0.

INTRODUCTION

Dans un environnement industriel de plus en plus axé sur la fiabilité et l’optimisation des
performances, la maintenance prédictive est devenue une nécessité pour réduire les couts,
minimiser les temps d’arrêt et prolonger la durée de vie des équipements. L’exploitation minière, en
particulier, est un secteur ou la détection précoce des pannes peut avoir un impact significatif sur la
rentabilité et la sécurité des opérations.

0.1 Présentation du sujet

Jadis, la maintenance des équipements industriels reposait principalement sur des interventions
correctives, c’est-à-dire que les réparations n’étaient effectuées qu’après l’apparition d’une panne.
Cette approche, bien qu’économique à court terme, engendrait souvent des arrêts imprévus de
production et des coûts élevés sur le long terme. À cette époque, les technologies de surveillance
étaient rudimentaires et limitées à des inspections humaines ou à des instruments analogiques
simples. Les entreprises telles que MMG (Mineral Mining Group) devaient se contenter d’une
gestion réactive de leurs équipements, ce qui posait des défis importants pour la productivité et la
sécurité.

Avec les progrès de l’électronique dans les années 1980-1990, les entreprises ont commencé à
intégrer des capteurs pour surveiller les paramètres critiques des machines (température, vibration,
pression, etc.). Cette évolution a permis l’essor de la maintenance préventive, une approche
planifiée où les interventions sont programmées à intervalles réguliers pour prévenir les pannes.
Bien que plus efficace que la maintenance corrective, cette méthode ne tenait pas toujours compte
de l’état réel des équipements. MMG, comme d’autres entreprises industrielles, a alors entamé une
transition vers une meilleure gestion des actifs basée sur les données collectées.

Au début des années 2000, l’essor des systèmes d’automatisation industrielle et de supervision
comme SCADA (Supervisory Control And Data Acquisition) a permis d’aller encore plus loin. La
maintenance conditionnelle (ou prédictive) s’est imposée : les données en temps réel issues des
capteurs pouvaient être analysées pour évaluer l’usure des composants et anticiper les pannes.
Cette approche a introduit des algorithmes d’analyse simples, mais elle manquait encore
d’intelligence pour gérer de gros volumes de données ou pour détecter des corrélations complexes.

Avec l’explosion du Big Data et de l’intelligence artificielle dans les années 2010, les entreprises
industrielles ont commencé à adopter des modèles statistiques avancés, tels que la régression
logistique, pour modéliser la probabilité de défaillance d’un équipement à partir de données
historiques. Contrairement aux règles fixes, ces modèles apprennent à partir des tendances passées
pour prédire les risques. La régression logistique, en particulier, s’est révélée efficace pour classifier
des situations comme « à risque » ou « normal » en fonction de multiples variables. MMG peut ainsi
anticiper les défaillances de ses équipements et planifier des actions de maintenance ciblées,
réduisant ainsi les arrêts et les coûts.

Aujourd’hui, les systèmes de maintenance prédictive intègrent l’IA, l’Internet des objets (IoT),
l’analyse en temps réel et l’apprentissage automatique. Chez MMG, un système basé sur la
régression logistique peut désormais être intégré à une plateforme intelligente connectée aux
capteurs des équipements. Cela permet une surveillance continue, des alertes automatisées, et
même des recommandations de maintenance générées par des algorithmes. Cette évolution vers
une maintenance intelligente transforme profondément l’industrie, en offrant une meilleure
fiabilité, une optimisation des ressources et une gestion proactive des actifs.
 0.2 Objectif

L'objectif principal de cette étude est de concevoir et de mettre en place un système prédictif basé
sur la régression logistique pour la détection des pannes et la gestion de la maintenance des
équipements au sein de MMG Kinsévére. En utilisant des données historiques sur les équipements,
le système vise à prédire les pannes potentielles en fonction de différents paramètres comme les
vibrations, la température, la pression, ou d'autres indicateurs de performance. Cette approche
permettra de passer d’une maintenance réactive à une maintenance préventive, réduisant ainsi les
coûts liés aux pannes imprévues et améliorant la fiabilité des équipements.

En parallèle, l’étude a pour objectif d’optimiser les opérations minières en augmentant la durée de
vie des équipements et en diminuant les interruptions de production dues aux défaillances. En
anticipant les pannes grâce à un modèle de régression logistique bien conçu, MMG Kinsévére pourra
planifier ses interventions de manière plus efficace, réduire les arrêts non planifiés et maximiser la
rentabilité de ses équipements. Ce système contribuera également à améliorer la sécurité sur le site
en minimisant les risques liés à la défaillance des équipements critiques.

