La maintenance prédictive est une approche de la maintenance des équipements industriels (moteurs à réaction, éoliennes, pompes à pétrole, etc.) utilisant des algorithmes prédictifs. Ces algorithmes prédictifs exploitent des données issues de capteurs et d'autres informations pertinentes pour détecter des anomalies, surveiller l'état des composants et estimer la durée de vie utile restante (RUL). Grâce à la maintenance prédictive, vous pouvez programmer la maintenance au bon moment: ni trop tôt, ni trop tard.
Maintenance réactive et maintenance préventive
Dans une approche de maintenance réactive, vous n'intervenez qu'une fois que l'équipement est tombé en panne. Cette approche peut être adéquate pour une simple ampoule électrique, mais les défaillances non planifiées et les temps d'arrêt peuvent s'avérer très coûteux et risqués pour les machines industrielles.
De nombreux opérateurs adoptent donc une stratégie préventive, en planifiant la maintenance à intervalles réguliers sans tenir compte de l'état réel de la machine. Cette approche atténue certes le risque de défaillance par rapport à une stratégie de maintenance réactive, mais elle entraîne des coûts de maintenance plus élevés, un temps d'immobilisation globalement plus long et une augmentation des stocks et des pièces de rechange. Elle ne permet pas non plus de prévenir les pannes, car l'état de l'équipement n'est évalué que périodiquement, au lieu d'être continuellement suivi et analysé en temps réel.
Les trois types de maintenance et leur approche de la gestion des défaillances
Maintenance prédictive
Contrairement à la maintenance réactive et à la maintenance préventive, la maintenance prédictive surveille en continu l'état de la machine et estime quand elle tombera en panne. Cela permet de programmer la maintenance au moment exact où elle est nécessaire : ni trop tôt, ni trop tard.
Cette méthode de maintenance présente de nombreux avantages. La maintenance prédictive réduit au minimum les temps d'arrêt imprévus, diminue les coûts opérationnels et propose des alertes en cas de problèmes inattendus. Mais les avantages vont au-delà du fonctionnement des machines : les fabricants qui développent des solutions de maintenance prédictive peuvent créer une nouvelle source de revenus en proposant ce service à leurs clients.
Pour continuer à explorer ce sujet
Fonctionnement de la maintenance prédictive
Au cœur d'une solution de maintenance prédictive se trouve un algorithme qui analyse les données issues des capteurs pour détecter les anomalies, établir un diagnostic des problèmes ou prédire la durée de vie utile restante (RUL) de l'équipement.
Pour développer cet algorithme, les ingénieurs doivent tout d'abord recueillir les données appropriées, puis utiliser des outils comme MATLAB® pour les prétraiter et en extraire des caractéristiques. Ces caractéristiques seront ensuite utilisées comme entrée d’un algorithme d'IA ou d’un algorithme statistique. Cet algorithme peut ensuite être déployé à grande échelle, que ce soit en l’embarquant directement sur un dispositif périphérique ou en l'intégrant aux systèmes IT/OT vers lesquels les données sont diffusées en streaming. Ce déploiement est indispensable pour bénéficier pleinement des avantages de la solution de maintenance prédictive.
Workflow pour le développement d'algorithmes de maintenance prédictive.
Acquisition de données
La collecte de données est la première étape du développement d'un algorithme de maintenance prédictive. La précision des algorithmes d'IA dépend de la qualité des données d'apprentissage représentant les différents types de défaillance que vous souhaitez pouvoir prédire. Il est donc important de collecter des données qui correspondent à un fonctionnement correct ou défaillant de l'équipement.
Cependant, les données sur les défaillances sont souvent difficiles à obtenir. En effet l'objectif de tout programme de maintenance est de prévenir les pannes ! Les ingénieurs peuvent donc avoir du mal à obtenir des données pertinentes pour initier la création d’un algorithme précis.
Une approche prometteuse pour résoudre ce problème consiste à générer des données synthétiques à partir de modèles basés sur la physique, comme ceux élaborés dans Simulink® et Simscape™. Un ingénieur peut, par exemple modéliser une pompe à pétrole et simuler les pannes dues à une vanne qui fuit ou à une conduite bouchée. Cette méthode permet de générer des données de défaillance de manière sûre et économique, sans altérer les performances de la véritable pompe à huile. Ces modèles, qui reposent sur des principes physiques, peuvent ensuite être exploités comme de véritables jumeaux numériques. Ils offrent ainsi la possibilité de prédire les performances futures avec précision.
