Maintenance 4.0 : bien penser son projet pour un ROI optimisé

Le 4 mai 2022

Gain en fiabilité, limitation des coûts de maintenance, optimisation des plannings… On le sait, les bénéfices de la maintenance prédictive sont multiples. Mais par où commencer ? Quels prérequis pour démarrer son projet ? Quelles machines cibler en priorité et quelles erreurs éviter ? 

DiagRAMS vous donne des leviers concrets pour une stratégie de maintenance prédictive réussie.

 

Maintenance prévisionnelle : quels objectifs ?

Avant toutes choses, une des clés de réussite d’un projet de maintenance prédictive est d’identifier clairement l’objectif visé. L’approche est-elle centrée sur la technologie ou au contraire sur un besoin métier explicite?

Si le projet vise à explorer les performances d’une technologie sans but clairement  identifié , en se disant que plus il y aura de données, plus le projet aura des chances de réussir, autant dire que le projet se base sur la croyance que le big data est “magique”, ce qui n’est pas le cas ! 

Au contraire, le projet mis en place doit résoudre une problématique métier précise. Les objectifs peuvent être multiples : détecter et anticiper des modes de défaillances ciblées, diagnostiquer un problème, identifier des contextes qui génèrent des dysfonctionnements, anticiper le franchissement d’un seuil … Il est important de définir précisément le sujet et les bénéfices qui sont attendus à court, moyen, long terme.

 

Démarrer son projet : quels équipements cibler en priorité ?

Les machines récentes, bien équipées en capteurs et connectées ? Oui mais…

Débuter son projet sur une machine qui remonte facilement les informations ? Oui cela semble plus aisé, mais attention aux équipements récents qui ont très peu de dysfonctionnements et sur lesquels aucun retour sur investissement rapide ne sera possible.

La clé : se focaliser sur des machines qui rencontrent fréquemment des dysfonctionnements similaires ou qui nécessitent des interventions de maintenance préventive fréquentes et qui peuvent remonter les données. 

 

Identifier les actifs critiques

Pour s’assurer un bon retour sur investissement, il est important de concentrer ses efforts sur les machines dont les dysfonctionnements ou les pannes sont critiques, à savoir les machines classées “vitales” ou « importantes » suivant l’approche VIS

Prenons l’exemple des cas suivants:maintenance 4.0 : bien penser son projet - intervention maintenance

  • Les machines goulot d’étranglement sur une ligne de production qui présentent un risque de casse majeure avec des pièces de rechange difficiles à approvisionner ;
  • Les machines avec des pannes/dysfonctionnements fréquents et dont l’absence impacte fortement le volume de production ;
  • Machines générant des rebuts importants et coûteux en cas de panne/dysfonctionnement.

En fonction de la criticité des équipements, les objectifs pourront varier. Ici on cherchera en particulier à détecter des anomalies de fonctionnement, à suivre des dérives et à prévoir le franchissement de seuils de sécurité.

Dans d’autres cas jugés moins critiques, les objectifs seront différents avec l’analyse des contextes favorisant les bons fonctionnements et les dysfonctionnements notamment pour :

  • Les machines présentant un temps de réglage/démarrage long et création de rebuts (machines d’injection plastique par exemple) ;
  • Les machines dont l’absence impacte le volume de production et qui ont des problèmes d’efficacité avec des arrêts brefs fréquents liés à un contexte d’utilisation machine et nécessitant une intervention opérateur.

 

Quel périmètre du projet ?

Débuter un projet de maintenance prévisionnelle sur un périmètre restreint de machines permet de se focaliser sur un objectif précis, d’impliquer les équipes dans un cadre défini et de démontrer la valeur de la solution testée sur le terrain.

Il faut néanmoins garder à l’esprit que l’objectif à terme est bien de pouvoir déployer la solution à plus grande échelle. Il faut ainsi évaluer comment définir un périmètre ni trop grand ni trop petit pour démontrer à la fois les performances et la capacité à passer à l’échelle.