0.3 Apport du travail

1. Apport scientifique

L'apport scientifique de cette étude réside dans l'application concrète de la régression logistique, un
modèle statistique largement utilisé dans les domaines de la classification et de la prédiction, dans le
secteur de la maintenance prédictive des équipements industriels. Cette recherche contribue à
enrichir la littérature sur l'utilisation des techniques de machine learning dans la gestion des
équipements, en particulier dans un contexte minier où les contraintes de fiabilité et de
performance sont particulièrement critiques. En adaptant la régression logistique aux spécificités des
données issues des équipements de MMG Kinsévére, l'étude propose une méthodologie novatrice
pour la détection précoce des défaillances, permettant ainsi d'optimiser les processus de
maintenance dans un environnement complexe. Ce travail pourrait servir de base pour d'autres
recherches appliquées à des industries similaires, en fournissant un cadre pour la mise en œuvre de
solutions basées sur des données.

2. Apport personnel

D'un point de vue personnel, la mise en œuvre de ce projet offre une occasion unique d'approfondir
les connaissances en statistiques avancées et en machine Learning, tout en acquérant des
compétences pratiques dans l'application de modèles prédictifs à des problèmes industriels réels.
Travailler sur un cas concret comme celui de MMG Kinsévére permet de lier théorie et pratique, et
de développer des compétences en analyse de données, gestion de projets technologiques, et en
compréhension des défis de la maintenance dans des environnements industriels. Ce travail permet
également d'apprendre à manipuler de grandes quantités de données et à en extraire des insights
utiles pour la prise de décisions, tout en contribuant à l’innovation dans un domaine stratégique.

3. Apport social

L'apport social de cette étude est également considérable, notamment en ce qui concerne
l'amélioration des conditions de travail et la sécurité des employés. En permettant une détection
plus précise des pannes et en optimisant la maintenance des équipements, le système proposé
pourra réduire les risques liés aux défaillances d’équipements, qui peuvent entraîner des accidents
graves ou des situations dangereuses dans les mines. De plus, cette approche contribuera à la
durabilité des opérations minières en réduisant les interruptions imprévues de production, ce qui
peut avoir un impact positif sur l'économie locale en créant un environnement de travail plus sûr et
plus stable. Enfin, en permettant à MMG Kinsevere de devenir un leader dans l’adoption de
technologies avancées pour la maintenance prédictive, cette étude pourrait inspirer d'autres
entreprises à investir dans des solutions technologiques pour améliorer leurs processus industriels,
avec des bénéfices sociaux et économiques pour toute la communauté.

0.4 Problématique et hypothèse

1. Problématique

Dans l'industrie minière, la gestion des équipements et des machines est un facteur clé. Les pannes
imprévues d'équipements peuvent entraîner des arrêts de production importants, des coûts élevés
pour les réparations et des risques pour la sécurité des employés. MMG Kinsevere, en tant qu'acteur
majeur du secteur, fait face à ces défis en raison de la complexité et de la criticité des équipements
utilisés dans ses opérations minières. Malgré les efforts pour maintenir ces machines en bon état de
fonctionnement, la maintenance reste souvent réactive, ce qui engendre des interruptions
imprévues et une gestion inefficace des ressources. Dès lors, la problématique centrale de cette
étude est la nécessité de développer un système fiable et efficace qui permettrait de prédire les
défaillances des équipements avant qu’elles ne surviennent, afin de minimiser les coûts de
maintenance et d'optimiser la gestion des ressources et réduire les couts de maintenance en
utilisant des techniques d’intelligence artificielle, comme la régression logistique ?

2. Hypothèse

L'hypothèse de cette étude repose sur le fait qu’un système de maintenance prédictive basé sur la
régression logistique, utilisant des données historiques et des paramètres opérationnels des
équipements (comme les températures, vibrations, pressions, etc.), pourra anticiper avec une
précision suffisante les pannes potentielles. Ce système, en identifiant les équipements susceptibles
de tomber en panne dans un futur proche, permettra à MMG Kinsévére de planifier les interventions
de maintenance avant qu’une défaillance n'affecte la production. Ainsi, l’hypothèse principale est
que la mise en place d'un tel système permettra non seulement de réduire les coûts et le temps
d’arrêt des équipements, mais également d'améliorer la sécurité et la fiabilité des opérations
minières de l'entreprise.

