Les machines qui prédisent l’avenir

L’époque des vols annulés, des trains en retard et des ascenseurs en panne pourrait bientôt toucher à sa fin. Aujourd’hui, les produits sont capables de prédire leur propre avenir. Grâce à la maintenance prédictive, ils peuvent anticiper les pannes avant qu’elles ne surviennent.

Par Rémy Le Moigne

Cet article a été publié initialement dans Circulate, le site éditorial de la Fondation Ellen MacArthur.

Moins médiatisée que le recyclage, le remanufacturing ou le reconditionnement, la maintenance constitue pourtant une « boucle » importante de l’économie circulaire. C’est même l’une des boucles les plus courtes du cadre de l’économie circulaire, ce qui offre aux entreprises une occasion de mieux préserver la valeur des produits, des composants et des matières. Malheureusement, en raison d’une mise en œuvre complexe et parfois coûteuse, les bénéfices d’une maintenance bien conduite restent souvent inexploités.

Ces dernières années, cependant, les capacités de maintenance ont considérablement progressé grâce à la maintenance prédictive, portée par la combinaison de plusieurs technologies : capteurs, cloud, big data et apprentissage automatique.

Les capteurs recueillent des données sur l’état des équipements, comme la température, la pression, les vibrations ou la vitesse. Par exemple, Rolls-Royce utilise 25 capteurs pour surveiller l’état de santé de son moteur d’avion Trent. Les données sont ensuite transmises à des plateformes cloud distantes par Wi-Fi, réseau mobile ou télécommunication par satellite.

Ces plateformes cloud gèrent de grandes quantités de données. Lorsque des milliers d’équipements dotés de dizaines de capteurs collectent des données chaque seconde, les volumes augmentent très vite. Les plateformes de forage offshore modernes comptent environ 80 000 capteurs, qui devraient générer quelque 15 pétaoctets (soit 15 millions de gigaoctets) de données au cours de leur durée de vie. Les plateformes cloud s’appuient donc généralement sur des technologies de big data pour traiter de tels volumes.

Une fois collectées et stockées, les données sont analysées par des algorithmes prédictifs qui détectent des schémas de défaillance en comparant les données en temps réel à des schémas de panne préalablement identifiés. Par exemple, Komatsu compare les données en temps réel de ses équipements miniers à des modèles préétablis pour déterminer si une opération de maintenance est nécessaire. Plus récemment, l’apprentissage automatique a permis aux algorithmes d’analyser et de mémoriser des schémas de panne en apprenant progressivement des données, ce qui leur permet de déceler des signes cachés sans règle explicite.

Les entreprises qui gèrent des équipements coûteux, en particulier dans l’aéronautique, le pétrole et le gaz, et le ferroviaire, ont été les premières à adopter la maintenance prédictive. Rolls-Royce surveille 4 500 moteurs en service depuis son Aircraft Availability Centre, tandis que les constructeurs aéronautiques et les entreprises de maintenance, réparation et exploitation utilisent la maintenance prédictive pour suivre l’état d’un avion de l’avant à l’arrière. À l’aide de capteurs à ultrasons et d’analyses avancées, GE est capable de prédire les défaillances de tuyauteries dues à la corrosion et à l’érosion dans les raffineries. Alstom utilise un « scanner » pour collecter des données sur ses trains, analysées par sa plateforme d’analyse de données « HealthHub », et la Deutsche Bahn utilise des capteurs pour détecter des vibrations anormales de ses aiguillages et repérer les anomalies susceptibles d’affecter différents composants de la voie.

Améliorer enfin la maintenance

Le processus de maintenance a peu évolué depuis son adoption par l’industrie dans les années 1950. Jusqu’à présent, la plupart des entreprises s’appuient sur un calendrier de maintenance régulier (maintenance préventive) ou ne réparent les équipements qu’en cas de panne (maintenance corrective). La maintenance préventive n’est pas toujours efficace, car des remplacements de composants par précaution peuvent être effectués inutilement ou au mauvais moment, tandis que la maintenance corrective peut coûter cher lorsque la panne entraîne un long arrêt.

La maintenance prédictive offre une bien meilleure solution. Contrairement à la maintenance préventive, elle ne remplace que la pièce nécessaire, au moment nécessaire. Non seulement elle détecte les conditions de fonctionnement qui conduiront à une panne, mais elle estime aussi le délai avant que celle-ci ne survienne, ce qui permet de planifier la maintenance. Contrairement à la maintenance corrective, elle évite aussi des arrêts coûteux. Par exemple, elle a permis de réduire de 16,3 % les arrêts dus à des pannes sur les systèmes d’imagerie par résonance magnétique de Hitachi.

