Méthodes de la maintenance préventive prévisionnelle « prédictive »
La maintenance préventive - Méthodes et technologies

Cet article présente les objectifs de la maintenance préventive dans le cadre du management de la maintenance, les normes en vigueur, ainsi que les méthodes, technologies et modalités de mise en place des programmes de maintenance. Il décrit également les évolutions et améliorations apportées à la maintenance préventive par les concepts des industries 4.0 et 5.0, notamment grâce à l’utilisation massive de l’intelligence artificielle.

La première section décrit les enjeux de la maintenance préventive conformément aux normes EN NF 13306 et CEI 60050-192. Les paramètres caractéristiques de la courbe de dégradation conduisant à la défaillance font ensuite l’objet de descriptions détaillées car ils sont utilisés pour établir une politique de surveillance des équipements. Dans ce but, les notions de défaillance potentielle, d’intervalles P-F et de « net P-F interval » sont introduites.

La seconde section récapitule les principales définitions relatives à la maintenance et précise le rôle de la maintenance préventive. Conformément aux normes en vigueur, les classifications arborescentes des types et activités de maintenance sont également fournies selon la norme EN NF 13306.

La troisième section propose une lecture chronologique de l’évolution de la maintenance préventive sur la période 1950-2025. Les contenus des grandes étapes depuis les années 1950, où la maintenance préventive était avant tout planifiée et manuelle, jusqu’aux approches connectées et intelligentes de l’industrie 5.0, y sont détaillés. Cette section décrit successivement : les débuts de la maintenance programmée dans les années 1950-1960 ; l’apparition des premiers capteurs et de la maintenance conditionnelle dans les années 1970-1980 ; l’essor de l’informatisation et de la GMAO dans les années 1990-2000 ; l’avènement de l’industrie 4.0 avec l’IoT, le Big Data et l’IA dans les années 2010 ; et enfin, l’ère de l’industrie 5.0, caractérisée par la collaboration homme-machine, les jumeaux numériques et les environnements industriels résilients. Elle inclut également les statistiques sur l’évolution des types de maintenance en fonction de la taille des entreprises entre 2000 et 2025.

La quatrième section dresse une typologie détaillée des méthodes utilisées en maintenance préventive. On y distingue : les contrôles non destructifs surfaciques (inspection visuelle, ressuage, magnétoscopie) ; les contrôles volumétriques (ultrasons, radiographie, courants de Foucault, thermographie, etc.) ; et les techniques complémentaires, comme l’analyse des lubrifiants, l’analyse vibratoire ou la surveillance électrique.

La cinquième section aborde le traitement des informations issues de la surveillance et des inspections. Elle explique comment les signaux collectés (vibrations, températures, images, sons) sont analysés pour caractériser les défauts et évaluer l’état des équipements. On y détaille les trois étapes clefs du processus décisionnel : détection d’une dégradation potentielle par comparaison à des seuils de référence ; diagnostic de la cause et de la gravité des anomalies, souvent à l’aide de modèles d’IA et de machine learning ; décision sur la stratégie à adopter (réparation, remplacement ou poursuite de la surveillance).

La sixième section présente les critères de choix permettant de définir la stratégie de maintenance la plus adaptée. Elle expose les stratégies d’implantation de la maintenance préventive et en particulier celle de la maintenance basée sur la fiabilité (MBF) et son adaptation aux concepts des industries 4.0 et 5.0.

Enfin, la septième section approfondit la distinction entre maintenance prévisionnelle classique et maintenance prévisionnelle avancée. La première repose sur des modèles statistiques et des seuils fixes pour anticiper les pannes à partir de l’historique des équipements. La seconde, propre aux industries 4.0 et 5.0 et intégrant la démarche de prognostics and health management (PHM), intègre des capteurs IoT, l’intelligence artificielle et les jumeaux numériques pour analyser en temps réel l’état de santé des machines et estimer leur durée de vie restante (RUL).

La conclusion, après un bilan sur les concepts et méthodes développées dans les différentes sections, propose des recommandations pour l’implantation des techniques classiques de maintenance préventive et ouvre les perspectives nouvelles offertes par l’industrie 4.0, la PHM et le RUL. Elle présente, pour le futur lointain, l’état des recherches en intelligence artificielle générale (AGI) et en intelligence artificielle super intelligente (ASI), susceptibles de permettre la conception de génomes artificiels inspirés du modèle humain pour les équipements. Ces approches biomimétiques ouvriraient la voie à une maintenance prédictive de nouvelle génération en évitant les enjeux éthiques propres au domaine médical.