Bibliographie & annexes
Présentation
RÉSUMÉ
Cet article explore les technologies et méthodes de la maintenance prédictive en abordant ses défis à relever pour une implantation assurant un retour sur investissement. Il examine les critères de sélection des équipements critiques et le caractère probabiliste des défaillances, en mettant l’accent sur l’importance clef de l’estimation du RUL. La théorie de la décision est ensuite détaillée pour fixer les seuils pour éviter les fausses décisions. Les technologies et données utilisées sont présentées succinctement, avec des exemples concrets et des retours d’industriels sur ses avantages et limites. Enfin, l’article conclut sur les perspectives d’évolution de la maintenance prédictive.
Lire cet article issu d'une ressource documentaire complète, actualisée et validée par des comités scientifiques.
Lire l’articleAuteur(s)
-
Gilles ZWINGELSTEIN : Ingénieur de l’École nationale supérieure d’électrotechnique, d’électronique, d’informatique et d’hydraulique et des télécommunications de Toulouse (ENSEEIHT), docteur-ingénieur, docteur ès sciences, professeur associé des universités en retraite, université Paris-Est Créteil, France
INTRODUCTION
Dans un contexte industriel en constante évolution, la maintenance joue un rôle clef dans la performance et la compétitivité des entreprises. L’essor des technologies numériques et de l’industrie 4.0 a profondément transformé les stratégies de gestion des actifs, donnant naissance à la maintenance. Cette approche repose sur l’analyse avancée des données et l’intelligence artificielle pour anticiper les défaillances et optimiser la gestion des équipements.
La première section décrit les origines et les enjeux de la maintenance prédictive-prévisionnelle. Elle aborde le contexte de son émergence depuis le début du XXe siècle, l’importance croissante de la gestion prévisionnelle des biens industriels et les défis associés à son déploiement, notamment en matière de coûts, d’intégration technologique et de retour positif sur investissement. La deuxième section met en avant la nécessité d’évaluer au préalable la criticité des équipements qui seront l’objet de la maintenance prédictive. Elle présente les différentes méthodes d’évaluation de la criticité pour aider à la prise de décision. La troisième section propose une classification des défaillances en distinguant les défaillances aléatoires et les défaillances probabilistes en précisant la notion de cause racine. Elle clarifie les différences entre défaillances aléatoires et défaillances déterministes. La quatrième section approfondit la caractérisation probabiliste des défaillances en intégrant les incertitudes des matériaux et en utilisant les lois de probabilité pour estimer la durée de vie des équipements, l’analyse des caractéristiques de santé et le calcul du RUL. La cinquième section présente l’importance de la définition des seuils d’alarme en maintenance prédictive pour minimiser les erreurs de détection. Elle décrit les méthodes statistiques et avancées, telles que l’intégration du RUL, l’état de santé des équipements, l’apprentissage automatique et les approches bayésiennes La sixième section détaille les méthodes de décision en maintenance prédictive, pour minimiser les fausses alarmes et les non-détections. Les tests d’hypothèses binaires, les approches statistiques et bayésiennes, ainsi que les techniques d’apprentissage automatique pour ajuster dynamiquement les seuils de décision y font l’objet de descriptions. La septième section décrit de façon succincte les technologies et les types de données utilisés ainsi que les techniques associées de traitement du signal, le rôle de l’Internet des Objets (IoT), des capteurs intelligents et du big data. La huitième section fournit un inventaire des limitations des méthodes d’estimation du RUL (remaining useful life) et souligne les défis liés à la précision des modèles, à la variabilité des conditions opérationnelles et à la gestion des incertitudes. La neuvième section présente des exemples concrets d’applications de la maintenance prédictive dans diverses industries (aéronautique, ferroviaire, automobile) et les bénéfices obtenus. La dixième section fournit une rétrospective du retour d’expérience des entreprises en soulignant les avantages et inconvénients en fonction de la taille des entreprises (grandes entreprises, ETI et PME). Enfin, la onzième section s’intéresse aux perspectives d’évolution de la maintenance prédictive grâce à l’intégration croissante de l’intelligence artificielle et de l’IoT.