0.5 Méthodologie et Technique

a. Méthodologie

La méthodologie de cette étude repose sur plusieurs étapes clés visant à concevoir et à mettre en
place un système de maintenance prédictive basé sur la régression logistique. Tout d'abord, la
collecte et préparation des données seront réalisées à partir des historiques de pannes et des
données opérationnelles des équipements de MMG Kinsévére, telles que les températures,
vibrations, pressions, et d'autres paramètres de performance. Cette phase est essentielle car la
qualité des données influe directement sur la précision du modèle. Ensuite, des techniques de
prétraitement des données seront appliquées pour traiter les valeurs manquantes, normaliser les
données et sélectionner les variables pertinentes. La régression logistique sera choisie comme
modèle statistique en raison de sa capacité à prédire la probabilité d'une panne en fonction des
paramètres d'entrée et de son efficacité dans des situations de classification binaire (panne ou pas
de panne). La validation croisée sera utilisée pour évaluer la performance du modèle et éviter le sur-
apprentissage. Enfin, une phase de déploiement du système sera effectuée pour intégrer le modèle
dans le processus de maintenance de l'entreprise, avec un suivi continu pour affiner le système.
Cette approche combinée garantit à la fois la rigueur scientifique et l’applicabilité pratique du
système.

b. Technique

1) Technique d’observation

C’est une méthode utilisée en sciences humaines, sociales, en psychologie, en éducation et dans
d’autres domaines pour recueillir des informations en observant directement un sujet ou une
situation, sans intervenir.

Elle consiste à regarder, écouter et noter ce qui se passe dans un environnement donné, afin de
comprendre les comportements, les interactions, ou les phénomènes.

L’observation peut être :

 Directe : L’observateur est présent sur place

 Indirecte : on utilise des enregistrements Vidéo ou audio

Elle permet de collecter des données qualitatives (attitudes, geste, …) ou quantitative (nombre de
comportements, fréquence…)

2) Technique documentaire

C’est une méthode de recherche qui consiste a collecter, analyser et exploiter des documents pour
en tirer des informations pertinentes sur un sujet donné.

Elle repose sur l’étude de sources écrites, visuelles ou numériques, comme :

 Des livres, articles scientifique, rapports

 Des archives, textes officiels, statistiques
 Des sites internet fiables, document audiovisuels, etc.

3) Technique d’interview

Egalement appelée entretient, est une méthode de collecte de données utilisée principalement en
sciences humaines et sociales. Elle consiste à interroger une ou plusieurs personnes afin de recueillir
des informations, des opinions ou des expériences sur un sujet donné. Cette méthode est
particulièrement utile pour explorer en profondeur des phénomènes sociaux, culturels ou
psychologiques.

 Division du travail

Le travail sera divisé en plusieurs étapes, à commencer par une phase de collecte et d'analyse des
données, où une équipe sera responsable de l'extraction et de la préparation des données
provenant des équipements de MMG Kinsévére. Ensuite, un autre groupe se concentrera sur la
modélisation avec la régression logistique, en développant et en testant le modèle de prédiction.
Parallèlement, une équipe technique sera chargée de l'intégration du modèle dans les systèmes de
gestion de la maintenance de l'entreprise. Enfin, une équipe de validation et de déploiement sera
responsable de l’évaluation des performances du système, de la gestion des erreurs et de
l’ajustement continu du modèle basé sur les retours du terrain. Chaque équipe travaillera en étroite
collaboration pour garantir la cohérence et l'efficacité du système dans le contexte spécifique de
MMG Kinsévére.

0.6 Chronogramme

Voici un chronogramme pour l'étude de mise en place d'un système basé sur la régression logistique
pour la détection et la maintenance des équipements dans le cas de MMG Kinsévére. Ce
chronogramme est divisé en différentes étapes du projet, chacune ayant une durée estimée et des
tâches spécifiques.

Chronogramme (sur 6 mois)

Phase Tâches Durée Mois

1. Préparation du projet - Définition des objectifs et des livrables du projet 2 semaines Mois 1
- Réunion de lancement avec les parties prenantes
de MMG Kinsévére
- Collecte des informations sur les équipements et
les historiques de pannes
- Collecte des données opérationnelles des
2. Collecte et préparation Mois 1
équipements (température, vibrations, pressions, 4 semaines
des données à2
etc.)
- Nettoyage des données (traitement des valeurs
manquantes, normalisation, etc.)
- Sélection des variables pertinentes pour le modèle
de régression logistique
3. Développement du Mois 2
- Choix et mise en place de la régression logistique 4 semaines
modèle à3
- Entraînement du modèle sur les données collectées
- Validation croisée et évaluation des performances
du modèle (précision, rappel, F1-score, etc.)
4. Intégration et test du - Intégration du modèle prédictif dans les systèmes 4
Mois 4
système de gestion de la maintenance de MMG Kinsévére semaines
- Test du système en conditions réelles sur un
échantillon d’équipements
- Ajustement du modèle selon les retours du terrain
5. Validation et - Évaluation de la performance du système intégré
3 semaines Mois 5
évaluation finale (réduction des pannes, économies réalisées, etc.)
i- Validation des résultats avec les équipes de
maintenance et les parties prenantes
6. Formation et - Formation du personnel de MMG Kinsévére à Mois 5
2 semaines
déploiement final l’utilisation du système de maintenance prédictive à6
- Déploiement à grande échelle du système dans
l’ensemble des opérations de maintenance
- Suivi continu du système et ajustements en
7. Suivi et amélioration
fonction des nouvelles données et des retours du 2 semaines Mois 6
continue
terrain
 Phase Tâches Durée Mois
- Rédaction du rapport final et présentation des
résultats à MMG Kinsévére

