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

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.