les usines ; ainsi, une décision prise sur un site améliore la précision partout.
Il associe automatiquement les pièces aux actifs. En lisant la nomenclature des actifs issue de votre ERP, MRO360 établit les liens entre les pièces et les actifs qui rendent une prévision exploitable. Lorsqu’une défaillance est prévue sur un actif spécifique, le système sait déjà quelles pièces seront nécessaires pour y remédier, car ce lien existe déjà et n’a pas besoin d’être établi au moment même.
Il intègre ces prévisions dans les prévisions de la demande. Le module de maintenance prédictive utilise les données des capteurs de l'IIoT comme une couche d'intelligence supplémentaire, afin d'identifier les équipements susceptibles de tomber en panne, d'en déterminer les causes et de déterminer les pièces qui seront nécessaires pour réparer ces pannes. Ces informations sont directement intégrées dans les prévisions de la demande ; ainsi, une panne anticipée se transforme en un besoin de stock planifié, plutôt qu'en un pic imprévu.
De plus, il gère de manière dynamique les points de réapprovisionnement et le positionnement. MRO360 calcule les seuils de réapprovisionnement en fonction de la consommation quotidienne moyenne, des délais d’approvisionnement et du stock de sécurité, et recommande un stock tampon important pour les pièces critiques et modéré pour les pièces non critiques. Lorsqu’une pièce critique passe en dessous du seuil sur un site quelconque, le système signale la pénurie et suggère soit une demande d’achat, soit un transfert inter-sites avant que la pénurie n’entraîne un arrêt de production.
Système de notation à variables multiples portant sur les modes de défaillance, les délais de livraison, la substituabilité et la sécurité, avec une intervention manuelle permettant d'entraîner le système usine par usine.
Il extrait les nomenclatures des actifs du progiciel de gestion intégré (ERP) afin de relier chaque pièce à son équipement ; ainsi, lorsqu'une défaillance est prévue, le système identifie immédiatement les pièces nécessaires.
Il transforme les prévisions de pannes issues de l'IIoT en besoins prévisionnels de stock et répartit les stocks entre les différentes usines afin que la pièce adéquate soit disponible là où la réparation doit être effectuée.
Découvrez comment MRO360 relie les prévisions de pannes à la disponibilité des pièces de rechange dans chaque usine, afin de prévenir les temps d'arrêt plutôt que de se contenter de les prévoir.
Reconnu par les entreprises du classement Fortune 500 et Global 2000
Une démarche pratique pour débuter
Une maintenance prédictive bien menée est un processus graduel, et non pas un simple bouton sur lequel on appuie. Les équipes qui tentent de tout mettre en place d'un seul coup ont tendance à s'enliser sous le poids de données de mauvaise qualité et de priorités floues. Une approche plus fiable consiste à poser d'abord les bases.
Commencez par mettre de l'ordre dans les données et définir les niveaux de criticité. Avant d'ajouter le moindre capteur, assurez-vous que les registres des pièces de rechange soient à jour et attribuez un niveau de criticité à chaque pièce. Ce travail n'a rien de prestigieux, mais c'est celui qui aura le plus d'impact, car tout ce qui vient en aval repose sur ces bases. Si celles-ci sont erronées, même les meilleurs capteurs ne feront que fournir plus rapidement des réponses erronées.
Établissez ensuite les liens entre les pièces et les actifs. Assurez-vous que chaque actif soit associé à sa nomenclature et que chaque mode de défaillance corresponde aux pièces qu'il utilise. C'est ce qui permet de transformer automatiquement une prévision en une action au niveau des stocks, plutôt que de devoir mener une enquête manuelle.
Ensuite, mettez progressivement en place un système de surveillance de l’état de vos actifs les plus critiques. Il n’est pas nécessaire d’équiper l’ensemble de l’usine dès le premier jour. Concentrez vos investissements en capteurs là où une défaillance serait la plus coûteuse et où vous avez déjà mené les analyses de criticité nécessaires pour le savoir.
Enfin, reliez les prévisions à la planification des stocks. Intégrez les signaux de défaillance dans les prévisions de la demande et la logique de réapprovisionnement, de sorte qu’une prévision influence la composition et l’emplacement de vos stocks. C’est cette étape qui permet de transformer la maintenance prédictive, qui n’est au départ qu’un tableau de bord intéressant, en une réduction des ruptures de stock et des stocks morts. Pour mieux comprendre comment cela s’inscrit dans un programme de gestion des actifs, consultez notre présentation générale de Gestion des stocks MRO est un ouvrage complémentaire utile.
Dédupliquer et enrichir les fiches de pièces détachées, puis évaluer leur niveau de criticité au niveau de chaque pièce. C'est la base sur laquelle repose tout le reste.
Associez chaque équipement à sa nomenclature et mettez en correspondance les modes de défaillance avec les composants qu'ils utilisent, afin que les prévisions deviennent exploitables.