Durée totale du projet : 6 mois

Chaque phase du projet a une durée estimée, et chaque étape est essentielle pour garantir que le
système développé soit efficace, fonctionnel et bien intégré dans le processus de maintenance de
MMG Kinsévére. Ce chronogramme offre une vue d'ensemble du travail à accomplir, tout en
permettant de suivre l'avancement du projet sur les 6 mois.
 CHAPITRE I : APERCU GENERAL ET CADRE DU PROJET

1.1. Introduction de l’étude théorique (définition des concepts de base)

a. Etude :

C’est l’action d’examiner attentivement quelque chose pour en comprendre les éléments, pour en
tirer des connaissances ou en faire une analyse approfondie.

b. Un système :

C’est un ensemble d’élément interconnecté qui forment un tout organisé, fonctionnant ensemble
pour atteindre un objectif ou accomplir une fonction.

c. La régression logistique

C’est une méthode statistique utilisée pour prédire une variable (catégorielle), généralement binaire
(avec deux modalité, comme oui ou non, succès ou échec, malade ou pas malade), à partir d’une ou
plusieurs variables explicatives (quantitatives ou qualitatives).

d. La détection :

C’est l’action de repérer, identifier ou mettre en évidence la présence grâce a un instrument, une
méthode ou une observation.

e. La Maintenance :

C’est l’ensemble des actions réalisées pour préserver ou remettre en état un équipement, un
système ou une installation, afin qu’il fonctionne correctement et en toute sécurité.

f. Maintenance prédictive :

C’est une stratégie de maintenance qui consiste à prévoir les pannes ou les défaillance d’un
équipement avant qu’elles ne se produisent, en analysant des données en temps réel (vibration,
température, bruit, etc.).

1.2. Présentation du champ d’investigation

Ce point se base sur la présentation de notre champ d’investigation qui est l’entreprise MMG
KINSEVERE

 SITUATION GEOGRAPHIQUE

MMG KINSEVERE est une entreprise minière située en république démocratique du Congo dans la
province du HAUT KATANGA, a environ 30 km de la ville de Lubumbashi dans la direction nord-est et
a 1 km au sud de la carrière de LUSEWISHI. Le secteur se situe entre 27’30’ de longitude Est et 11’15’
de latitude sud. Cette région est réputée pour les dépôt de ses minerais d’une qualité
exceptionnelle.

Le site de MMG KINSEVERE est d’une superficie de 5,95 Km et se compose de trois carrières alignées
suivant la direction nord, comme le montre la figure 1 ci-dessous a savoir :
  TSHIFUFIA CENTRALE
 TSHIFUFIA MASHI
 KINSEVERE HILL

Figure 1: Position géographique du site Kinsevere

Figure 2: Vue par satellite via Google_ Earth du site Kinsevere

 HISTORIQUE DE L’ENTREPRISE MMG KINSEVERE

L’actuel site de l’entreprise MMG KINSEVERE appartenait autrefois à la GECAMINES.

Nous sommes ici dans les années 1990. Cependant, une entreprise locale dénommée EXACO SARL
en partenariat avec la Gécamines exploitait uniquement les ressources minières de teneur élevée
d’oxyde de cobalt. Il s’agissait d’une exploitation en surface. En effet, l’exploitant EXACO avait foré
plus ou moins 64 trous dans deux carrières, notamment TSHIFUFIA CENTRAL et TSHIFUFIA MASHI.
Notons toutes fois que la Gécamines était l’initiateur des études préliminaire et des travaux de
forage dans les trois carriers respectivement, TSHIFUFIA MASHI, TSHIFUFIA CENTRAL, y compris
celle de KINSEVERE HILL (actuellement exploité par MMG).
L’exploitation se faisait à ciel ouvert avec une profondeur d’environ 70 m sur la côte sud de
TSHIFUFIA et 5600 tonnes de minerais étaient produites à une teneur moyenne de 3,14 % de cuivre
et 0,7 % de cobalt. La toute première cathode de cuivre fut produite le 04 mai 2011, ces résultats
combien prometteurs intéressèrent les investisseurs australiens de l’entreprise MINERALS and
METALS GROUP (MMG en sigle).

