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.

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.