Présentation

Article

1 - ENJEUX DE LA MAINTENANCE PRÉDICTIVE INTELLIGENTE POUR L’INDUSTRIE 4.0

2 - L’INDUSTRIE 4.0

3 - MAINTENANCE PRÉDICTIVE INTELLIGENTE POUR L’INDUSTRIE 4.0

4 - MÉTHODES ET OUTILS DE LA MAINTENANCE PRÉDICTIVE INTELLIGENTE

5 - EXEMPLE D’APPLICATION DE LA MAINTENANCE PRÉDICTIVE 4.0 À UNE FLOTTE D’ASCENSEURS

6 - EXEMPLES DE PLATEFORMES IOT POUR LA MAINTENANCE PRÉDICTIVE

7 - POINT DE VUE DES INDUSTRIELS SUR LES AVANTAGES ET INCONVÉNIENTS DE LA MAINTENANCE PRÉDICTIVE 4.0

8 - CONCLUSION

9 - GLOSSAIRE

| Réf : MT9572 v1

Exemples de plateformes IoT pour la maintenance prédictive
La maintenance prédictive intelligente pour l’industrie 4.0

Auteur(s) : Gilles ZWINGELSTEIN

Date de publication : 10 oct. 2019

Pour explorer cet article
Télécharger l'extrait gratuit

Vous êtes déjà abonné ?Connectez-vous !

Sommaire

Présentation

Version en anglais English

RÉSUMÉ

Cet article présente les concepts de la maintenance prédictive intelligente pour l’industrie 4.0 dont l'objectif est de prédire l’instant d’occurrence d’une défaillance afin de mettre en œuvre des actions appropriées pour l’éviter. Il fournit une description des concepts de l’industrie 4.0, appelée également "industrie du futur", qui a vu le jour dans le cadre de la transformation numérique des entreprises.  Après un rappel de terminologie, les méthodes et outils indispensables pour la conception de cette stratégie de maintenance sont développés. Enfin, un bilan de ses implantations actuelles dans les différentes industries est proposé en soulignant ses avantages et ses inconvénients.

Lire cet article issu d'une ressource documentaire complète, actualisée et validée par des comités scientifiques.

Lire l’article

Auteur(s)

  • Gilles ZWINGELSTEIN : Ingénieur de l’École nationale supérieure d’électrotechnique, d’électronique, d’informatique, d’hydraulique et des télécommunications de Toulouse (ENSEEIHT), docteur-ingénieur, docteur ès sciences, professeur associé des universités en retraite, université Paris-Est Créteil, France

INTRODUCTION

La prédiction d’une panne sur un équipement est une préoccupation majeure des responsables de la maintenance pour définir les stratégies les plus pertinentes aux plans techniques et économiques. La diffusion des nouvelles technologies numériques utilisant des objets connectés, l’Internet des objets, le cloud, le big data, l’intelligence artificielle et la science des données ont conduit au développement d’un nouveau concept de maintenance mondialement connue sous l’appellation de maintenance prédictive intelligente pour l’industrie 4.0. Cet article présente ses enjeux, ses origines, ses objectifs, ses méthodes et ses outils en y soulignant ses avantages et ses limitations. La première section décrit les enjeux de la maintenance prédictive intelligente pour l’industrie 4.0 qui peuvent être considérés comme des extensions de ceux de la maintenance prévisionnelle classique dans la mesure où la prédiction de la défaillance met en œuvre les composantes de l’industrie 4.0. La définition de l’industrie 4.0 connue également sous les noms de l’industrie du futur ou de « smart factory » est proposée dans la deuxième section. Elle fournit également une description des révolutions industrielles ayant conduit à ce qui correspond à l’industrie 4.0. Elle présente aussi un état des lieux de l’industrie 4.0 pour les grandes et moyennes entreprises en y décrivant les initiatives allemandes, françaises, américaines et chinoises pour soutenir leurs secteurs industriels. Compte tenu du fait que les concepts de l’industrie 4.0 varient suivant les domaines d’application, un exemple générique d’architecture avec ses composantes essentielles est proposé. La troisième section présente la terminologie indispensable à maîtriser pour développer un programme de maintenance prédictive. Parmi les définitions importantes figurent le RUL (Remaining Useful Life) ou DVUR (durée de vie utile restante) et le DEFAD (durée estimée de fonctionnement avant défaillance). Elle insiste en particulier sur la définition de pronostic et de ses métriques qui sont indispensables pour évaluer la confiance dans la prédiction de la défaillance. Les liens avec les contenus de CBM (Condition Based monitoring) et la PHM (Prognostics and Health Management) qui utilisent les mêmes outils que la maintenance prédictive intelligente font également l’objet d’une description succincte.

De nombreuses initiatives pour développer cette stratégie innovante de maintenance ont vu le jour, cette section conclut donc sur un panorama de l’évolution de ce concept. Compte tenu du fait que plusieurs centaines d’outils ont été développés depuis plusieurs décennies grâce aux apports de l’intelligence artificielle, des techniques d’apprentissage et des nouvelles techniques de stockage et traitement de données (data mining, big data, cloud computing, deep learning, machine learning…), la quatrième section est dédiée à la présentation succincte et évidemment non exhaustive de ces principaux outils. La maintenance prédictive intelligente de l’industrie 4.0 conduisant à une optimisation technico-économique, les principaux algorithmes d’optimisation fondés sur l’intelligence distribuée (Swarm intelligence) feront l’objet d’une description succincte (algorithmes génétiques, colonies de fourmis et d’abeilles). La cinquième section présentera un exemple d’application de la maintenance prédictive intelligente développé par les constructeurs d’ascenseurs gérant un parc de plusieurs millions d’ascenseurs pour prédire les défaillances en les équipant de plusieurs centaines de capteurs connectés. Pour faciliter le développement de la maintenance prédictive intelligente, de nombreuses sociétés de services proposent des plateformes IIoT qui permettent d’établir ce type de maintenance. La sixième section offre un panorama non exhaustif de l’offre qui est offerte aux entreprises industrielles par les grandes sociétés de services (IBM, Amazon, Huawei, Siemens…) et détaille leurs principales caractéristiques. La septième section présente, sur la base d’enquêtes réalisées auprès des industriels, leurs points de vue sur la maintenance prédictive intelligente. Ils mettent en exergue les facteurs qui freinent son adoption : le coût des technologies, le manque de compétences en data science et la réticence au changement. La conclusion insiste sur la nécessité d’une parfaite maîtrise des méthodes innovantes offertes par les techniques numériques pour réaliser la prédiction des défaillances. Elle souligne que le niveau de confiance de la prédiction dépend de façon prépondérante du volume de données relatives à une même défaillance, sans oublier une connaissance approfondie des mécanismes physiques de dégradation. Ce sont actuellement les facteurs essentiels qui conditionnent un retour d’investissement satisfaisant pour les utilisateurs potentiels. Le retour d’expérience des expérimentations des plateformes pilotes de l’industrie du futur permettra d’explorer de nouvelles voies pour solutionner ce problème majeur.

Cet article est réservé aux abonnés.
Il vous reste 95% à découvrir.

Pour explorer cet article
Téléchargez l'extrait gratuit

Vous êtes déjà abonné ?Connectez-vous !


L'expertise technique et scientifique de référence

La plus importante ressource documentaire technique et scientifique en langue française, avec + de 1 200 auteurs et 100 conseillers scientifiques.
+ de 10 000 articles et 1 000 fiches pratiques opérationnelles, + de 800 articles nouveaux ou mis à jours chaque année.
De la conception au prototypage, jusqu'à l'industrialisation, la référence pour sécuriser le développement de vos projets industriels.

VERSIONS

Il existe d'autres versions de cet article :

DOI (Digital Object Identifier)

https://doi.org/10.51257/a-v1-mt9572


Cet article fait partie de l’offre

Technologies logicielles Architectures des systèmes

(240 articles en ce moment)

Cette offre vous donne accès à :

Une base complète d’articles

Actualisée et enrichie d’articles validés par nos comités scientifiques

Des services

Un ensemble d'outils exclusifs en complément des ressources

Un Parcours Pratique

Opérationnel et didactique, pour garantir l'acquisition des compétences transverses

Doc & Quiz

Des articles interactifs avec des quiz, pour une lecture constructive

ABONNEZ-VOUS

Version en anglais English

6. Exemples de plateformes IoT pour la maintenance prédictive

Pour faciliter la mise en œuvre de la maintenance intelligente 4.0, de très nombreuses plateformes 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. Cela offre quelques exemples des principales plateformes disponibles actuellement sur le marché international, sachant que l’offre mondiale dans ce domaine suit une croissance exponentielle et que certaines d’entre elles risquent d’être éphémères vu la vitesse d’évolution de ces techniques.

  • Predix APM Health de General Electric

    Cette plateforme cloud permet de développer des applications IIoT, mais aussi de collecter et d’analyser les données générées par les machines.

    La plateforme regroupe des outils de data management et de data science pour l’analyse prédictive des équipements et processus industriels. À partir des données analysées sur Predix cloud, il est possible de créer des modèles analytiques automatisés pour la surveillance, les diagnostics, les prédictions et le contrôle. Cette fonctionnalité repose sur la technologie du machine learning. Le module APM Health (Santé des machines et Équipements), qui fait partie de Predix APM, gère les données de nombreux équipements et systèmes, en créant un référentiel de données complet et validé et une vue unifiée associée aux performances attendues aux niveaux des équipements, des installations et de l’entreprise. En résolvant le problème de la disparité des données et du temps de latence associé à la gestion des équipements industriels, APM Health fournit une vision en temps réel de l’état des équipements et donne une alerte précoce des défaillances potentielles.

  • IBM Watson IoT plateforme

    La plateforme 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. La plateforme de développement proposée par IBM comprend de nombreux outils et services. En particulier, elle comporte un module PMQ Predictive Maintenance and Quality.

    Ce module permet de :

    • surveiller et d’analyser puis de générer des rapports...

Cet article est réservé aux abonnés.
Il vous reste 93% à découvrir.