L’entreprise MMG KINSEVERE, créée en 2007, est une multinationale qui possède plusieurs sites
miniers dans différents pays du monde, mais le projet de KINSEVERE dit « phase II » est le premier
et le plus important investissement en République démocratique du Congo. Il est dit
« Phase II » parce qu’il est une suite du projet de l’entreprise ANVIL MINING, qui fut l’objet d’un
grand investissement de la part de MMG, et c’est une usine qui extrait le cuivre par solvant
(SX) et par l’électrolyse (EW) avec un objectif de production annuelle de 60 000 tonnes de cuivre par
an, en raison de 5000 tonnes/mois.

 ÉLÉMENTS STRATÉGIQUES

L’objet social est la raison d’existence d’une entité pour l’exploitation du cuivre, obtenir des lingots
de cuivre grâce à une usine d’électrolyse. Une exploitation minière croit lorsque l’engagement des
employés et des entrepreneurs envers le développement durable est fondamental à sa réussite et
accorde une importance primordiale à l’engagement à la communauté pour la protection de
l’environnement, ces principes sont mis en œuvre pour :

 Motiver les employés à avoir le sens de leadership et la participation à l’amélioration

continue de l’entreprise.
 Respecter la dignité humaine ainsi que les droits des individus et des communautés
associées à nos exploitations :
 Améliorer constamment notre performance environnementale tout en veillant à la nature.
 Élaborer des stratégies de réhabilitations disposant d’un financement suffisant pour toutes
les exploitations de l’exploration a la fermeture.

Mettre en œuvre des bonnes pratiques de gouvernance d’entreprise, de transparence, d’équité en

vigueur annuellement pour notre performance.

 STRUCTURE ORGANISATIONNELLE

Le présent organigramme est conçu de manière à s’adapter aux besoins de l’entreprise et à la

maximisation de l’utilisation des compétences individuelles des agents.

Il montre aussi les relations hiérarchiques sur le plan vertical, tandis que sur le plan horizontal il
indique les liaisons fonctionnelles ou opérationnelles. La structure organisationnelle de l’entreprise
se présente comme suit :

 Administration

Elle sert d’interlocuteur entre l’entreprise et le gouvernement. Elle traite des affaires judiciaires et
assure la correspondance avec le siège central en Australie. Cette direction s’occupe également de
la vérification des déclarations de taxes et se rend compte de leur validité par rapport à la
règlementation en République démocratique du Congo.

 Ressources humaines
Elle est le gestionnaire des ressources humaines et garant de la mise en application de la politique
de ressources humaines au sein de l’entreprise. Elle assure également la formation des agents
l’observance des mesures de sécurité sur le site. Le HR manager est secondé par un conseiller de
ressources humaines ( Human Resource Advisor).
 Commerciale

Elle s’occupe des ordonnancements et veille au bon déroulement des opérations de paie et de
commandes. Elle gère la logistique, les NTIC et les approvisionnements sur le site. Elle sert aussi de
liaison entre l’entreprise et ses fournisseurs.

 Operations

Elle s’occupe de la production de l’usine et procède aux différentes manipulations pour le

paramétrage des grandeurs relatives à la qualité et a la quantité du produit à obtenir.

 Shec

Elle établit des recommandations en rapport avec l’ergonomie et la sécurité sur le lieu de travail.
Quant au département de social, il se concentre sur les actions sociales de l’entreprise en faveur de
la population. De département de sécurité s’occupe de la prise des stratégies pour assurer la
protection de l’outil de production et des enfants.

 ORGANIGRAMME DE MMG KINSEVERE

Figure 3 : Organigramme de MMG KINSEVERE

 1.3. Cadre de projet (Mission du projet)

La mission de ce projet s’articule autour de l’optimisation de la maintenance des équipements

industriels à travers l’intégration d’un outil de prévision des pannes. Il s’agit d’utiliser des données
historiques de fonctionnement et de maintenance afin de modéliser les comportements menant à
une défaillance, et ainsi anticiper les interventions nécessaires.

