Concrétisez le potentiel de la maintenance prédictive avec l’IoT

Identifier le résultat visé

Déterminez les processus métier cibles à améliorer et les résultats souhaités que vous souhaitez atteindre.

Ce que vous prédisez doit être une action sur laquelle vous pouvez agir. Sinon, cette prédiction n’a aucune valeur. Par exemple, il est inutile de prédire qu’une unité de chauffage et de climatisation va tomber en panne si vous ne pouvez rien faire pour prévenir cette situation.

Commencez par déterminer le résultat que vous souhaitez atteindre : cela détermine la question prédictive à laquelle vous devez répondre et vous aide à mesurer le succès de vos efforts.

Les questions courantes sur la maintenance prédictive sont les suivantes :

  • Durée : combien de temps reste-t-il à l’équipement jusqu’à ce qu’il tombe en panne ?
  • Probabilité : quelle est la probabilité de défaillance en (x) nombre de jours ou de semaines ?
  • Cause : quelle est la cause probable d’une défaillance donnée ?
  • Classement par niveau de risque : quel équipement présente le plus grand risque de défaillance ?
  • Recommandation de maintenance : compte tenu d’un code d’erreur donné et d’autres conditions, quelle activité de maintenance est la plus susceptible de résoudre le problème ?

Sources de données d’inventaire

Identifiez toutes les sources potentielles et tous les types de données pertinentes. Le résultat que vous recherchez influencera les données essentielles et les données facultatives.

Incluez des données provenant de diverses sources. Vous serez peut-être surpris des endroits d’où proviennent des informations clés.

Commencez par comprendre quelles données sont disponibles à partir de différentes sources de données. Ces données peuvent être structurées ou non, et peuvent provenir de systèmes internes ou tiers.

Voici des exemples de données pertinentes :

  • Conditions d’exploitation : emplacement, température, opérateur de l’équipement, etc.
  • Détails de la défaillance : timing, météo, cause, etc.
  • Historique des réparations

Même avec des données partielles, vous pouvez tirer parti de solutions intermédiaires telles que la détection d’anomalies, qui implique une surveillance en temps réel pour détecter des tendances et des modèles inhabituels. De cette façon, vous pouvez toujours détecter les anomalies tout en collectant les données spécifiques nécessaires à la création d’un modèle prédictif robuste à votre problème.

Capturer et combiner des données

Connectez toutes vos données à un seul endroit et préparez-les pour l’analyse.

Jetez les bases d’un modèle prédictif robuste en extrayant des données comprenant à la fois les journaux des comportements attendus et des échecs.

Vous êtes maintenant prêt à jeter les bases de l’analyse prédictive, notamment :

  • La connexion des données de différentes sources en un seul système cohérent.
    Etant donné que les données peuvent résider dans de nombreux endroits différents, leur connexion à un seul système cohérent est une étape clé. Dans certains cas, il peut être nécessaire de déplacer des données, mais dans de nombreux cas, il s’agit de connecter une source de données à un système d’analyse. Étant donné que vous traitez probablement de gros volumes de données, il est important d’utiliser un outil d’analyse capable de gérer le Big Data.
  • Normalisation des données.
    La normalisation des données peut prendre du temps, mais elle revêt également une importance capitale, en particulier si vous vous fiez partiellement aux informations anecdotiques de vos équipes de réparation. La normalisation des données contribue également à améliorer la précision et la validité de votre analyse.

Modéliser, tester et itérer

Identifiez les modèles inattendus en développant des modèles prédictifs à l’aide de techniques d’apprentissage automatique. Classez par ordre de priorité les modèles pour déterminer quel modèle est le mieux à même de prévoir le timing des défaillances d’unité.

Faites de votre modèle un modèle actionnable en comprenant le délai requis par l’équipe de maintenance pour répondre à une prédiction.

Commencez par analyser les données pour identifier des tendances significatives. Cela implique de développer un ensemble de modèles utilisant un sous-ensemble de données. Lorsque vous analysez et modélisez les données, il peut être utile d’avoir une hypothèse que vous testez. Cela a pour effet de guider votre réflexion sur les signaux à cibler et de vous fournir une base de référence permettant d’évaluer les résultats analytiques.

