En ce qui concerne l'industrie 4.0 et le post-traitement des données acquises, il n'y a pratiquement aucun moyen de contourner la "science de la maintenance prédictive". Déjà en 2017, une étude des entreprises industrielles allemandes par la VDMA (Fédération allemande des ingénieurs) a établi qu'il s'agit d'un problème central pour les entreprises de l'industrie mécanique allemande. Deux ans plus tard, les statistiques montrent que seulement 38% des 323 entreprises industrielles allemandes interrogées n'utilisent pas d'applications scientifiques de maintenance prédictive. En fait, nous allons révéler ce qui se cache derrière la science de la maintenance prédictive, comment fonctionne la science de la maintenance prédictive et pourquoi les entreprises en bénéficient.
Qu'est-ce que la science de la maintenance prédictive?
La révolution industrielle via l'IoT (Internet des objets) dans l'industrie 4.0 a mis en lumière la maintenance prédictive. L'augmentation de la numérisation à l'aide de l'Internet des objets permet de connecter intelligemment les machines entre elles et, bien plus important dans ce contexte, de lire les données correspondantes des machines. La mesure et la lecture de données individuelles à l'aide de capteurs, par exemple, permettent une maintenance prédictive scientifique des machines. En termes simples, cela signifie qu'une machine peut envoyer des données. Ils sont utilisés pour surveiller en permanence le fonctionnement de la machine. Les données collectées sont stockées, comparées aux données des machines précédentes, puis évaluées. Sur la base de l'évaluation, d'autres mesures peuvent être prises, par exemple des optimisations. Ce qui paraît très simple doit être considéré dans le cadre d'un certain effort technique. Afin de tirer pleinement parti de la science de la maintenance prédictive, les conditions préalables correspondantes doivent être créées.
Les prérequis de base de la science de la maintenance prédictive
Premièrement, il doit être fondamentalement possible de collecter les données obtenues à partir des machines. Pour garantir que la lecture ne se fait pas uniquement sur des machines individuelles, il est recommandé de configurer un réseau complet. Cela se fait grâce à des capteurs. Les technologies et normes de transmission telles que RFID, LPWAN, NB-IoT, Sigfox et edge computing jouent toutes un rôle à cet égard. Les capteurs collectent diverses informations, notamment la température, la pression, l'utilisation de la capacité, la qualité de la production, les vibrations et le bruit. Les données collectées constituent la base de toutes les étapes ultérieures vers la science de la maintenance prédictive.
Étape 2 pour les exigences de maintenance prédictive scientifique de base
Dans la deuxième étape de l'exigence scientifique fondamentale de la maintenance prédictive, les données doivent avoir un emplacement où elles peuvent être collectées puis redistribuées. Les solutions de cloud computing peuvent être utilisées pour résister à cette avalanche de "big data". La plupart des solutions de cloud computing reposent sur la collecte de données non structurées, appelées lacs de données.
Voici une brève explication : Les données structurées sont stockées de manière ordonnée dans des dossiers correspondants, il est donc toujours possible de savoir quelles données se trouvent dans quel dossier. Dans le cas des lacs de données, les données sont collectées dans un grand "lac" (saumure), sans système et sans ordre spécifique.
Analyse de données pour la science de la maintenance prédictive
Jusqu'à la dernière étape de la science de la maintenance prédictive, les données sont simplement stockées et pas encore préparées sous une forme utilisable. L'utilisation d'un outil d'analyse est recommandée pour un traitement et une préparation ultérieurs. L'interface utilisateur respective de ces outils permet d'accéder uniquement aux données pertinentes et de détecter rapidement les problèmes. L'intelligence artificielle (IA) peut être utilisée à cette fin.
Une option dans ce contexte est l'apprentissage automatique (ML). Ici, des modèles sont développés sur la base d'algorithmes qui peuvent être appliqués à des données nouvelles et inconnues. Les modèles sont utilisés pour faire des recommandations, des décisions et aussi des prédictions. Grâce aux nouvelles données constamment reçues par l'algorithme, il est possible de réajuster sans cesse les différents modèles et de les adapter à des situations initiales modifiées. L'application du machine learning lui-même n'est pas seulement réduite aux appareils et aux machines, mais peut également être transférée aux bots (chat bots, voicebots et autres assistants numériques).
Maintenance prédictive scientifique : les avantages
Les différentes étapes pour arriver à un état de maintenance scientifique prédictive impliquent beaucoup d'efforts. Pour assurer une intégration fluide, il est recommandé de créer une preuve de concept (PoC) à l'avance, suivie d'un produit minimum viable (MVP), avant que l'intégration complète n'ait lieu. Cela permet de trouver une solution appropriée parfaitement adaptée aux circonstances individuelles. L'effort porte ses fruits à différents niveaux :
– réduire les coûts grâce à l'analyse complète des différentes étapes de la science de la maintenance prédictive, celles-ci peuvent être adaptées et améliorées de nombreuses fois. De plus, les entreprises bénéficient d'autres facteurs décisifs : en surveillant les fonctions de la machine, les défauts peuvent être détectés à un stade précoce, ce qui contribue à optimiser les processus de maintenance et les flux de travail. D'une part, les cycles de maintenance fixes peuvent être éliminés. Dans le même temps, les pièces de la machine ne sont remplacées que si elles sont vraiment défectueuses. Cela réduit la consommation de pièces d'usure. Dans le même temps, l'espérance de vie d'un système est également augmentée et les coûts d'immobilisation d'une machine sont réduits. Grâce à la prédiction des dysfonctionnements et des erreurs, les temps d'arrêt imprévus sont considérablement réduits. Au lieu de cela, les rendez-vous de correction de bogues peuvent être pris à des moments optimaux pour la production ;
– une qualité accrue grâce à la lecture constante des données de production issues de la science de la maintenance prédictive, les écarts de qualité sont immédiatement détectés afin qu'une réaction immédiate soit possible. La science de la maintenance prédictive peut également être utilisée pour étendre le service client, développer de nouveaux modèles commerciaux à cette fin, et ainsi augmenter la satisfaction client à long terme, que ce soit dans le domaine B2B ou B2C. Dans le domaine B2C en particulier, des processus liés supplémentaires, combinés à une maintenance prédictive basée sur la science, permettent un suivi précis de l'état de la production et de l'expédition, de sorte que le client sait toujours exactement quand sa livraison sera livrée. En plus du service proactif, la maintenance prédictive, y compris les données collectées, peut conduire à des modèles d'abonnement tels que x-as-a-Service à un stade ultérieur. La science de la maintenance prédictive apparaît initialement comme l'un des nombreux mots à la mode dans le contexte de l'industrie 4.0.