L'expertise technique et scientifique de référence
MOTS-CLÉS
DOI (Digital Object Identifier)
Cet article fait partie de l’offre
Maintenance
(78 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Des modules pratiques
Opérationnels et didactiques, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive
Présentation
Méthodes de sélection des seuils d’alarme en maintenance prédictive4. Méthodes de caractérisation probabiliste des défaillances
4.1 Caractérisation probabiliste des défaillances
4.1.1 Fondements de la caractérisation probabiliste des défaillances
La caractérisation probabiliste des défaillances repose sur l’utilisation des principes statistiques pour quantifier et modéliser la probabilité de défaillance d’un matériau ou d’un équipement, en tenant compte de la variabilité des propriétés des matériaux, des sollicitations externes et des conditions environnementales. Elle se distingue par la prise en compte de l’incertitude inhérente à ces phénomènes, ce qui permet de mieux comprendre et prédire les comportements des matériaux dans des situations réelles, où des facteurs variables peuvent influencer la dégradation et la rupture. La caractérisation probabiliste repose sur l’application de lois de probabilité pour modéliser les propriétés des matériaux, la durée de vie des équipements, ainsi que les probabilités de défaillance au cours du temps. Ces approches visent à intégrer les incertitudes et à prévoir la probabilité qu’un bien subisse une défaillance en fonction des paramètres variables. Elles incluent les méthodes d’estimation probabiliste des lois de probabilité d’occurrence des défaillances, l’utilisation des caractéristiques de santé et les méthodes d’estimation de la durée de vie résiduelle (RUL).
HAUT DE PAGE4.1.2 Modèles probabilistes de défaillance : concepts et principes
Les modèles probabilistes de défaillance sont essentiels pour la maintenance prédictive. Cependant, les modèles varient considérablement entre l’industrie traditionnelle 3.0 et les industries 4.0 et 5.0, en raison des concepts, technologies et principes différents.
-
Industrie 3.0
Les modèles probabilistes sont majoritairement statiques et ne prennent pas en compte les évolutions en temps réel des conditions d’exploitation. La collecte des données repose essentiellement sur l’historique des défaillances...
L'expertise technique et scientifique de référence
Cet article fait partie de l’offre
Maintenance
(78 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Des modules pratiques
Opérationnels et didactiques, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive
Méthodes de caractérisation probabiliste des défaillances
BIBLIOGRAPHIE
-
(1) - JARDINE (A.), LIN (K.), BANJEVIC (D.) - A review on machinery diagnostics and prognostics implementing condition-based maintenance. - In Mechanical Systems and Signal Processing, pp 1483-1510 (2006).
-
(2) - BREQUE (M.), DE NUL (L.), PETRIDIS (A.) - Industry 5.0. - Directorate-General for Research and Innovation (European Commission) (2021).
-
(3) - AGOGUE (M) - Alex f. Osborn – le brainstorming, premier outil de support à la pensée créative. - Éditions EMS (2016).
-
(4) - DALKEY (N.), ELMER (O) - An Experimental Application of the Delphi Method to the use of experts. - Management Science, vol. 9 n° 3, pp 458-467 (1963).
-
(5) - REGNIER (F.) - Annoncer la couleur pour une approche nuancée du consensus. - Institut de métrologie qualitative (1989).
-
(6)...
DANS NOS BASES DOCUMENTAIRES
Site sur la classification des entreprises selon le ministère français de l’Économie et des Finances
Site de la Commission européenne sur l’industrie 5.0
https://commission.europa.eu/index_en
Site de Safran sur les développements de la maintenance prédictive pour AIRBUS
Site de la SNCF sur l’utilisation de la maintenance prédictive
https://numerique.sncf.com/actualites/la-data-visualisation-au-service-de-la-maintenance-predictive/
Site de Renault Trucks avec l’outil Predict : réunir le meilleur de l’humain et de la technologie
https://www.renault-trucks.fr/
Site de l’European Gas Pipeline Incident Data Group recensant les incidents sur la période 1970 – 2022 dans son 12e rapport
HAUT DE PAGE
IEC – NF EN 60812 (2006), Techniques d’analyses de la fiabilité du système – Procédure d’analyse des modes de défaillance et de leurs effets...
L'expertise technique et scientifique de référence
Cet article fait partie de l’offre
Maintenance
(78 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Des modules pratiques
Opérationnels et didactiques, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive
