La maintenance prédictive n'est pas seulement un problème d'IA

La maintenance prédictive consiste à utiliser les données nouvelles et historiques des machines pour comprendre et anticiper les problèmes de performance avant qu'ils ne se produisent. En utilisant des techniques sophistiquées d 'apprentissage automatique et d'IA pour analyser les données générées dans l'usine moderne, l'analyse prédictive peut réduire les temps d'arrêt, optimiser les performances des actifs et augmenter la durée de vie des machines.

Les promesses faites au nom de la maintenance prédictive (PdM) sont grandes. Des augmentations à deux chiffres de l'utilisation des actifs. Des machines intelligentes qui signalent les problèmes de performance avant qu'ils ne se produisent. Des hausses considérables de l'OEE, du TEEP et de l'OPE.

Pour la plupart, ce monde est encore loin. Et plus important encore, ce n'est pas quelque chose que les bons algorithmes prédictifs peuvent résoudre seuls.

Cet article va replacer la maintenance prédictive dans son contexte. J'expliquerai pourquoi la PdM n'est pas seulement un problème d'IA, et je présenterai des étapes claires que vous pouvez suivre pour tirer le meilleur parti de votre programme de surveillance des machines.

La plupart des programmes de maintenance actuels dans le secteur de la fabrication sont préventifs. La maintenance préventive (MP) intervient à intervalles réguliers, ou lorsque les machines dépassent les seuils de production prescrits.

La maintenance préventive est importante pour garantir la santé des actifs, mais c'est un instrument contondant. La maintenance préventive ne tient pas compte des conditions de fonctionnement d'une machine, de l'usure différentielle des différentes pièces de la machine ou d'autres facteurs susceptibles de prédire une défaillance. Il en résulte souvent des programmes de maintenance plus ou moins fréquents que nécessaire. (L'exemple classique est la vidange de l'huile de votre voiture tous les 3000 miles, indépendamment de ses performances).

La maintenance prédictive, en revanche, utilise les données générées par une machine particulière pour créer une image plus granulaire des cycles de vie des pièces et des actifs. En théorie, la maintenance prédictive élimine les incertitudes liées à la programmation de la maintenance. En offrant une visibilité sur la façon dont une machine donnée va se dégrader, la PdM permet aux fabricants de gérer la maintenance plus efficacement.

Le succès de tout effort de maintenance prédictive dépend de la qualité et de la quantité des données disponibles dans un ensemble de formation.

En d'autres termes, il faut 1.) des données suffisantes pour créer un échantillon représentatif des performances de la machine dans le temps et 2.) des données qui reflètent précisément les performances et l'utilisation de la machine dans les conditions locales.

Afin d'expliquer pourquoi il est important de disposer de suffisamment de données et de bonnes données, je vais m'attarder sur chacune d'elles. La quantité d'abord.

C'est un mythe de croire qu'il faut des pétaoctets et des pétaoctets de données machine pour réussir à former des algorithmes prédictifs. C'est également un mythe que d'avoir plus de données est mieux. Je suis sûr que beaucoup d'entre vous ont déjà entendu l'expression "garbage in, garbage out" pour décrire comment un mauvais ensemble de formation conduit à des résultats sous-optimaux.

Ce dont vous avez besoin pour le PdM, c'est d'un nombre suffisant de données pour fournir un échantillon représentatif des performances de la machine afin de rendre compte de son utilisation dans une opération particulière.

Selon un professeur d'ingénierie industrielle, la création d'un échantillon représentatif n'est pas une tâche facile. "Lorsqu'il y a des milliers de variables, vous avez généralement besoin de données pour des centaines de milliers, voire des millions de pièces, afin de trouver des associations statistiques significatives entre les problèmes et les causes profondes."

Cela est particulièrement vrai lorsque l'on tient compte de ces mots qualificatifs - "utilisation dans une opération particulière".

Voici pourquoi : Les cycles de vie des machines se déroulent sur des années, voire des décennies. Pour collecter un ensemble de données représentatif, il faut donc observer une machine pendant qu'elle fonctionne sur une longue période. Comme l'a noté un groupe de big data à propos de PdM, "la durée de vie des machines est généralement de l'ordre de plusieurs années, ce qui signifie que les données doivent être collectées pendant une longue période afin d'observer le système tout au long de son processus de dégradation."

Ce problème de quantité est aggravé par le fait que de nombreux fabricants ne disposent pas de données historiques adéquates. Il peut y avoir des informations sur les temps de fonctionnement et d'arrêt, les pièces produites et les journaux de maintenance. Mais il faut partir du principe que ces informations sont exactes et qu'elles ne sont probablement pas assez fines pour fournir des informations réellement prédictives.

De nombreux fabricants ont essayé de surmonter ce manque de données en entraînant leurs algorithmes prédictifs sur des ensembles de données accessibles au public. Alors que la plupart des entreprises privées gardent farouchement leurs données de production, il existe un échange animé de sources scientifiques et du domaine public, et une recherche rapide sur Google permet d'en trouver beaucoup sur Github.

Mais même ces sources ne suffisent pas à faire passer les fabricants de la gestion du personnel à la gestion de la production, car elles ne reflètent pas la réalité de la production sur le terrain. Quelle que soit la taille de l'ensemble de données, elles manquent de validité écologique.