Identification des indicateurs d'état
Une fois que vous disposez de données pertinentes, l'étape suivante consiste à les réduire à un ensemble de caractéristiques pouvant servir d'indicateurs d'état sur lesquels entraîner un algorithme prédictif. Ces indicateurs d’état permettent de distinguer un fonctionnement normal d'un fonctionnement défectueux. Ils sont typiquement extraits en utilisant une combinaison de techniques basées sur des modèles, statistiques et de traitement du signal, avec des outils d'analyse et de design comme MATLAB. L'expertise de l'équipe d'ingénierie est primordiale à cette étape, car cette équipe possède une connaissance approfondie du fonctionnement des machines et peut ainsi aider à identifier les caractéristiques pertinentes.
L'identification de ces caractéristiques est indispensable à la mise au point d'un algorithme de maintenance prédictive performant. Des caractéristiques appropriées permettent en effet d'entraîner des algorithmes pour détecter des tendances qui sont difficilement observables. De plus, l'extraction de ces caractéristiques permet de réduire la taille du jeu de données brut. Les avions commerciaux, par exemple, génèrent près d'un téraoctet de données par vol. Comme il est difficile de transmettre, de stocker et d'analyser de tels volumes de données, l'extraction de caractéristiques prend donc une importance croissante dans la surveillance des équipements.
Le design de caractéristiques pour la maintenance prédictive
Utilisez Diagnostic Feature Designer pour extraire, explorer et classer des caractéristiques pour l'apprentissage d'algorithmes de maintenance prédictive.
Développement des algorithmes
Une fois que vous avez extrait les caractéristiques les plus pertinentes, la prochaine étape consiste à entraîner votre algorithme prédictif. Ces algorithmes peuvent être classés en trois catégories principales : la détection des anomalies, l'identification des défaillances (diagnostics) et l'estimation de la durée de vie utile restante (pronostics). L'objectif ultime des algorithmes de maintenance prédictive est de convertir les données des capteurs en décisions de maintenance.
Les types d'algorithmes utilisés dans les solutions de maintenance prédictive et les questions auxquelles ils répondent.
Si les données sont étiquetées avec des modes de défaillance, les ingénieurs peuvent utiliser des méthodes d'apprentissage supervisé pour entraîner des modèles prédictifs et différencier ces modes de défaillance. Ces modèles peuvent ensuite être connectés aux systèmes opérationnels sur le terrain, où ils aident à identifier la cause première des performances altérées.
Les méthodes d'apprentissage non supervisé sont particulièrement adaptées aux applications comme la détection d'anomalies, où l'objectif est de classer les valeurs des indicateurs d'état provenant de l’équipement, comme « normales » ou « anormales ». Ces méthodes d'apprentissage non supervisé ne nécessitant pas de disposer de données d'apprentissage labellisées correspondant aux différents types de défaillance, sont appréciées des ingénieurs qui développent des algorithmes de maintenance prédictive pour la première fois.
Une autre catégorie de méthodes basées sur les probabilités et les séries temporelles peut être utilisée pour calculer la durée de vie utile restante (RUL) d'une machine. Ces modèles partent de la valeur actuelle d'un indicateur d'état et estiment le temps de fonctionnement avant panne dans un intervalle de confiance défini. En connaissant le moment probable de défaillance de la machine, les ingénieurs peuvent planifier la maintenance, commander les pièces de rechange nécessaires ou limiter le fonctionnement de l'équipement afin de prolonger sa durée de vie.
Tech Talk : Développement d'algorithmes de maintenance prédictive
Découvrez comment la maintenance prédictive vous permet de déterminer le moment optimal pour planifier les opérations de maintenance en estimant le temps de fonctionnement avant panne. Cela permet de réduire les temps d'arrêt et d'optimiser les performances de l'équipement.
Déploiement des algorithmes en opération
Une solution de maintenance prédictive ne se résume pas qu'à des algorithmes. Il est essentiel de déployer ces algorithmes sur les équipements en fonctionnement pour bénéficier de la réduction des temps d’arrêt et des coûts de maintenance ainsi que d’une efficacité opérationnelle améliorée.
L'environnement opérationnel doit être en mesure de gérer les données de manière sécurisée et d'adapter les ressources informatiques afin que les algorithmes puissent s'exécuter de manière optimale dans des systèmes embarqués ou IT/OT. Il doit également s'intégrer avec d'autres systèmes informatiques pour la gestion des stocks, l'émission de tickets de service et la présentation de tableaux de bord affichant les résultats de l'algorithme à l'équipe d'exploitation.
Dans de nombreuses applications opérationnelles, les algorithmes de maintenance prédictive ne s'exécutent pas uniquement dans le cloud mais aussi sur des serveurs locaux. Certaines parties de l'algorithme, comme le traitement du signal et l'extraction des caractéristiques, peuvent être directement déployées sur des dispositifs périphériques tels que des contrôleurs industriels, qui peuvent traiter rapidement et en temps réel des données de capteurs à haute fréquence. Cette configuration permet de réduire les coûts de stockage et de transmission des données.
