La maintenance prédictive est souvent identifiée à l’intelligence artificielle et aux modèles complexes. Cependant, pour la plupart des organisations, la première étape utile est plus simple : disposer d’un registre d’actifs fiable, de données d’état interprétables et d’un flux de travail cohérent.

Les trois logiques de maintenance

Réactive et planifiéeRéparation après panneIntervention basée sur le temps ou les heures de fonctionnementSimple, mais peut être trop tôt ou trop tard
Dépendante de la condition et prédictiveIntervention basée sur un état mesurableSuivi de la détérioration et des risquesMeilleur timing, mais nécessite de bonnes données et processus

Une approche prédictive n'est pas justifiée pour tous les outils. Pour un composant non critique bon marché, facilement remplaçable, la stratégie réactive peut également être économique. La décision doit être prise en fonction de la conséquence de la panne, de sa fréquence, de sa détectabilité et du coût de l'intervention.

Une alarme n'est pas encore un diagnostic.

Une limite dépassée indique que quelque chose est différent de ce qui est attendu, mais ne vous indique pas nécessairement pourquoi. La même température élevée peut résulter de changements de charge, d’effets environnementaux, d’une défaillance du capteur ou d’une véritable détérioration technique.

Par conséquent, la valeur doit être prise en compte en conjonction avec l'état de fonctionnement, la charge, l'environnement et le comportement passé. L’objectif n’est pas autant d’alarmes que possible, mais un petit nombre d’événements justifiés et hiérarchisés.

La chaîne complète : du statut au bon de travail

Mesure du statut→Déviation→Risque→Bon de travail→Commentaires

L'événement doit être lié à l'actif, à son rôle critique et à son historique de maintenance. La bon de travail enregistre le test, l'erreur trouvée, le matériel utilisé et le résultat. Ce feedback rend la règle ou le modèle plus précis ultérieurement.

D'une simple règle à une prévision

Il est logique de procéder progressivement. Le premier niveau peut être une valeur limite et une condition de durabilité bien choisies. L'étape suivante consiste à évaluer la tendance, le taux de changement ou plusieurs signaux ensemble. Un modèle statistique ou d'apprentissage automatique est justifié lorsqu'il existe suffisamment de données historiques de haute qualité et des exemples d'erreurs correctement documentés.

Un modèle compliqué ne compense pas une identification incomplète de l'appareil, un mauvais point de mesure ou un codage d'erreur incohérent.

Pilote et critère de réussite

Un bon départ est un groupe d'outils critiques mais bien observables. Il est nécessaire d'enregistrer à l'avance ce que nous considérons comme le résultat : moins d'arrêts inopinés, des délais de prévision plus longs, moins de contrôles inutiles ou une meilleure conception des composants. Le nombre de fausses alarmes doit être mesuré de la même manière que les erreurs détectées.

Liste de contrôle de décision

  • La défaillance d'un actif constitue-t-elle un risque opérationnel ou financier important ?
  • Existe-t-il un signal mesurable qui empêche l'erreur à temps ?
  • Les données d'état peuvent-elles être interprétées avec le contexte de charge et d'environnement ?
  • L'incident deviendra-t-il une tâche de maintenance réglementée ?
  • Enregistrons-nous le résultat du test et le véritable mode de défaillance ?
  • Mesure-t-on également les fausses alarmes et les alarmes manquées ?

La valeur de la prédiction peut être mesurée lors de l'exécution

OrigSmart ne traite pas l'état de l'appareil comme un tableau de bord séparé : l'événement peut être lié aux données de base, à l'emplacement, à la tâche de maintenance et au résultat de clôture de l'appareil.

Parlons de la surveillance de l'état de santé