 

Constituer son jeu de données : lesquelles choisir ?

Ce n’est pas la quantité mais bien la qualité des données qui importe. Pour réussir son projet de maintenance prévisionnelle, il faut s’assurer que les données contiennent l’information utile par rapport à l’objectif visé.

Et la fréquence des données va très souvent conditionner la richesse en informations. Il est en effet indispensable que le pas entre les valeurs remontées soit adapté pour capter le phénomène physique. Et bien entendu ce pas va varier en fonction de la machine, de son cycle éventuel, mais aussi en fonction de la mesure physique (température, vibration,…).

Pour cela, il faut favoriser des tags riches en informations et les sélectionner en fonction de la mesure physique : moyenne sur dernière seconde, Root Mean Square (RMS) sur dernière seconde, descripteurs vibratoires (niveau vibratoire par bande de fréquence, voire descripteur vibratoire spécifiques à un dysfonctionnement)… Ils permettent ainsi de réduire la quantité de données à remonter tout en préservant une richesse d’information.

Avoir une bonne stratégie de collecte de données, c’est donc prendre en compte le fonctionnement d’une machine mais aussi les spécificités des mesures physiques qui doivent être utilisées pour surveiller la machine.

 

Les clés de réussite : quels prérequis?

Afin de mener à bien son projet, des prérequis à la fois techniques, RH et organisationnels  sont à prendre en compte. 

Prérequis Techniques
Accès aux données machines :

Qui dit maintenance prévisionnelle dit surveillance des équipements grâce à l’analyse de données. En premier lieu, il faut donc s’assurer de la disponibilité de données ou de la possibilité de connecter ses équipements afin de pouvoir collecter toutes les données pertinentes.

 

Prise en compte du contexte d’utilisation des équipements :

La maintenance prévisionnelle tient compte du contexte et de l’utilisation des équipements contrairement à la maintenance préventive qui ne se focalise que sur l’équipement en lui-même. Il est donc important de pouvoir accéder aux données des systèmes de supervision (MES, SCADA…).

L’intérêt ?  Tenir compte de la variété des contextes de sollicitation des équipements au cours du temps (variété d’OF, de matière première, de cycle …). 

 

Prérequis RH

Un projet de maintenance prévisionnelle implique différentes équipes d’une entreprise industrielle : management, opérations, maintenance, DSI… avec des enjeux liés à la sécurité, à l’accès aux données, l’ergonomie de la solution, au ROI …

Service maintenance & méthodes : 

Les équipes maintenance & méthodes ont un rôle primordial pour échanger avec votre partenaire en maintenance prévisionnelle et identifier les problématiques ciblées.

Sur quels coûts agir en priorité (disponibilité, coûts de réparation, rebuts,…) ? Les dysfonctionnements ou pannes sont-ils fréquents ou au contraire rares mais très coûteux ? Les machines sont-elles déjà surveillées ? Si oui, quels sont les groupes fonctionnels surveillés ? Quels capteurs peuvent potentiellement informer sur des dysfonctionnements ? Tant de questions auxquelles des experts équipements impliqués dans le projet pourront répondre.

 

Service IT : 

Pas de maintenance prévisionnelle sans données. Mais encore faut-il y avoir accès ! En ce sens, il est important de se coordonner avec le service IT pour être en mesure d’en assurer l’échange dans le respect des bonnes pratiques de sécurité informatique suivant la Politique de Sécurité du Système d’Informations. 

 

Prérequis organisationnels

Autre point essentiel pour une stratégie de maintenance prévisionnelle réussie : la mise en place d’une culture d’historisation et de reporting.

Les technologies de Machine Learning (apprentissage automatique) continue d’apprendre au fil du temps, c’est pourquoi le feedback des utilisateurs est primordial pour améliorer les performances de détection, de diagnostic et de prédiction.

 

Des questions sur notre technologie ? Un projet de maintenance prévisionnelle ? N’hésitez pas à contacter notre équipe d’experts en data science et industrie

Passez à la
maintenance prédictive !