Août 2019
L’Intelligence Artificielle en maintenance : prédire et prévenir
Anticiper une défaillance matérielle, prévoir une interruption de service, détecter un défaut sur une pièce en service offrent aux
entreprises ou collectivités la capacité de réagir et d’éviter des incidents aux conséquences parfois dramatiques.
Le calcul du temps moyen entre pannes (MTBF) est classique depuis de nombreuses années et est historiquement basé sur des
modèles statistiques. L’apport de l’Intelligence Artificielle est d’offrir une plus grande finesse dans la détermination des pannes,
une anticipation prenant en compte des facteurs « temps réels » voire de détecter des signaux faibles ou de découvrir des cas non
répertoriés.
Quelle maintenance ? en Juillet 2018 est estimé à 2,6 millions de dollars (sur la base
de 203500$/minute).
Les processus de maintenance se classent en trois
catégories : Selon une étude de l’institut IHS (de 2016), les défaillances
informatiques coûtent 700milliards de dollars par an aux
Maintenance corrective : celle-ci intervient alors que entreprises américaines.
l’incident a eu lieu et que la panne a déjà produit ses effets.
Le coût de la panne est subi par l’entreprise qui déclenche Enfin, en 2014, le cabinet Roland Berger avait évalué à 75%
une opération de réparation et, éventuellement, de la réduction de pannes des équipements pour les entreprises
maintenance des matériels connectés ou ayant pu être du secteur de l’énergie qui avaient mis en place des
impactés. Ce cas est le moins favorable pour l’entreprise. programmes de maintenance prédictive.
Maintenance préventive : ce schéma est le plus traditionnel. Intelligence Artificielle Prédictive
Il consiste à planifier des opérations de maintenance
La mise en œuvre de processus de maintenance prédictive
régulières sur les environnements en fonction du temps
impacte les méthodes de fonctionnement et doit faire l’objet
moyen entre pannes. Comme cette démarche est purement
d’un changement des pratiques voire des matériels sur les
statistique, elle entraîne des actions parfois coûteuses sans
chaînes de production.
qu’elles soient réellement justifiées. Pour éviter les
incidents, il y a la probabilité d’en faire plus que nécessaire L’Intelligence Artificielle peut intervenir à deux niveaux :
et donc d’engendrer un surcoût inutile. Détermination de la solution optimale : le programme de
Maintenance prédictive : le modèle idéal consiste à maintenance résulte d’un équilibre entre le taux de
s’appuyer sur des signaux faibles ou des éléments disponibilité des machines et équipements à contrôler et le
d’environnement qui permettent d’anticiper une panne et niveau de coûts supportable, l’objectif étant d’obtenir un
donc de déclencher de façon ciblée une action de Taux de Rendement Synthétique* (TRS) proche de 100%.
maintenance. L’Intelligence Artificielle propose des outils Cette recherche d’un optimum peut être complexe dans des
efficaces pour répondre à cette problématique. environnements où plusieurs processus sont en œuvre et où
Enjeux & impacts la maintenance prédictive implique le déploiement de
nouveaux outils de mesure.
Selon le Ponemon Institue, le coût moyen par minute d’une
Dans ces cas, obtenir une solution optimale peut être facilité
panne non programmée dans un datacenter était de 8 851
par des approches utilisant de l’Intelligence Artificielle.
dollars en 2015. En 2013, ce montant était de 7 908 dollars
en 2013 et 5 617 dollars en 2010. Même si la fréquence des Anticipation des pannes : l’usage de nouveaux capteurs, la
pannes dans ce contexte diminue, leur coût et leur impact prise en compte de signaux faibles, l’analyse d’écarts aux
augmente. valeurs nominales sont autant de facteurs que l’IA traite en
temps réel pour déterminer qu’une opération de
À titre d’exemple, le manque à gagner pour moins d’un quart
maintenance est nécessaire.
d’heure d’interruption de service des plateformes Amazon
- https://consulting.talan.com/
1
L’Intelligence Artificielle en maintenance : prédire et prévenir
Cette démarche est donc généralement associée au De nouvelles sources de données peuvent être prises en
déploiement d’objets connectés ou de sondes qui vont compte pour sa mise en œuvre : caméras thermiques,
recueillir des données complémentaires pour anticiper les détecteurs acoustiques, analyse de vibrations ou de gaz, …
pannes et donc déclencher une opération de maintenance.
