La main­te­nance pré­dic­tive se dé­mo­cra­tise

Car­te­siam et Eo­lane ont mis au point Bob, un as­sis­tant de main­te­nance pré­dic­tive qui in­tègre une in­tel­li­gence ar­ti­fi­cielle au ni­veau des cap­teurs. Asy­stom pro­pose un sys­tème à base de ba­lises connec­tées.

Electronique S - - Sommaire - DI­DIER GIRAULT

Il y avait la main­te­nance cu­ra­tive (ou cor­rec­tive) qui consiste à ré­pa­rer un équipement une fois la panne sur­ve­nue. Il y avait la main­te­nance pré­ven­tive qui re­pose sur des in­ter­ven­tions pla­ni­fiées à l’avance, à in­ter­valles de temps fonc­tion des ma­chines. Il y a main­te­nant la main­te­nance pré­dic­tive (ou pré­vi­sion­nelle) qui consiste à sur­veiller cer­tains pa­ra­mètres si­gni­fi­ca­tifs du fonc­tion­ne­ment de la ma­chine pour anticiper les pannes. Au cas où une sé­quence pro­blé­ma­tique – pré­fi­gu­rant une dé­faillance de la ma­chine – se pro­duit, le sys­tème émet une alerte. Ce qui per­met de ne mo­bi­li­ser l’équipe de main­te­nance qu’en cas de pro­blème avé­ré. Dans la pra­tique, les don­nées sur­veillées sont sur­tout les vi­bra­tions et la tem­pé­ra­ture. Ces in­for­ma­tions sont col­lec­tées puis trai­tées par des al­go­rithmes qui savent dé­ce­ler les sé­quences pro­blé­ma­tiques.

Une so­lu­tion à in­tel­li­gence dis­tri­buée

L’in­té­rêt de la main­te­nance pré­dic­tive, c’est de ré­duire le nombre de pannes et de di­mi­nuer le coût des in­ter­ven­tions. Ain­si, en 2016, la SNCF a in­ves­ti 300 mil­lions d’eu­ros pour mettre en place une main­te­nance pré­dic­tive cou­vrant l’en­semble de son ré­seau fer­ro­viaire (50 000 km de voies et 2 200 ai­guillages). Ce qui doit lui per­mettre une éco­no­mie de 537 M sur sa fac­ture de main­te­nance entre 2015 et 2020. Se­lon Mar­ket­sandMar­kets, le mar­ché mon­dial de la main­te­nance pré­dic­tive de­vrait croître de 28,4 % par an entre 2016 et 2021, pas­sant de 1 404,3 M en 2016 à 4 904 M en 2021. De nou­velles so­lu­tions de main­te­nance pré­dic­tive se font jour. Ain­si, Car­te­siam, édi­teur de lo­gi­ciels B2B spé­cia­li­sé dans l’in­tel­li­gence ar­ti­fi­cielle em­bar­quée dans les ob­jets, et le sous­trai­tant en élec­tro­nique Eo­lane ont co­opé­ré à la mise au point de Bob, un as­sis­tant de main­te­nance pré­dic­tive pour équi­pe­ments in­dus­triels qui in­tègre une in­tel­li­gence ar­ti­fi­cielle au ni­veau des cap­teurs. Eo­lane a pris en charge la par­tie ma­té­rielle – in­cluant les trans­mis­sions se­lon LoRa –, et Car­te­siam la par­tie lo­gi­cielle. Dans la pra­tique, Bob réa­lise un diag­nos­tic en temps réel des équi­pe­ments qu’il est char­gé de sur­veiller, via des cap­teurs de vi­bra­tions et des cap­teurs de tem­pé­ra­ture. L’in­tel­li­gence ar­ti­fi­cielle lui per­met, dans un pre­mier temps, d’ap­prendre le com­por­te­ment des ma­chines, puis, dans un deuxième temps, de pro­cé­der à une sur­veillance ac­tive. Il en­voie alors des rap­ports à in­ter­valles fixes via ré­seau LoRaWan. Il émet aus­si des alertes en cas de pro­blème réel ou an­ti­ci­pé, à des­ti­na­tion d’une console de su­per­vi­sion, d’une plateforme In­ter­net ou du smart­phone de l’opé­ra­teur. Le cas échéant, Bob en­voie donc vers le Cloud non pas des don­nées brutes, mais de l’in­for­ma­tion is­sue de l’in­tel­li­gence em­bar­quée au ni­veau des cap­teurs. Cette so­lu­tion à in­tel­li­gence dis­tri­buée a été tes­tée par plu­sieurs clients, no­tam­ment par de grands groupes (EDF, Veo­lia). Pour Bo­ris Le­jean, di­rec­teur de l’In­no­va­tion chez Veo­lia Al­le­magne : « la so­lu­tion a été dé­ployée sur trois sites Véo­lia ba­sés en Al­le­magne pen­dant six mois. Nous avons été agréa­ble­ment sur­pris par sa fa­ci­li­té de mise en oeuvre et par la va­leur ajou­tée im­mé­diate per­çue par nos équipes de main­te­nance. Avoir en per­ma­nence une di­zaine “d’as­sis­tants” ex­perts qui écoutent, ana­lysent vos équi­pe­ments et vous alertent avant que des pro­blèmes ne se dé­clenchent a ap­por­té une grande sé­ré­ni­té à nos équipes de main­te­nance, sans mo­di­fier au­cun de nos pro­cess ac­tuels ». L’as­sis­tant Bob se­ra com­mer­cia­li­sé sous peu sous forme d’abon­ne­ment men­suel.

Des ba­lises à 6 cap­teurs

La start-up Asy­stom est, elle, à l’ori­gine d’une so­lu­tion à base de ba­lises connec­tées, pré­vue pour s’ins­tal­ler sur toutes les ma­chines. Ces ba­lises in­tègrent six cap­teurs (vi­bra­tions, tem­pé­ra­ture, hu­mi­di­té, chocs…). Les don­nées col­lec­tées sont trans­mises via ré­seau de com­mu­ni­ca­tion sans fil à courte ou longue por­tée (LoRa, par exemple) à une plateforme dans le Cloud où elles sont trai­tées et où les sé­quences pro­blé­ma­tiques sont re­pé­rées et font l’ob­jet de l’émis­sion d’une alerte. En se connec­tant à cette plateforme, l’uti­li­sa­teur peut vi­sua­li­ser ces in­for­ma­tions sur PC, ta­blette ou smart­phone. Les ba­lises ont une au­to­no­mie de cinq ans (pour un fonc­tion­ne­ment d’un re­le­vé par heure). Ce sys­tème de­vrait être com­mer­cia­li­sé au deuxième tri­mestre 2018.

< L’in­té­rêt de la main­te­nance pré­dic­tive, c’est de ré­duire le nombre de pannes et de di­mi­nuer le coût des in­ter­ven­tions.

Newspapers in French

Newspapers from France

© PressReader. All rights reserved.