Pour continuer à explorer ce sujet
La maintenance prédictive avec MATLAB et Simulink
Les ingénieurs utilisent MATLAB, Simulink et Predictive Maintenance Toolbox™ pour concevoir, tester et déployer des algorithmes personnalisés de surveillance d'état et de maintenance prédictive.
Avec MATLAB et Simulink, vous pouvez :
- Accéder aisément aux données en streaming et archivées à partir du stockage sur le cloud, des bases de données, des systèmes d'historisation de données et des protocoles industriels.
- Explorer, extraire et classer les caractéristiques de manière interactive avec Diagnostic Feature Designer.
- Développer des modèles prédictifs pour détecter les anomalies, identifier les défaillances et prédire la durée de vie utile restante (RUL).
- Créer des modèles basés sur la physique afin de générer des données de capteurs synthétiques et de déployer des jumeaux numériques.
- Générer du code C/C++ pour un traitement temps réel en périphérie.
- Intégrer vos systèmes IT/OT sans nécessiter de recodage : mettez à l'échelle les algorithmes dans le cloud sous forme de bibliothèques partagées, de packages, d'applications web, de conteneurs Docker, et bien plus encore.
Extraction et classement de caractéristiques de manière interactive sans écrire de code avec l'application Diagnostic Feature Designer dans MATLAB.
Pour continuer à explorer ce sujet
La maintenance prédictive applique l’analyse de données et le Machine Learning aux données issues des capteurs d’équipements afin de détecter des anomalies, surveiller l’état des actifs et prévoir les défaillances avant qu’elles ne surviennent. Cette approche permet de planifier les opérations de maintenance au moment le plus opportun, réduisant ainsi les temps d’arrêt et les coûts de maintenance.
La maintenance prédictive réduit les arrêts non planifiés, diminue les coûts de maintenance et prolonge la durée de vie des actifs. Cette approche est particulièrement importante dans les secteurs où la fiabilité a un impact direct sur la sécurité et la productivité.
La maintenance prédictive nécessite généralement des données historiques de séries temporelles provenant de capteurs de machines, telles que les vibrations, la pression ou la température, ainsi que les conditions de fonctionnement. Les historiques de maintenance et de défaillances sont également utiles pour étiqueter les données comme normales ou défaillantes. Ces informations servent à entraîner des algorithmes capables de détecter des motifs et d’anticiper d’éventuels problèmes à partir de données en temps réel.
La maintenance préventive repose sur un calendrier fixe, tandis que la maintenance prédictive utilise des données en temps réel et des modèles pour déterminer le moment optimal où une intervention est nécessaire. Cette approche réduit les opérations inutiles et aide à prévenir les défaillances imprévues.
Les algorithmes les plus courants incluent la détection d’anomalies, le diagnostic de défauts et l’estimation de la durée de vie restante (Remaining Useful Life, RUL). Ces modèles peuvent s’appuyer sur le Machine Learning, le Deep Learning et des méthodes statistiques pour analyser les données des capteurs et prédire les défaillances.
L’estimation du RUL consiste à prévoir les schémas de dégradation à partir des données historiques de défaillance et des mesures issues de capteurs. Cette approche implique la conception d’indicateurs de santé ainsi que l’utilisation de modèles spécialisés d’estimation du RUL (modèles de survie, de similarité ou de dégradation), de techniques de prévision de séries temporelles, de méthodes de régression ou encore de Deep Learning afin de prédire le moment où un composant risque de tomber en panne.
Les principaux défis incluent l’accès aux données issues des capteurs, le traitement de données bruitées et de grande dimension, l’extraction de caractéristiques pertinentes et la conception de modèles capables de se généraliser à différentes machines et conditions d’exploitation. Garantir des prédictions fiables avec peu de données de défaillance et maintenir la performance des modèles dans le temps constituent également des enjeux majeurs.
MATLAB fournit des outils spécialisés pour le traitement des données et du signal, l’extraction de caractéristiques, le Machine Learning et la maintenance prédictive. Simulink permet de simuler des systèmes ou des composants et de générer des données synthétiques réalistes. MATLAB s’intègre également aux dispositifs IoT et prend en charge le déploiement sur systèmes embarqués, ce qui le rend particulièrement adapté aux applications de maintenance prédictive en temps réel.
La détection d’anomalies permet d’identifier des comportements inhabituels dans les données issues des capteurs en caractérisant les conditions de fonctionnement normales et en détectant les écarts par rapport à ce comportement. Ces anomalies peuvent révéler des défauts potentiels avant qu’ils ne deviennent critiques. La détection d’anomalies constitue souvent la première étape d’un workflow de maintenance prédictive.
