PdM

Predictive Maintenance

Un regard vers l'avenir

En termes de maintenance des installations et des machines, Industry 4.0 sert de modèle pour donner la parole aux données et pour aider les ingénieurs à prendre des décisions relatives à la maintenance.

Il faut garantir une disponibilité maximale des installations et des machines, tout en réduisant si possible les coûts et en veillant à ce que la maintenance soit effectuée en toute sécurité. Il est donc grand temps d'orienter les machines vers la transformation numérique afin de relever ces défis. Grâce à la predictive analytics et à l'IoT, nous pouvons prévoir le moment idéal pour la maintenance, en tenant compte des événements attendus. Vous gardez un œil sur l'avenir et décidez vous-même de ce à quoi il ressemblera.

Des inspections visuelles à la predictive maintenance

L'inspection visuelle des machines représente la façon la plus primitive de travailler. Un cran au-dessus se trouve la prise de mesures manuelle à un moment déterminé dans le temps. Le condition monitoring en temps réel est une méthode encore plus avancée, dans laquelle un certain nombre de paramètres tels que le niveau d'huile, la température et les vibrations sont mesurés et tenus à jour. Ces paramètres permettent de signaler lorsque quelque chose fonctionne mal. Si les mesures diffèrent de ce qui est attendu, une maintenance est programmée. De cette façon, la maintenance est déjà beaucoup plus effectuée en fonction des besoins réels. Cela nous rapproche de la maintenance orientée vers l'avenir, ou predictive maintenance (PdM).

Êtes-vous prêt pour la maintenance prédictive ? Faites le test ici.

Maturity Stage

Une oreille attentive

Le pouvoir réside dans l'oreille attentive qui vous permet d'écouter ce que vos installations, machines et appareils ont à dire. Nous distillons ces informations en effectuant des analyses sur des données que vous avez déjà saisies à différents endroits. Grâce à de nouveaux concepts tels que le Cloud, le Big Data, l'Internet des Objets (IoT), l'intelligence artificielle (IA) et les possibilités accrues de connectivité, nous pouvons maintenant combiner de manière rentable et efficace les données présentes dans différents endroits, à travers différents systèmes et depuis différents capteurs.

Bart Moens

La plus-value de l'analyse des données réside dans la combinaison de toutes sortes de données. Nous obtenons ainsi une force prévisionnelle qui, jusqu'à présent, restait cachée dans les signaux inaperçus. 

Bart Moens | Data Specialist @ Realdolmen

La predictive maintenance permet de prévoir les pannes et les dysfonctionnements des machines sur la base de :

Données

Aujourd'hui, les données de capteurs telles que les mesures de vibrations, de pression, de débit, de température, etc. peuvent être transférées vers une plateforme Internet pour être analysées par le biais de l'Internet des Objets (Internet Of Things ou IoT en anglais). Il est également possible de regrouper différentes sources de données telles que  l'historique du fonctionnement de la machine, l'historique de la maintenance, les données de production (qualité de la production, défaillance du produit, arrêts de production, etc.) et les données environnementales telles que la température, l'humidité, la qualité de l'air, etc. Très rapidement, de nombreux autres paramètres peuvent être impliqués dans la comparaison avec les données de défaillance, révélant ainsi de nouvelles perspectives et de nouvelles connexions.

Modèle de predictive maintenance

En se basant sur des algorithmes de machine learning, les Data scientist obtiennent un modèle de predictive maintenance qui prévoit réellement quand des défaillances d'actifs se produisent, en se basant sur les tendances d'un ou de plusieurs paramètres. Au fur et à mesure que les données sont tenues à jour, le modèle peut également être ajusté.

Coopération avec les ingénieurs de maintenance

Les ingénieurs de maintenance et les reliability engineer jouent un rôle important car, sur la base de leurs nombreuses années d'expérience dès le début d'un projet de predictive maintenance, ils aident à déterminer la sélection des actifs, fournissent des informations sur les données disponibles et sont impliqués dans la création du modèle de predictive maintenance.

Quels avantages tirez-vous de la predictive maintenance ?

Assets

Augmentation de la disponibilité des actifs

Votre stratégie de maintenance soutient votre processus de production pour maximiser la production. En utilisant le modèle de la PdM, vous pouvez éviter les temps d'arrêt en intervenant au moment opportun dans vos plans de maintenance, en proposant les modifications nécessaires à apporter à la machine et en effectuant la maintenance appropriée. Non seulement vos collaborateurs de la production sont satisfaits, mais vos clients finaux apprécient également que leurs produits soient livrés à temps. En fin de compte, vous contribuez davantage à la réalisation des objectifs de l'organisation.