Mettez en place une surveillance conditionnelle là où les défaillances sont les plus coûteuses, en vous appuyant sur les travaux déjà réalisés concernant la criticité.
Intégrez ces prévisions dans vos modèles de prévision de la demande et dans votre logique de réapprovisionnement afin que les pannes anticipées influencent le choix des produits à stocker et leur emplacement.
À retenir
La maintenance prédictive est souvent présentée comme une simple question de capteurs et d’algorithmes, et c’est précisément dans cette optique que de nombreux programmes affichent discrètement des performances insuffisantes. La technologie de détection est arrivée à maturité et se banalise de plus en plus. Ce qui fait la différence, c’est ce qui se passe une fois que la prédiction se déclenche.
Une prévision de panne n'a de valeur que si l'on peut agir en conséquence, et agir en conséquence signifie presque toujours disposer de la bonne pièce de rechange, correctement identifiée, au bon endroit et au bon moment. Il s'agit bien davantage d'un problème lié aux données et aux pièces de rechange que d'un problème lié aux capteurs.
Les équipes qui tirent le meilleur parti de la maintenance prédictive sont celles qui considèrent les prévisions et les pièces comme un système unique et interconnecté. Assurez la qualité des données, évaluez correctement le niveau de criticité de chaque pièce, associez les pièces aux actifs et intégrez les prévisions dans la planification des stocks. En procédant ainsi, la maintenance prédictive cesse d’être un simple tableau de bord qui vous indique ce qui est sur le point de tomber en panne pour devenir une capacité opérationnelle qui veille discrètement à ce que la panne ne se transforme jamais en temps d’arrêt.
FAQ sur la maintenance prédictive
Questions fréquentes sur la stratégie de maintenance prédictive, son lien avec l'APM et les pièces de rechange, et les domaines dans lesquels l'IA apporte une réelle aide.
Quelle est la différence entre la maintenance prédictive et la maintenance préventive ?
La maintenance préventive suit un calendrier fixe : elle consiste à entretenir un équipement à des intervalles de temps ou d’utilisation prédéfinis, quel que soit son état réel. La maintenance prédictive s’appuie sur des données réelles relatives à l’état de l’équipement, telles que les vibrations et la température, ainsi que sur la modélisation des défaillances, afin d’intervenir uniquement lorsque l’équipement présente une dégradation effective. La maintenance prédictive est plus précise et permet d’éviter les efforts inutiles, mais elle nécessite un réseau de capteurs, des données fiables et la disponibilité des pièces de rechange pour fonctionner.
Quel est le lien entre la gestion de la performance des actifs et la maintenance prédictive ?
L'APM est la couche qui transforme les signaux d'état en décisions. Un simple capteur vous indique qu'un équipement surchauffe, tandis que l'APM rassemble les données de surveillance de l'état, l'historique des pannes, le niveau de criticité et les informations sur les pièces de rechange afin de fournir un aperçu complet de l'état de santé de l'équipement. Un APM performant relie la prédiction aux pièces et aux stocks nécessaires pour y donner suite, au lieu de se limiter à la simple détection.
Pourquoi les pièces de rechange sont-elles si importantes pour la maintenance prédictive ?
Une prévision ne permet d’éviter les temps d’arrêt que si la pièce nécessaire est disponible. De nombreux programmes prédisent correctement une panne, pour ensuite constater que la pièce est en rupture de stock ou se trouve dans une autre usine. C’est en associant les prévisions de panne à la criticité des pièces, à des données fiables sur le lien entre les pièces et les actifs, ainsi qu’à la localisation des stocks dans plusieurs usines, qu’une prévision permet d’éviter une panne.
Dans quels domaines l'IA apporte-t-elle véritablement une valeur ajoutée en matière de maintenance prédictive ?
À trois niveaux principaux. Détecter les anomalies parmi des milliers de flux de données provenant de capteurs que les alarmes à seuil ne repèrent pas, classer le type de défaillance afin de déterminer quelles pièces sont nécessaires, et générer des signaux de demande de pièces de rechange en considérant chaque défaillance prévue comme un besoin d’approvisionnement anticipé. Ces trois aspects reposent sur des données sous-jacentes fiables, et les prévisions ayant des conséquences importantes justifient toujours une vérification humaine.
Toutes les pièces de rechange d'un équipement critique sont-elles elles aussi critiques ?
Non, et partir de ce principe est une erreur courante et coûteuse. Seules certaines pièces d’un équipement critique sont elles-mêmes critiques, tandis que certaines pièces d’équipements non critiques revêtent une importance plus grande que prévu. La criticité doit être évaluée au niveau de chaque pièce, en tenant compte du mode de défaillance, du délai de livraison, de la substituabilité et des conséquences en matière de sécurité, afin de stocker les bons articles plutôt que de surstocker les mauvais.
Verdantis est fière d'être le partenaire de confiance d'organisations de premier plan à travers le monde.
Des entreprises du classement Fortune 500 aux pionniers de leur secteur, nos clients font confiance à nos solutions MDM
