Un extrait de La maintenance prédictive intelligente pour l’industrie 4.0 par Gilles ZWINGELSTEIN
Deux approches distinctes ont été développées pour la maintenance prévisionnelle conventionnelle qui, dans la majorité des cas, ne concerne que les données relatives à un équipement bien identifié. La première approche repose sur l’utilisation d’analyses statistiques et de fiabilité sur les défaillances connues de l’équipement en exploitant les données archivées dans les logiciels de GMAO (gestion de maintenance assistée par ordinateur). Ces analyses statistiques permettent de développer des modèles de prévision des défaillances et d’établir les intervalles des tâches de maintenance préventive optimaux. La seconde approche est fondée sur l’utilisation d’une surveillance de l’état de l’équipement par des capteurs afin de prédire quand une panne de machine se produira. Grâce aux données big data contenues dans le cloud, extraites grâce au data mining et traitées par des algorithmes reposant sur l’intelligence artificielle, les exploitants ont ainsi à leur disposition des outils très performants pour prédire le comportement de leurs machines et prendre les décisions appropriées.
La mise en place de plates-formes IoT en vue de la maintenance prédictive
Pour faciliter la mise en œuvre de la maintenance intelligente 4.0, de très nombreuses plates-formes IoT sont actuellement proposées par les grandes sociétés de service, et par des start-up qui expérimentent des solutions de maintenance prédictive intelligente dans le cadre de projets pilotes. Voici quelques exemples des principales plates-formes disponibles actuellement sur le marché international.
- Predix APM Health de General Electric
Cette plate-forme cloud permet de développer des applications IoT, mais aussi de collecter et d’analyser les données générées par les machines.
- IBM Watson IoT plateforme
La plate-forme IBM Watson IoT prend en charge le contrôle à distance des objets connectés, la transmission et le stockage sécurisés de données dans le cloud, l’échange de données en temps réel, ainsi que des options d’apprentissage automatique grâce à l’intégration de la technologie AI.
- MindSphere de Siemens
MindSphere est une plate-forme cloud operating system conçue pour le partage de données et d’applications industrielles. Elle permet de consolider, stocker et partager l’information issue de différents sites et de la traiter avec des outils analytiques de pointe.
- Amazon Web Services
La plate-forme IoT Amazon Web Services (AWS) inclut une suite IoT qui prend en charge tous les aspects des applications. Cette suite comporte quatre entités : AWS IoT Core constitue la base de toute application IoT ; AWS IoT Device Management ajoute et organise les périphériques ; AWS IoT Analytics analyse automatiquement les données IoT ; et AWS IoT Device Defender configure les mécanismes de sécurité pour les systèmes IoT.
- Microsoft Azure IoT
La plate-forme Microsoft Azure IoT Suite permet de connecter des centaines d’appareils de différents fabricants, de rassembler des analyses de données et d’utiliser les données IoT à des fins d’apprentissage automatique.
- Huawei
La plate-forme « IoT connection management platforms » comprend un module « Manufacturing Predictive Maintenance ». Il est utilisé pour la collecte et l’analyse de données des objets connectés à proximité, le prétraitement des ressources informatiques du Edge computing et la modélisation et l’analyse de données sur le cloud.
- Google cloud IoT
La plate-forme Google cloud IoT inclut des composants spécifiques pour développer un programme de maintenance prédictive intelligente. On compte cinq de ces composants : IoT et Pub/Sub acquièrent des données ; cloud data flow les traite ; big Query fournit un stockage des données à l’échelle de l’entreprise ; data Studio permet de partager des visualisations relatives aux équipements ; cloud machine learning est construit sur TensorFlow et élabore des modèles.
Exclusif ! L’article complet dans les ressources documentaires en accès libre jusqu’au 13 avril 2023 !
La maintenance prédictive intelligente pour l’industrie 4.0 par Gilles ZWINGELSTEIN
Cet article se trouve dans le dossier :
Global Industrie, laboratoire de la réindustrialisation made in France
- Global Industrie 2023 : une édition sous le signe de la réindustrialisation
- « Keyprod est un bon exemple de réindustrialisation »
- La société Primo1D produit des tags RFID UHF unidimensionnels
- Néolithe ouvre une troisième voie de traitement des déchets non recyclables
- Les enjeux de la réindustrialisation au regard de la situation actuelle
- Global industrie est de retour cette année à Lyon !
- Comment mettre en place une chaîne logistique à même d'anticiper les aléas ?
- Le grand défi qui veut accélérer la transformation des entreprises
- Le marché des robots mobiles est en pleine expansion
- Industrie 4.0 : de la maintenance corrective à la maintenance prédictive intelligente
- Les thèses du mois : Global Industrie, laboratoire de la réindustrialisation made in France
- Global Industrie, laboratoire de la réindustrialisation made in France
Dans l'actualité
- ADDITIVE4RAIL : un consortium dédié au développement de la fabrication additive pour la maintenance des trains
- REMIND, une solution 100% IA bientôt au service de l’industrie
- Les réseaux industriels sont confrontés à de multiples attaques et… contraintes
- Les réseaux 5G privés : l’épine dorsale de l’industrie 4.0 ?
- L’Agence Smart Industry accompagne les industriels dans leur transition « 4.0 »
- La société Primo1D produit des tags RFID UHF unidimensionnels
- « Keyprod est un bon exemple de réindustrialisation »
- Les thèses du mois : Global Industrie, laboratoire de la réindustrialisation made in France
- Néolithe ouvre une troisième voie de traitement des déchets non recyclables
- L’IA frugale optimise le contrôle qualité industriel
- Détecter les grands tremblements de terre quelques heures avant leur déclenchement
- Analyse de l’impact organisationnel de la prolifération des pièces
- Samp : du jumeau numérique à la « Réalité Partagée »
- Réduire les coûts d’utilisation des matériaux composites dans le secteur naval
- JUNO : la solution SaaS portée par OSS Ventures qui digitalise les processus industriels
- Monitoring embarqué : Touch Sensity poursuit son ascension
Dans les ressources documentaires
- PHM – Prognostics and health management - De la surveillance au pronostic de défaillances de systèmes complexes
- Intelligence artificielle et diagnostic
- Les principaux mécanismes de défaillance pour le diagnostic en maintenance
- Évaluation de l’intelligence artificielle
- Maîtriser la maintenance de l’outil de production