Talan a conçu une méthodologie d’accompagnement pour
Cas d’usage les projets de maintenance prédictive afin d’accompagner
les clients sur l’ensemble du cycle de vie :
Talan a développé une expertise toute particulière en
matière de maintenance prédictive, notamment appliquée Détermination de la criticité des équipements : en
au transport ferroviaire. Ainsi, une application a été collaboration avec les équipes métiers et sur la base
développé pour examiner via des caméras l’état des voies et d’analyses factuelles, un indice de criticité est défini pour
des aiguillages afin de déterminer un défaut avant la chaque élément de la chaîne de production ou composant à
survenance d’un incident. surveiller.
Dans le même domaine, en combinant analyse d’images et Identification des outils ou capteurs de mesure
Machine Learning, les équipes de Talan ont conçu un nécessaires : l’environnement peut exiger le déploiement
procédé de détection des défauts sur les pantographes, d’objets connectés spécifiques ou s’appuyer sur des sondes
mécanisme articulé qui permet aux locomotives de déjà disponibles.
récupérer le courant par frottement sur les caténaires. Ce Collecte des données issues de ce nouvel environnement :
procédé évite d’attendre une défaillance du pantographe les informations sont rassemblées (généralement « dans le
pour intervenir. nuage » au moins pour les premiers traitements).
L’utilisation d’informations sonores est un autre moyen dans Modélisation des schémas d’incidents et de défaillances : à
la prévention des pannes. partir de données du passé, de l’expertise des métiers et la
Ainsi, la startup israélienne, 3DSignals, utilise le prise en compte d’incidents déjà connus, des modèles
DeepLearning pour anticiper les défaillances mécaniques à apprennent à repérer les signaux avant-coureurs d’une
partir d’analyses acoustiques. défaillance.
L’étude des bruits permet déterminer la détérioration de Généralisation des outils de Machine Learning :
pièces mécaniques et de prévenir ainsi les incidents. Cette l’environnement est généralisé afin qu’il poursuive son
approche peut être utilisée aussi bien sur une chaîne de apprentissage en situation réelle sur les nouvelles situations
production que dans le domaine automobile. et qu’il soit en mesure de comprendre les nouvelles pannes
puis qu’il puisse les anticiper.
De même, OneWatt a conçu un dispositif non invasif de
reconnaissance acoustique EARS (Embedded Acoustic En complément de cette démarche « technique », Talan
Recognition Sensor) en mesure d’écouter des moteurs et de effectue une estimation du coût de la mise en œuvre de la
détecter un incident avant qu’il se produise. Le procédé solution de maintenance prédictive et de son ROI.
anticipe donc les pannes mais indique aussi détermine les
causes de l’incident potentiel.
Laurent Cervoni, Directeur IA
Enfin, l’usine Bosch de Moulins Yzeure, dans son programme
« industrie 4.0 », spécialisée dans la production de systèmes
de freinage « EPS », exploite des détecteurs de vibrations
capables de déceler des mouvements anormaux et
d’anticiper les pannes.
Mise en œuvre
La maintenance prédictive s’impose depuis déjà plusieurs
années dans de nombreuses usines. Cependant,
l’émergence de l’IoT et de l’Intelligence Artificielle offre de
nouvelles perspectives et permet sa généralisation dans des
situations plus variées que les chaînes de production.
- https://consulting.talan.com/
2
L’Intelligence Artificielle en maintenance : prédire et prévenir
L’offre Talan Consulting
Dotée d’une expertise IA et métier issue de la
rencontre avec des experts du secteur, l’équipe Talan
Consulting vous accompagne pour accélérer
l’intégration de l’IA dans votre modèle opérationnel :
1. Sensibiliser vos équipes métiers et SI sur le champ
des possibles apporté par l’IA et ses impacts sur les
métiers
2. Animer des séminaires/ateliers pour identifier les
processus et métiers pouvant bénéficier de l’IA ou les
difficultés qu’elle peut résoudre
3. Définir les solutions les plus efficientes compte tenu
de vos besoins et de vos attentes
4. Développer et tester les solutions puis les intégrer
dans le SI
5. Industrialiser la phase de montée en compétence
des algorithmes et des équipes IA / métiers chez les
clients
CONTACTS
Une équipe mixte qui maîtrise les technologies de
l’Intelligence Artificielle et leur mise en œuvre dans des
environnements complexes :
Philippe LERIQUE, Partner IA
[email protected]06 84 80 79 87
Laurent CERVONI, Directeur IA
[email protected]06 99 43 63 99
*Note : Le Taux de Rendement Synthétique résulte du triple produit du Taux
de Fonctionnement brut, du Taux de performance et du Taux de Qualité.
Chacun de ces taux varie entre 0 et 100%, l’objectif étant d’arriver à 100%
pour le TRS. Ce taux est défini par la norme NF E60-182
- https://consulting.talan.com/