Un ingénieur a bien décrit ce dilemme lorsqu'il a écrit : "La plupart du temps, il est difficile (voire impossible) d'obtenir des enregistrements de défaillance des machines car elles ne sont pas autorisées à fonctionner jusqu'à la défaillance dans des conditions réelles. En plus de cela, nous devons travailler avec beaucoup de bruit provenant des activités de maintenance régulières et des imputations imprécises des OT de maintenance ... la vraie vie est dure".

Ce qui m'amène au point suivant. Non seulement vous avez besoin de suffisamment de données, mais vous avez besoin du bon type de données.

Peut-être qu'une autre façon de décrire la qualité des données dans le contexte du PdM est suffisante pour déduire la causalité.

En d'autres termes, les données de qualité sont des données qui permettent aux fabricants d'aller au-delà de l'obscurité de la corrélation pour trouver la cause profonde des défaillances des machines.

Cela est plus facile à dire qu'à faire, car une multitude de facteurs de production influencent la rapidité avec laquelle une pièce ou une machine atteindra une fenêtre de défaillance. La vitesse de la broche, le nombre d'heures de fonctionnement, la température, les vibrations, l'humidité, l'utilisation - ce ne sont là que quelques-uns des paramètres qui interagissent de manière unique et qui, dans l'ensemble, ont un impact variable sur la durée de vie de la machine.

Comme l'a souligné un auteur, "la santé d'une pièce d'équipement complexe ne peut être jugée de manière fiable sur la base de l'analyse de chaque mesure prise isolément. Il faut plutôt considérer une combinaison des différentes mesures pour obtenir une véritable indication de la situation."

La bonne nouvelle, c'est que les progrès de la technologie des capteurs et de l'informatique de périphérie ont permis de suivre une variété plus grande que jamais de mesures de performance. La mauvaise nouvelle est que même les machines les mieux connectées ne tiennent pas toujours compte des causes les plus importantes de leur dégradation.

Selon des recherches récentes, 20 à 50 % des erreurs de fabrication sont dues à l'erreur humaine, certaines estimations allant jusqu'à 70 %.

En termes de maintenance prédictive, cela signifie qu'il est tout aussi important, voire plus, de comprendre comment les machines sont utilisées que de comprendre comment elles fonctionnent. Pour que le PdM fonctionne aussi efficacement que possible, il faut savoir comment les machines sont utilisées au quotidien, si elles sont réglées correctement, si les changements sont effectués correctement et si la maintenance est effectuée correctement.

En d'autres termes, vous devez adopter une approche de la surveillance des machines centrée sur l'homme.

Même si vous ne pouvez pas mettre en place un programme complet de gestion du cycle de vie des machines, vous pouvez commencer à créer de la valeur presque immédiatement en prenant des mesures en faveur d'un programme de surveillance des machines centré sur l'homme. De petits pas peuvent permettre de faire des bonds en avant considérables.

Voici des mesures concrètes que vous pouvez prendre pour commencer.

1.) Mettez votre usine en ligne dès que possible. Comme je l'ai expliqué ici, les données locales et robustes sont la pierre angulaire du PdM. Plus tôt vous commencerez à collecter des données sur les machines avec l'IoT, plus tôt vous pourrez exploiter ces données à votre avantage concurrentiel.

Contrairement aux idées reçues, se lancer dans l'IdO n'est pas forcément coûteux et ne concerne pas forcément l'ensemble de votre activité. Il existe des moyens simples de mettre en ligne les anciennes machines, et la baisse des prix des capteurs permet de commencer à surveiller les conditions ambiantes sans avoir à débourser des sommes considérables.

2.) Pensez au cloud. Les quantités de données requises pour former et exécuter des algorithmes prédictifs peuvent mettre à rude épreuve les serveurs et les ressources informatiques. Le cloud computing pour l'industrie manufacturière est une option de plus en plus abordable, sécurisée et évolutive pour répondre aux besoins de stockage et de calcul de l'analyse prédictive sans avoir à investir dans une infrastructure sur site ou à en assurer la maintenance.

3.) Comprendre ce que l'on peut attendre des algorithmes ML. Il est utile de savoir ce que les algorithmes d'apprentissage automatique peuvent prédire pour déterminer les priorités des départements, des machines ou des processus à mettre en ligne en premier.

Parmi les domaines de prédiction les plus courants, citons : le calcul de la durée de vie de la machine avant défaillance ; l'identification d'une fenêtre dans laquelle une défaillance est susceptible de se produire ; l'identification des types de défaillance les plus courants ; et la détection des comportements anormaux de la machine.

Savoir ce que l'apprentissage automatique peut découvrir est la clé pour définir les priorités de la transformation numérique.

4.) Gardez une trace de l'utilisation de la machine. La surveillance des machines fonctionne mieux lorsque les données de la machine sont complétées par des informations concernant son utilisation. Le meilleur moyen d'y parvenir est de connecter les personnes et les machines par le biais d'apps d'exploitation. Cela permet d'obtenir une image globale et de surmonter les problèmes courants.

Vous êtes curieux de savoir comment connecter votre usine pour générer des informations réellement prédictives ? La plateforme d'opérations de première ligne de Tulipcapture les données humaines et machines dont vous avez besoin pour une visibilité totale des processus. Contactez-nous pour savoir comment nous pouvons vous aider à mettre vos opérations en ligne.