Dès lors que le sujet de l'Industrie 4.0 et du traitement ultérieur des données acquises est concerné, il n'y a guère moyen de contourner la "Maintenance prédictive science". Dès 2017, une étude sur les entreprises industrielles allemandes réalisée par la VDMA (Fédération allemande des ingénieurs) a établi qu'il s'agit d'un sujet 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 de maintenance prédictive science. En effet, nous allons révéler ce qui se cache derrière la maintenance prédictive science, comment la maintenance prédictive science fonctionne et pourquoi les entreprises en bénéficient ?
En quoi consiste la maintenance prédictive science ?
La révolution industrielle grâce à l'IdO (Internet des objets) à Industry 4.0 a activement mis en lumière la maintenance prédictive. La numérisation croissante à l'aide de l'Internet des objets permet de connecter intelligemment les machines entre elles et ce qui est beaucoup plus important dans ce contexte de lire les données correspondantes des machines. La mesure et la lecture des données individuelles à l'aide de capteurs, par exemple, permettent la maintenance prédictive science des machines. En termes simples, cela signifie qu'une machine peut envoyer des données. Ils servent à 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, par exemple des optimisations, peuvent être prises. Ce qui semble très simple doit être considéré dans le cadre d'un certain effort technique. Afin de pouvoir utiliser tous les avantages de la maintenance prédictive science, les conditions préalables correspondantes doivent être créées.
Les conditions préalables de base de la maintenance prédictive science
Dans un premier temps, il doit être fondamentalement possible de collecter les données obtenues des machines. Afin de garantir que la lecture ne s'effectue pas uniquement sur des machines individuelles, il est recommandé de mettre en place un réseau complet. Cela se fait par l'intermédiaire de capteurs. Les technologies de transmission et les normes telles que la RFID, le LPWAN, le NB-IoT, Sigfox et l'informatique de pointe jouent un rôle dans ce domaine. Les capteurs recueillent diverses informations , notamment les températures, la pression, l'utilisation des capacités, la qualité de la production, les vibrations et le développement du bruit. Les données collectées constituent la base de toutes les étapes ultérieures vers la maintenance prédictive science.
Etape 2 pour les exigences de base de la maintenance prédictive science
Dans la deuxième étape pour l'exigence de base de la maintenance prédictive science, les données doivent avoir un emplacement où elles peuvent être collectées et ensuite distribuées à nouveau. Les solutions de cloud computing peuvent être utilisées pour résister à cette avalanche de "grosses données". La plupart des solutions de cloud computing reposent sur une collecte de données non structurées, appelée Data Lakes.
Voici une brève explication : les données structurées sont stockées de manière ordonnée dans des dossiers correspondants, de sorte qu'il est 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.
L'analyse des données pour la maintenance prédictive science
Jusqu'à la dernière étape de la maintenance prédictive science, les données sont simplement stockées et pas encore préparées sous une forme utilisable. L'utilisation d'un outil d'analyse est recommandée pour le traitement et la préparation ultérieurs. L'interface utilisateur respective de ces outils permet d'accéder uniquement aux données pertinentes et de détecter les problèmes à temps. L'intelligence artificielle (IA) peut être utilisée à cette fin.
Une option dans ce contexte est l'apprentissage machine (ML). Ici, les 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 que l'algorithme reçoit en permanence, il est possible de réajuster les différents modèles encore et encore et de les adapter à des situations initiales modifiées. L'application même de l'apprentissage machine n'est pas seulement réduite aux appareils et aux machines, mais peut également être transférée aux bots (chat bots, voicebots et autres assistants numériques).
La maintenance prédictive science : les avantages
Les différentes étapes pour atteindre un état de maintenance prédictive science impliquent beaucoup d'efforts. Pour assurer une intégration harmonieuse, il est conseillé de créer à l'avance une preuve de concept (Proof of Concept - PoC), suivie d'un produit viable minimum (Minimum Viable Product - MVP), avant que l'intégration complète n'ait lieu. Il est ainsi possible de trouver une solution adaptée qui réponde parfaitement aux circonstances individuelles. L'effort en vaut la peine à différents niveaux :
- réduire les coûts grâce à l'analyse complète des différentes étapes de la maintenance prédictive science, celles-ci peuvent être adaptées et améliorées à maintes reprises. En outre, les entreprises bénéficient d'autres facteurs décisifs : en surveillant les fonctions des machines, les dysfonctionnements peuvent être détectés à un stade précoce, ce qui permet d'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 des machines ne sont remplacées que si elles sont réellement défectueuses. Cela permet de réduire la consommation de pièces d'usure. En même temps, l'espérance de vie d'un système est également augmentée et les coûts d'arrêt d'une machine sont réduits. Grâce à la prévision des dysfonctionnements et des erreurs, les temps d'arrêt imprévus sont nettement moins nombreux. Au lieu de cela, des rendez-vous pour la correction des erreurs peuvent être pris à des moments optimaux pour la production ;
- augmentation de la qualité grâce à la lecture constante des données de production de la maintenance prédictive science, les écarts de qualité sont immédiatement détectés de sorte qu'une réaction immédiate est possible. La maintenance prédictive science peut également être utilisée pour étendre le service à la clientèle, développer de nouveaux modèles commerciaux à cette fin et ainsi accroître la satisfaction des clients à long terme - que ce soit dans le domaine B2B ou B2C. Dans le domaine B2C en particulier, des processus supplémentaires liés, combinés à la maintenance prédictive science, permettent un suivi précis de l'état de la production et de l'expédition, de sorte que le client sait toujours exactement quand il recevra sa livraison. En plus d'un service proactif, la maintenance prédictive incluant les données collectées peut conduire à des modèles d'abonnement tels que x-as-a-Service dans une étape ultérieure. La maintenance prédictive science semble initialement être l'un des nombreux mots à la mode dans le contexte de l'industrie 4.0.