Ensuite, définissez l’ordre de priorité des modèles, en utilisant les données restantes pour déterminer quel modèle répond le mieux à votre question prédictive. N’oubliez pas qu’un modèle doit être actionnable pour qu’il soit utile. Les efforts d’analyse doivent donc être fermement ancrés dans le contexte métier. Par exemple, si votre équipe de réparation a besoin d’un préavis de 48 heures pour répondre aux demandes d’entretien, un modèle pouvant donner lieu à une action prévoit les pannes plus de 48 heures avant leur survenue.

La modélisation prédictive vous aide à identifier les conditions indiquant des problèmes d’équipement futurs. Avec ces informations, vous pouvez ajuster les processus et les systèmes pour déclencher des actions préventives lorsque ces conditions se produisent. En d’autres termes, vous pouvez convertir les insights du modèle en changements opérationnels, qui représentent une valeur métier significative.

Valider le modèle dans un contexte opérationnel réel

Appliquez votre modèle à des données de streaming en temps réel et observez son fonctionnement dans des conditions réelles. Utilisez l’apprentissage automatique pour améliorer votre modèle et préparez-le pour une implémentation complète.

Soyez disposé à affiner votre approche en vous basant sur les données que vous avez collectées lors du projet pilote en situation réelle.

Surveiller les équipements connectés

Pour exécuter un projet pilote de maintenance prédictive compatible IoT, votre équipement doit être connecté et envoyer les dernières données opérationnelles aux systèmes appropriés. Votre modèle analyse ce flux de données en temps réel pour détecter les problèmes et déclencher des alertes ou des actions préventives, par exemple commander une pièce de rechange ou planifier l’intervention d’un technicien.

Planification du projet pilote

Commencez par définir la portée du projet pilote, notamment les équipements, les systèmes et les emplacements concernés, les scénarios à tester, les conditions dans lesquelles déclencher une alerte ou une action (par exemple, la commande automatique d’une pièce de rechange), les mesures de réussite et le calendrier.

Appliquer votre modèle et affiner vos résultats

Tout au long du projet pilote, vous collectez continuellement de nouvelles données qui aident à affiner les plages acceptables et peuvent également mettre en évidence de nouveaux signaux de défaillance. N’ayez pas peur d’ajuster votre approche en fonction de ce que vous disent les dernières données opérationnelles et analytiques.

Intégrer aux opérations

Opérationnalisez le modèle en ajustant les processus de maintenance, les systèmes et les ressources pour prendre en compte de nouveaux insights. Apportez des améliorations en continu en tirant des insights de l’apprentissage automatique et de l’analytique avancée.

Renforcez vos processus et procédures pour mettre à profit vos enseignements.

Une fois que vous avez atteint les objectifs du projet pilote et affiné le modèle, vous êtes prêt pour une implémentation plus large.

Cela impliquera probablement le déploiement d’un certain nombre de changements opérationnels, telles qu’un calendrier de réparation révisé et/ou dynamique, ou la modification de stratégies pour hiérarchiser les réparations immédiates lorsque certaines données dépassent une plage spécifiée. Étant donné que le changement opérationnel peut être considérable, il est recommandé d’adopter une approche progressive afin d’obtenir des avantages supplémentaires.

Les améliorations opérationnelles pouvant être apportées lors du déploiement d’une approche de maintenance prédictive sont considérables. Vous pouvez par exemple :

  • Optimiser ce que votre équipe de réparation fait et à quel moment : ajustez les horaires et les itinéraires de réparation pour réduire les pannes et éliminer les déplacements supplémentaires.
  • Modifier votre approche d’achat de pièces de rechange afin d’éviter de conserver des stocks excédentaires : une commande de pièces peut être déclenchée juste à temps.
  • Proposer une maintenance prédictive en tant que service pour générer des revenus de rente et de maintenir des relations suivies avec vos clients.

Ce ne sont là que quelques exemples de la manière dont la maintenance prédictive vous permet d’accroître l’efficacité, de réduire les coûts et de faire évoluer votre entreprise.

Créez votre solution de maintenance prédictive

Bien démarrer