Ce projet a également pour objectif de proposer une solution simple, explicable et adaptable à
l’environnement technique de MMG KINSEVERE. À travers la mise en œuvre d’un modèle de
régression logistique, l’entreprise pourra bénéficier d’une approche analytique pour la gestion de ses
actifs, en réduisant les interruptions de service tout en optimisant les ressources de maintenance.

Et cette mission consiste à concevoir un système de détection et de maintenance prédictif :

 Identifier les variables pertinentes pouvant influencer la défaillance d’un équipement

 Développer un modèle de régression logistique capable de prédire les pannes
 Proposer une interface d’aide à la décision pour orienter la maintenance préventive
 Valider la pertinence du modèle dans le contexte industriel réel de MMG KINSEVERE

La mission principale de ce projet est de concevoir et de mettre en œuvre un système de

maintenance prédictive pour les équipements industriels du site de MMG KINSEVERE, basé sur des
modèles de régression logistique. Ce système vise à améliorer la fiabilité, la disponibilité et la durée
de vie des équipements critique utilisés dans les opérations minières et de traitement du minerai.

1.3.1 Objectifs techniques

1. Collecte et traitement des données opérationnelles

Recueillir des données historiques et en temps réel provenant des capteurs installés sur les
équipements (température, vibrations, pressions, consommation énergétique, taux d’usure, arrêts,
etc.)

2. Modélisation par régression logistique

Développer un modèle de régression logistique binaire pour prédire la probabilité qu’un équipement

Tombe en panne dans un intervalle de temps donné. Le modèle sera entrainé à partir des données

Historiques d’anomalies et de pannes documentées.

3. Détection précoce des défaillances

Le système devra identifier, en amont, les signaux faibles annonciateurs d’une panne, permettant
ainsi aux équipes de maintenance d’intervenir avant que les défaillances ne surviennent, réduisant
ainsi les temps d’arrêt non planifiés.

4. Amélioration continue

Intégrer le système prédictif dans l’infrastructure numérique existante de MMG KINSEVERE. Cela
inclut les interfaces utilisateurs (tableaux de bord), les alertes automatisées, et l’interfaçage avec le
système de gestion de maintenance.

5. Amélioration continue

Mettre en place un processus de réévaluation et de réajustement périodique du modèle, en

incorporant de nouvelles données pour améliorer sa précision et sa robustesse au fil du temps.
1.3.2 Aspects pratiques et industriels
 Réduction des couts de maintenances :

Grace à la maintenance prédictive, l’entreprise pourra passer d’un modèle correctif ou préventif a
un modèle optimisé, réduisant ainsi les couts liés aux interventions inutiles ou aux arrêts prolongés.

 Optimisation de la disponibilité des équipements

Une détection anticipée permet de planifier les réparations de manière coordonnée, ce qui
maximise le temps de disponibilité des machines.

 Sécurité accrue :

Une suivie intelligente des équipements critique contribue à prévenir les incidents techniques
pouvant mettre en danger les opérateurs ou entrainer des dommages environnementaux.

 Décision basée sur les données (Data-driven maintenance)

Ce projet permettra à MMG KINSEVERE de s’appuyer sur des analyses statistiques fiables pour
orienter ses choix de maintenance, renforçant ainsi sa transition 4.0.

1.4 Etude de l’existant

Actuellement la maintenance au seins de l’entreprise MMG KINSEVERE repose essentiellement sur

des méthodes correctives ou basées sur des plannings fixes.

Ces méthodes, bien que simple à mettre en œuvre, présentent plusieurs limites :

 Détection tardives des anomalies ;

 Couts élevés liés aux pannes imprévues ;
 Non-prise en compte de l’état réel des équipements.

Quelques outils de supervision sont présents, mais ils ne permettent pas une prédiction proactive
basée sur les données.

1.4.1 Les équipements concernés

 Concasseurs primaires et secondaires

 Broyeurs SAG (Semi-Autogenous Grinding) et broyeurs à boulets
 Pompes industrielles
 Variateur de vitesse
 Équipements de flottation
 Compresseurs industriels

1.4.2 Organisation actuelle de la maintenance

 Maintenance corrective : intervention après panne

 Maintenance préventive planifiée : inspections périodiques, changements de pièces à
intervalles fixes (souvent basées sur des manuels fournisseurs plutôt que sur l’état réel)
 Quelques initiatives de maintenance prédictive mais très limitées (exemple : analyse d’huile
moteur sur les camions)

Systèmes utilisés :

 SAP PM ou Pronto (gestion de la maintenance assistée par ordinateur)

