La maintenance prédictive fait son entrée dans l’atelier
L’usine moderne est un environnement complexe, souvent de haute technologie. Les lignes d’assemblage comprennent une large gamme d’équipements et de composants, chacun exécutant une tâche précise dans un ordre donné. Un problème avec un seul composant suffit à enrayer toute la mécanique et à provoquer l’arrêt brutal de l’ensemble du processus de fabrication. Ces arrêts étant extrêmement coûteux, les usines accordent une attention particulière – et consacrent un budget considérable – aux activités de maintenance. Le problème tient au fait que la plupart de ces activités de maintenance sont soit routinières (elles ont lieu qu’une pièce d’équipement ait besoin d’être réparée ou non), soit réactives (elles sont menées à la suite d’une panne). Bien que ces approches contribuent à réduire le risque d’un arrêt de longue durée, aucune des deux n’est vraiment efficace à l’heure de prévenir un tel arrêt. C’est pourquoi les usines ont besoin d’une maintenance prédictive – et c’est exactement ce que le projet PROGRAMS (PROGnostics based Reliability Analysis for Maintenance Scheduling), financé par l’UE, entend proposer. «Nous avons l’intention d’extraire des informations à tous les niveaux de l’usine (contrôleurs et données des capteurs, rapports de maintenance, expérience des opérateurs, caractéristiques physiques, etc. et, grâce à un algorithme alimenté par l’intelligence artificielle, nous serons en mesure de déterminer la programmation optimale des activités de maintenance», explique Sotiris Makris, coordinateur du projet et responsable du groupe Robots, automatisation et réalité virtuelle au sein du Laboratory for Manufacturing Systems and Automation de l’Université de Patras, en Grèce. «En limitant l’incidence des activités de maintenance sur le plan de production, nous pouvons contribuer à accroître la productivité et à réduire les coûts.»
Une révolution dans la maintenance prédictive
La principale réalisation du projet réside dans le développement d’un outil innovant permettant de prédire la durée de vie utile résiduelle (DVR) d’une pièce. «Cet outil, grâce à ses algorithmes intelligents qui exploitent des modèles fondés sur l’IA et des données recueillies sur le terrain, représente une véritable révolution dans la maintenance prédictive», fait remarquer Sotiris Makris. D’après Sotiris Makris, si une entreprise connaît la DVR d’une pièce, elle peut alors calculer ses dépenses de capital à court et à long terme. «Ces informations améliorent la prise de décisions relatives à la commande de pièces de rechange ou à la programmation des activités de maintenance», ajoute-t-il. «Elles permettent également de s’assurer que le personnel est correctement formé pour exécuter une tâche de maintenance spécifique.» Lors de l’élaboration de l’outil, les chercheurs ont été confrontés à un défi unique. «Étrangement, aucune panne n’est survenue au cours du projet. Nous n’avons dès lors pas obtenu de données sur les cas de panne, données qui auraient permis d’affiner notre algorithme d’IA», explique Sotiris Makris. Au lieu de cela, le projet a eu recours à des modèles fondés sur l’IA pour simuler le rendement insuffisant de l’équipement. «Avant de tomber en panne, une machine connait une détérioration de ses performances, suivie d’une diminution de la qualité du produit», ajoute Sotiris Makris. «Cet ajustement a été très bien accueilli par nos partenaires industriels, car il leur permet d’éviter non seulement les pannes, mais aussi la diminution avant-coureuse des performances.»
Une étape importante
Le projet s’attache désormais à améliorer le niveau maturité de son outil en vue de sa commercialisation. «Notre objectif ultime est de préparer des solutions de maintenance prédictive robustes et fondées sur l’IA qui peuvent être intégrées dans des applications industrielles», précise Sotiris Makris. L’atteinte de cet objectif a été facilitée en partie par le fait que le projet est membre du ForeSee Cluster, un réseau rassemblant six projets financés par l’UE axés sur le développement de technologies de maintenance prédictive. «Notre intégration dans ce cluster a représenté une étape importante pour le projet», conclut Sotiris Makris. «Cette participation garantit que nos résultats seront intégrés dans les efforts de normalisation et permettra de nous faire connaître auprès d’un florilège de parties prenantes qui pourront se servir de nos travaux comme base pour leurs propres recherches.»
Mots‑clés
PROGRAMS, maintenance prédictive, maintenance, usine, algorithmes intelligents, intelligence artificielle, IA, analyse de données, durée de vie utile résiduelle, lignes d’assemblage, fabrication, applications industrielles