De nombreuses industries pourraient tirer parti de la maintenance prédictive. Airbus et Boeing pourraient augmenter la disponibilité de leur flotte jusqu’à 35 % en réduisant les opérations de maintenance de routine, très consommatrices de temps. Selon McKinsey & Company, la maintenance prédictive permettrait de réaliser 10 à 40 % d’économies dans les usines. Les constructeurs ferroviaires pourraient réduire jusqu’à 15 % leurs coûts liés aux matériaux.

Au-delà de la maintenance prédictive

Une fois collectées et stockées, les données des équipements permettent d’améliorer non seulement l’efficacité de la maintenance, mais aussi celle des opérations et de l’énergie.

Ces données peuvent par exemple améliorer le remanufacturing. Autrefois, lorsque GE remanufacturait des moteurs diesel de locomotives, chaque moteur devait être entièrement démonté dès son arrivée, afin d’identifier ce qui devait être corrigé, avant d’être reconstruit. Aujourd’hui, GE connaît déjà l’usure de chaque composant de chaque moteur grâce à l’analyse de données historiques. L’entreprise sait quels composants nécessitent un travail intensif et une réparation sérieuse, lesquels demandent seulement une légère remise en état et lesquels n’ont besoin d’aucune réparation.

Les données d’équipement peuvent aussi aider à maximiser l’utilisation des équipements en optimisant leurs paramètres de fonctionnement. Caterpillar travaille avec ses clients pour réduire la consommation de carburant des navires, à partir de l’analyse de près de 40 millions d’heures de données de moteurs marins.

Les possibilités d’amélioration de l’efficacité des équipements sont considérables : la plupart des données des équipements restent inutilisées. Par exemple, sur une plateforme pétrolière, seulement 1 % des données collectées par les capteurs est examiné.

Choisir la bonne plateforme d’analyse de données

L’adoption de la maintenance prédictive se heurte à plusieurs difficultés, comme l’acquisition de compétences avancées en analyse de données, en infrastructure d’internet des objets ou en sécurité des données.

Pour combler ce déficit de compétences, des entreprises technologiques comme Microsoft, IBM et SAP, et des industriels comme GE, Siemens et Airbus proposent des plateformes d’analyse de données. Ces plateformes aident à stocker et sécuriser les données, à créer et gérer des applications et à exécuter des analyses. À l’image du système d’exploitation d’un ordinateur portable ou d’un smartphone, une plateforme assure en arrière-plan de nombreuses fonctions qui facilitent le travail et réduisent les coûts pour les développeurs, les gestionnaires et les utilisateurs.

Malheureusement, choisir une plateforme d’analyse de données n’est pas comparable au choix entre macOS et Windows pour un ordinateur, ou entre iOS et Android pour un smartphone. Il existe des centaines de solutions, et il faudra peut-être plusieurs années pour que le marché se consolide.

Plutôt que de déployer une plateforme d’analyse de données, il est aussi possible d’acheter des services de maintenance prédictive. De nombreux fournisseurs associent en effet leurs équipements à des services de maintenance, comme SKF pour ses roulements ou Thyssenkrupp pour ses ascenseurs. Plus ils ont de clients, plus ils peuvent analyser de données d’équipements et plus leurs algorithmes prédictifs gagnent en puissance. Avec le temps, ces fournisseurs peuvent évoluer vers de nouveaux business models où ils vendent des services plutôt que des produits. Rolls-Royce, par exemple, s’est appuyé sur ses capacités de maintenance prédictive pour mettre en place son modèle TotalCare, dans lequel ses moteurs d’avion sont facturés selon un tarif forfaitaire à l’heure de vol. Avec ces nouveaux business models, les fournisseurs ont intérêt non seulement à concevoir des produits durables, mais aussi à prolonger leur durée de vie.

Si la maintenance fait peu parler d’elle, elle a souvent plus d’impact sur le quotidien des gens que la grande majorité des innovations technologiques. Elle devient heureusement non seulement plus efficace, mais aussi plus accessible. D’abord utilisée pour les trains ou les avions, la maintenance prédictive l’est désormais pour les compresseurs, les systèmes de climatisation, les ponts ou les routes. Demain, elle le sera probablement pour les machines à laver, les aspirateurs ou les réfrigérateurs, ce qui améliorera la longévité des matières et des produits ainsi que l’efficacité énergétique de milliards d’équipements de toutes sortes.