 Feuilles Excel pour certains suivis manuels.
1.4.3 Collecte actuelle des données
1.SCADA et PLC capturent certaines variables comme :
 Température de fonctionnement
 Pression
 Débit
 Les vibrations sur certaines machines critique (via un capteur piézoélectrique)
 Heure de fonctionnement (Runtime)
 Les données de capteurs ne sont pas systématiquement archivées ou analysées.
 Beaucoup de données opérationnelles existent sous forme dispersée, parfois non exploitée
(formats non unifiés)
1.4.4 Types de pannes récurrentes observées
 Usures prématuré (roulement, fil, etc.)
 Fuites hydrauliques (pompes, flexibles)
 Surchauffe du moteur
 Pannes électriques (variateurs de vitesse, relais intelligent)
 Arrêts non planifiés dus à la casse mécanique
1.4.5 Limite du système actuel
 Détection de panne réactive et non proactives.
 Délais dans la prise de décision (les équipes de maintenance attendent que la panne soit
visible)
 Pas d’utilisation d’outils d’analyse prédictive
 Historique des pannes souvent incomplet ou mal renseigné.
 Faible intégration entre les données de production et de maintenance.
1.5 Etude de préliminaires et analyse critique des solutions disponibles

Plusieurs solutions de maintenance prédictive existent sur le marché, allant des systèmes
embarquant l’apprentissage automatique aux plateformes IoT industrielles. Toutes fois, elles
présentent souvent un cout élevé ou une complexité d’intégration difficile dans l’environnement
MMG KINSEVERE.

Une étude comparative a mis en évidence que les solutions basées sur des modèles explicables
comme la régression logistique sont à la fois robustes, interprétables et adaptées à un déploiement
progressif

1.5.1 Objectif de l’étude préliminaire

 Identifier les méthodes existantes de détection de pannes et maintenance prédictive.
 Évaluer leur pertinence par rapport aux contraintes de MMG Kinsevere.
 Proposer un choix de solution adaptée intégrant régression logistique.

1.5.2 Solutions existantes sur le marché

 Solution Description avantage inconvénient
Système SCADA Collecte de donnée -Intégration native -cout élevé
étendus + Historian temps réel avec capteurs ou automate -Besoin de technicien
stockage longue durée. -visualisation en temps spécialisés
Ex : siemens winCC réel -ne fait pas d’analyse
-Historique des donnée prédictive seule
facile
Solutions de Plateformes type IBM -Analyse automatique -besoin d’un grand
maintenance Maximo, Azure IoT, -prévisions basées sur volume de donnée
prédictive basées sur Siemens MindSphere des modèles -Nécessite formation en
l’IA qui utilisent la Machine -Alertes avancées Data sciences
Learning pour prédire -Modèles souvent
les pannes. complexes a expliquer
Approche Statistique Méthode basées sur la -Moins complexe -Moins précis si les
classique statistique (la régression -Plus facile à mettre en données sont bruitées
logistique, arbre de œuvre -performances
décision ) appliquée sur -modèles plus dépendantes de qualité
des données historiques interprétables des données colletées
de pannes.

1.5.3 Analyse technique de la solution “Régression Logistique”

Pourquoi la régression logistique ?

 C’est un algorithme supervisé utilisé pour prédire la probabilité d’occurrence d’un

événement binaire (panne / pas de panne).
 Elle est adaptée car :
 Les événements critiques à Kinsevere sont souvent binaires : “équipement en panne”,
“équipement opérationnel”.
 Elle nécessite moins de puissance de calcul que d’autres modèles plus lourds (ex : réseaux de
neurones).
 Elle donne des résultats facilement interprétables pour les techniciens de maintenance
(poids des variables explicatifs).
1.5.4 Architecture technique cible envisagée

Étapes principales :

1. Collecte des données

 Variables captées : température moteur, vibrations, pression hydraulique, débit, courant
moteur, historique des alarmes.
 Utilisation des SCADA et PLC existants pour extraire ces variables.
2. Préparation des données
 Nettoyage (suppression des valeurs aberrantes)
 Normalisation (mise à l’échelle)
 Création de jeux de données marqués (“panne” = 1, “fonctionnement normal” = 0)
3. Construction du modèle de régression logistique
 Sélection des variables significatives par analyse statistique préalable.
 Entraînement du modèle sur les historiques de fonctionnement/pannes.
4. Implémentation du modèle prédictif
 Intégration dans une plateforme accessible par les techniciens via Dashboard.
 Prédiction en temps réel de la probabilité de panne.
  Déclenchement d’alertes prédictives.
5. Validation et amélioration continue
 Tests de performance du modèle (accuracy, précision, rappel, courbe ROC).
 Réajustement périodique en fonction des nouvelles données collectées.
1.5.5 Critères de sélection de la solution