Pour explorer cet article
Téléchargez l'extrait gratuit

Vous êtes déjà abonné ?Connectez-vous !


L'expertise technique et scientifique de référence

La plus importante ressource documentaire technique et scientifique en langue française, avec + de 1 200 auteurs et 100 conseillers scientifiques.
+ de 10 000 articles et 1 000 fiches pratiques opérationnelles, + de 800 articles nouveaux ou mis à jours chaque année.
De la conception au prototypage, jusqu'à l'industrialisation, la référence pour sécuriser le développement de vos projets industriels.

Cet article fait partie de l’offre

Technologies logicielles Architectures des systèmes

(240 articles en ce moment)

Cette offre vous donne accès à :

Une base complète d’articles

Actualisée et enrichie d’articles validés par nos comités scientifiques

Des services

Un ensemble d'outils exclusifs en complément des ressources

Un Parcours Pratique

Opérationnel et didactique, pour garantir l'acquisition des compétences transverses

Doc & Quiz

Des articles interactifs avec des quiz, pour une lecture constructive

ABONNEZ-VOUS

Lecture en cours
Exemples de plateformes IoT pour la maintenance prédictive
Sommaire
Sommaire

BIBLIOGRAPHIE

  • (1) - PROTAIS (M.) -   La maintenance, élément clé de l’usine du futur.  -  Usine Nouvelle (2018).

  • (2) - BAUER (W.), MAW (S.), MARRENBACH (D.), GANSCHAR (O.) -   Industrie 4.0 – Volkswirtschaftliches Potenzial für Deutschland,  -  Bundesverband Informationswirtschaft, Telekommunikation und neue Medien. V. BITKOM (2014).

  • (3) - Conférence ATOS-SIEMENS -   Digital – Industry – Summit organisé par Atos et Siemens,  -  Palais Brogniart Paris, 2018. (https://www.factoryfuture.fr/siemens-atos-lancent-digital-industry-summit-2018/).

  • (4) - Dossier de presse ministère de l’Économie -   Réunir la Nouvelle France Industrielle,  -  https://www.economie.gouv.fr/files/files/PDF/industrie-du-futur_dp.pdf (2015).

  • (5) - Dossier de presse -   Inauguration du Factory Lab Saclay,  -  http://www.cea.fr/presse/Documents/DP/2016/dossier-presse-inauguration-factory-lab.pdf (2016).

  • ...

1 Outils logiciels

Matlab Tool box Predictive Maintenance Toolbox, [Logiciel], Les Montalets 2 rue de Paris, 92196 Meudon Cedex, Meudon, France.

APM Health IoT platform, [Logiciel] General Electric, San Ramon, Californie, États-Unis.

Watson IoT platform, [Logiciel], Compagnie IBM France, 17 avenue de l’Europe 92275 Bois-Colombes Cedex.

Manufacturing Predictive Maintenance Platform, [Logiciel], Huawei Technologies France, 18 Quai du Point du Jour, 92100 Boulogne-Billancourt, France.

Mindsphere Système d’exploitation IoT, [Logiciel], Siemens France, 40 Avenue des Fruitiers, 93210 Saint-Denis, France.

Amazon Web Services plate-forme IoT Amazon [Logiciel], Tour Carpe Diem, 31 Place des Corolles 92400 Courbevoie.

Google cloud IoT plate-forme, [Logiciel], Google France, 8 r Londres, 75009 Paris.

Microsoft Azure IoT plate-forme, [Logiciel], Microsoft France Paris, 39 Quai du Président Roosevelt, 92130 Issy-les-Moulineaux.

HAUT DE PAGE

2 Sites Internet

Site de la plateforme FactoryLab : http://www.factorylab.fr

Le programme Nouvelle France Industrielle (NFI) : https://www.gouvernement.fr/action/la-nouvelle-france-industrielle

Les 34 feuilles de route de la Nouvelle France Industrielle (NFI) : http://www.economie.gouv.fr/files/files/PDF/nouvelle-france-industrielle-sept-2014.pdf

Le...

Cet article est réservé aux abonnés.
Il vous reste 95% à découvrir.

Pour explorer cet article
Téléchargez l'extrait gratuit

Vous êtes déjà abonné ?Connectez-vous !


L'expertise technique et scientifique de référence

La plus importante ressource documentaire technique et scientifique en langue française, avec + de 1 200 auteurs et 100 conseillers scientifiques.
+ de 10 000 articles et 1 000 fiches pratiques opérationnelles, + de 800 articles nouveaux ou mis à jours chaque année.
De la conception au prototypage, jusqu'à l'industrialisation, la référence pour sécuriser le développement de vos projets industriels.

Cet article fait partie de l’offre

Technologies logicielles Architectures des systèmes

(240 articles en ce moment)

Cette offre vous donne accès à :

Une base complète d’articles

Actualisée et enrichie d’articles validés par nos comités scientifiques

Des services

Un ensemble d'outils exclusifs en complément des ressources

Un Parcours Pratique

Opérationnel et didactique, pour garantir l'acquisition des compétences transverses

Doc & Quiz

Des articles interactifs avec des quiz, pour une lecture constructive

ABONNEZ-VOUS