La maintenance prédictive est l’un des cas d’usage de l’IA dont le retour sur investissement est le mieux documenté dans l’industrie. Les projets bien menés, dans des secteurs comme l’industrie lourde, l’énergie ou l’agroalimentaire, montrent des améliorations constantes de la disponibilité des équipements, une baisse des arrêts non planifiés et un allongement de la durée de vie des actifs critiques. Mais ces résultats n’ont d’utilité que replacés dans leur contexte.
À quels types d’entreprises et d’équipements s’appliquent-ils ? Quelles conditions doivent être réunies pour que cela fonctionne ? Et que se passe-t-il quand ces conditions ne sont pas idéales ?
Ce qu’est exactement la maintenance prédictive
La maintenance prédictive utilise les données de capteurs (vibrations, température, consommation électrique, pression, bruit) pour détecter les signes qui précèdent les pannes des équipements industriels. L’objectif est d’anticiper la panne suffisamment tôt pour programmer une intervention planifiée, en évitant à la fois l’arrêt non planifié (très coûteux) et le remplacement de pièces avant que cela ne soit nécessaire (maintenance préventive classique).
La différence avec la maintenance préventive traditionnelle est importante : au lieu de remplacer les pièces toutes les X heures de fonctionnement, quel que soit leur état, le système prédictif les remplace lorsque les données montrent que leur usure le justifie. On optimise ainsi l’utilisation des pièces et l’on réduit les interventions inutiles.
Quand elle a du sens
La maintenance prédictive n’a pas de sens pour tous les équipements ni pour toutes les entreprises. Les conditions qui la rendent viable sont les suivantes.
Des équipements critiques dont la panne coûte cher. L’effet économique de l’arrêt (production perdue, produits en cours gâchés, coût d’une réparation en urgence) doit justifier l’investissement dans le système prédictif. Si un arrêt non planifié coûte peu, l’équation économique de la maintenance prédictive est plus difficile à boucler pour cet équipement. Pour la plupart des actifs critiques de l’industrie, l’équation est favorable.
Des pannes progressives, et non instantanées. La maintenance prédictive fonctionne lorsque la panne est précédée d’une période de dégradation détectable. Les roulements, engrenages, moteurs électriques et compresseurs émettent des signes précurseurs détectables plusieurs semaines avant la panne. Les défaillances brutales et instantanées (une rupture soudaine, un court-circuit) se prêtent moins bien à cette approche.
La possibilité d’équiper la machine de capteurs. Si l’équipement n’a pas de capteurs ou ne peut pas en recevoir, il n’y a pas de données sur lesquelles construire le modèle. Les équipements récents intègrent souvent des capteurs. Les plus anciens peuvent en être équipés, moyennant un coût supplémentaire.
Le processus réel : des capteurs au modèle en production
Étape 1 : instrumentation et collecte des données. Si l’équipement dispose déjà de capteurs reliés à un système de supervision (SCADA, automates), les données existent peut-être. Sinon, il faut installer des capteurs et un système de collecte. Dans les usines anciennes, cette étape peut être la plus coûteuse et la plus longue.
Étape 2 : constitution d’un historique. Un modèle de maintenance prédictive a besoin de données historiques couvrant à la fois le fonctionnement normal de l’équipement et des événements de panne ou de maintenance. S’il existe des relevés historiques des pannes et des données de capteurs sur la période qui les a précédées, on peut commencer plus tôt. Sinon, il faut accumuler des données pendant plusieurs mois avant de pouvoir entraîner un modèle utile.
Étape 3 : développement du modèle. Les algorithmes les plus courants en maintenance prédictive sont les modèles de séries temporelles (pour détecter les tendances de dégradation), les modèles de classification (pour déterminer si l’équipement est dans un état normal ou dégradé) et les auto-encodeurs (pour détecter des anomalies sans disposer de nombreux exemples de pannes annotés). Le choix de l’algorithme dépend du type de panne à détecter et des données disponibles.
Étape 4 : intégration au processus de maintenance. Le modèle ne crée pas de valeur si ses prédictions ne parviennent pas aux techniciens de maintenance sous une forme exploitable. L’intégration à la GMAO (gestion de maintenance assistée par ordinateur), pour qu’une prédiction déclenche automatiquement un ordre d’inspection, est ce qui boucle la chaîne de valeur.
Ce que l’on peut attendre d’un projet bien mené
Les projets de maintenance prédictive bien menés produisent dans l’industrie des retours positifs documentés. Le retour réel dépend du coût des arrêts évités, du coût de maintenance corrective supprimé et de l’allongement de la durée de vie des équipements : autant de variables que chaque entreprise peut calculer avec ses propres données avant d’engager un investissement.
Certaines conditions se vérifient toujours : le modèle a besoin d’une période d’ajustement et de calibrage avant de fonctionner en toute confiance. Les techniciens de maintenance ont besoin de temps pour valider les recommandations du système et lui faire confiance. Et le système doit être maintenu et réentraîné lorsque les équipements ou les procédés changent.
Les projets qui n’atteignent pas les retours attendus présentent généralement l’un de ces problèmes : des données de capteurs trop bruitées ou trop lacunaires, un historique de pannes insuffisant, une absence d’intégration au processus de maintenance ou un manque d’adhésion de l’équipe.
Le point de vue du technicien de maintenance
Un aspect souvent sous-estimé dans les projets de maintenance prédictive est le point de vue de l’équipe de maintenance. Les techniciens expérimentés sentent quand une machine « sonne différemment » ou « vibre plus que d’habitude ». Un système prédictif qui leur donne raison en détectant ce qu’ils pressentaient déjà gagne vite leur confiance. Un système qui multiplie les fausses alertes, en prédisant des pannes qui ne surviennent pas, l’érode.
L’équilibre entre sensibilité (détecter les vraies pannes) et spécificité (ne pas déclencher de fausses alertes) est l’une des décisions de conception les plus importantes de ces projets, et le bon réglage dépend du coût relatif d’une panne non détectée par rapport à celui d’une intervention inutile.
Questions fréquentes
Faut-il remplacer tous les capteurs existants par des capteurs IoT avancés ? Pas nécessairement. De nombreux équipements industriels disposent déjà de capteurs de température, de vibrations et de consommation reliés à des automates ou à des systèmes SCADA. La première étape consiste à évaluer si les données déjà collectées suffisent pour construire un modèle utile. L’instrumentation complémentaire se fait là où existent des lacunes critiques.
Combien de temps faut-il pour que le système fonctionne correctement ? La période de calibrage initiale, pendant laquelle le système apprend le comportement normal de l’équipement et ajuste ses seuils d’alerte, dépend de la fréquence des incidents et de l’état initial des données. Pendant cette phase, les alertes doivent être validées activement avec l’équipe de maintenance afin de réduire les faux positifs et d’installer la confiance dans le système.
Le système prédictif remplace-t-il le technicien de maintenance ? Non. Le système apporte des informations supplémentaires qui améliorent les décisions du technicien. L’intervention physique, le diagnostic sur le terrain et la décision finale sur le moment et la manière d’agir restent un travail humain. Les projets les plus réussis sont ceux où le système et le technicien travaillent en équipe.