Pour que le projet soit applicable à MMG Kinsevere, la solution doit répondre à :

 Coût maîtrisable : éviter des plateformes trop onéreuses type IBM ou Siemens.
 Simplicité opérationnelle : que les équipes puissent comprendre les résultats.
 Robustesse : le modèle doit résister aux perturbations et données manquantes.
 Adaptabilité : possibilité d’ajouter facilement de nouvelles variables ou équipements
1.5.6 Synthèse critique

Option Faisabilité a kinsevere observations

Plateforme lourde (Maximo, Faible Trop complexe et cher,
Azure, Mindsphere) nécessite beaucoup de capteur
et Data Scientist
Approche régression logistique Forte Utilisation des données SCADA
avec outils existants existant, facile à mettre en
œuvre localement
Aucune amélioration Risque élevé Perte d’efficacité,
(continuer l’actuel) augmentation des pannes
imprévues

1.6 Solution envisagée

La solution proposée repose sur un système de détections de pannes basés sur la régression
logistique.

Ce système intègre :

 Une phase de collecte et de prétraitement des données ;

 La construction d’un modèle statistique d’apprentissage supervisé ;
 L’analyse des résultats pour prédire les défaillances à court terme ;
 Une visualisation des risques via un tableau de bord interactif.

Cette approche offre l’avantage d’être simple à implémenter, facile à interpréter, et évolutive en
fonction des données disponibles.

Pour mettre en œuvre un système efficace de détection et de maintenance prédictive basé sur la
régression logistique chez MMG KINSEVERE, PLUSIEURS solutions techniques sont envisageables. ces
solutions s’articulent autour de la collecte, le traitement, l’analyse et la prédiction a partir de donnée
machines issues des équipements industriels.

Voici les étapes et composantes nécessaires de la solution :

1.6.1 Mise en place d’un système d’acquisition de donnée (IoT et SCADA)

 Capteurs intelligents : installation ou utilisation des capteurs déjà existants sur les
équipements pour collecter en temps réel des paramètres critiques (température, vibration,
pression, courant, etc.)
  Intégration SCADA/ IoT : Intégration avec les SCADA pour centraliser les données des
capteurs. En cas d’absence, une plateforme IoT personnalisée peut être développée.
 Stockage des données : utilisation d’une base de données (type SQL ou NoSQL, comme
postgreSQL ou MongoDB) pour stocker les données historiques des équipements.
1.6.2 Prétraitement des données
 Nettoyages des données : suppressions des valeurs aberrantes, interpolations des valeurs
manquantes, harmonisation des unités.
 Feature engineering : Création de nouvelles variables à partir des données brutes (par
exemple, taux de variation de température, fréquence moyenne des vibrations).
 Labélisation des données : Etiquetage des cas de défaillance dans les historiques (0=
fonctionnement normal, 1= présence d’une panne) pour entrainer le modèle de régression
logistique.
1.6.3 Modélisation par régression logistique
 Choix du modèle : La régression logistique binaire sera utilisée pour prédire la probabilité de
défaillance imminente d’un équipement.
 Apprentissage supervisé : Le modèle sera entrainé à partir des données historiques
labellisées.
 Validation croisée : Application de la validation croisée pour évaluer la performance du
modèle (précision, rappel, F1-score).
 Interprétabilité : Grâce aux coeffients de la régression, il sera possible de comprendre
l’impact de chaque variable sur la probabilité de défaillance.
1.6.4 Intégration d’un tableau de bord de surveillance
 Visualisation en temps réel : Développement d’un tableau de bord interactif (ex : power
Bl, Grafana, ou application web python flask/Django) permettant de visualiser les
prédictions de panne en temps réel.
 Alerte automatique : mise en place d’un système de notification par email ou Sms lorsque
la probabilité de panne dépasse un seuil critique.
1.6.5 Intégration avec le système de maintenance
 Planification automatique : Génération de tickets ou ordres de travail automatiquement
dans le système de gestion de maintenance (ex : SAP PM ou autre logiciel utilisé a MMG).
 Réduction des arrêts non planifiés : Optimisation du calendrier de maintenance en tenant
compte des prédictions du modèle.

1.7 Conclusion partielle

Ce premier chapitre a permis de poser le cadre général du projet en présentant les concepts clés, le
contexte d’étude, ainsi que les premières pistes d’analyse. Il ressort que l’adoption d’un système de
maintenance préventive basé sur la régression logistique pourrait constituer une avancée
significative pour le site minier MMG Kinsevere. La suite de cette étude portera sur la mise en œuvre
concrète de cette solution, son entrainement sur les donnée disponible et son évaluation en
environnement réel.