Costreduction

Réduction des coûts de maintenance

Un aperçu des défaillances et pannes futures de vos machines vous aide à mieux organiser la maintenance. Ainsi, vous effectuez moins de maintenances inutiles, ce qui vous permet d'économiser immédiatement des coûts. De plus, le risque d'un éventuel impact négatif d'une opération de maintenance est réduit. Vous profitez pleinement d'avantages majeurs en termes d'efficacité lorsque vous pouvez mieux planifier les travaux de maintenance. Pour une exécution planifiée de la maintenance, vous pouvez tenir compte de la planification optimale des techniciens qualifiés et de la disponibilité tant des matériaux que du temps d'arrêt requis de l'actif. Vous évitez les heures supplémentaires et l'indisponibilité des matériaux, ce qui peut vous faire économiser beaucoup d'argent.

Income

Générer des revenus de services

Grâce à la PdM, vous découvrez un nouveau monde en tant qu'OEM d'un appareil ou d'une machine où vous pouvez aller au-delà de la simple livraison d'un produit à votre client. Vous pouvez offrir à vos clients une utilisation garantie de vos produits en tant que service. Par exemple, vous garantissez les heures de fonctionnement du moteur que vous fournissez, surveillez le fonctionnement du moteur via des capteurs et offrez un service de maintenance via une plateforme collaborative avec vos clients et fournisseurs. Cela vous permet de générer des sources de revenus supplémentaires, car vos clients bénéficient d'une meilleure disponibilité des actifs et d'un meilleur service.

Realdolmen dispose de l'expertise nécessaire en interne

Realdolmen dispose des compétences et des connaissances techniques adéquates pour guider un projet pilote pour la PdM. Une caractéristique de la predictive maintenance est l'interrelation complexe de différents domaines techniques et domaines d'expertise. Grâce à nos années d'expérience dans la maintenance de notre solution logicielle de maintenance Rimses, nous connaissons mieux que quiconque le fonctionnement d'un service de maintenance. L'expertise en matière de maintenance et de sécurité combinée à notre expérience très appréciée en tant qu'intégrateur et partenaire ICT font de Realdolmen le partenaire idéal pour la predictive maintenance.

project

Grâce à notre approche pour un projet pilote, Realdolmen possède l'expertise nécessaire en interne dans chacun de ces domaines :

  • Sélection d'actifs : Quels sont les actifs critiques pour votre processus de production ou qui garantissent le bon fonctionnement de votre installation ou de votre machine ? L'amélioration de la maintenance de ces actifs vous procurera la plus grande plus-value.
     
  • Identification des données : Les données qualitatives sont très importantes. Nous effectuons des recherches sur la disponibilité (antérieure et actuelle), la pertinence, la fiabilité et la qualité de vos données existantes.
     
  • Exploration des données : Nos Data scientist utilisent les données pour travailler avec divers outils d'analyse et de machine learning afin de convertir les données en un modèle de predictive maintenance. Au moyen d'algorithmes, basés sur les tendances et l'historique d'un ou de plusieurs paramètres, le modèle signalera quand des défaillances d'actifs se produisent.
  • Suivi des données : L'interaction avec les collaborateurs de la maintenance est cruciale pour tester le modèle par rapport à la réalité. Les tableaux de bord et les rapports jouent un rôle majeur dans la communication avec les ingénieurs. Au fur et à mesure que les données sont tenues à jour, le modèle peut également être ajusté.
     
  • Prévoir et prescrire : Le modèle permet d'améliorer la maintenance. Le résultat du modèle peut être intégré dans le CMMS pour contrôler les actions prévisionnelles. L'intelligence artificielle supplémentaire peut être utilisée dans la phase finale pour passer à l'étape de la maintenance prescriptive. Ce faisant, le système fait des propositions depuis le CMMS quant à l'action à entreprendre.

Êtes-vous prêt pour la maintenance prédictive ?

Pour le savoir, il suffit de répondre à 8 questions. Quelle que soit la phase dans laquelle vous vous trouvez actuellement, nous pouvons nous rapprocher ensemble de l'Industry 4.0.

Case studies connexes

Inscrivez-vous à notre newsletter

Aimeriez-vous rester au courant des nouvelles, offres et événements à propos des sujets qui vous intéressent?

Inscrivez-vous ici