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
Limitations des méthodes d’estimation du RUL7. Technologies et données utilisées en maintenance prévisionnelle-prédictive
Depuis les années 1950, les technologies utilisées pour la maintenance prédictive ont évolué avec l’industrie. En industrie 3.0, elles reposaient sur des capteurs filaires simples et des seuils statiques fondés sur des modèles classiques. L’industrie 4.0 a introduit l’IoT, l’IA et le cloud computing, permettant une collecte en temps réel et des modèles prédictifs adaptatifs. Depuis près d’une décennie, l’industrie 5.0 reprend ces technologies en plaçant l’humain au centre des décisions, avec une approche résiliente et durable. Cette section présente les caractéristiques des capteurs intelligents et IoT, ainsi qu’un inventaire des capteurs et des données clefs pour la maintenance prédictive.
7.1 Capteurs classiques
Les capteurs classiques de l’industrie 3.0, issue de la troisième révolution industrielle marquée par l’automatisation via l’électronique et l’informatique, sont conçus pour s’intégrer aux systèmes automatisés. Principalement analogiques ou numériques, ils sont reliés aux automates industriels par connexion filaire et mesurent une seule grandeur physique avec une précision limitée, nécessitant une alimentation externe. Bien que robustes et fiables, ils demandent un réétalonnage régulier et une analyse humaine des données. Ces capteurs restent largement utilisés aujourd’hui, mais sont progressivement complétés par des capteurs IoT (industries 4.0 et 5.0) dotés d’intelligence artificielle, de connectivité sans fil et de capacités d’autosurveillance.
HAUT DE PAGE7.2 Capteurs intelligents et IoT
-
Différence entre un capteur intelligent et un capteur IoT
La distinction principale entre un capteur intelligent et un capteur IoT réside dans la manière dont l’information est traitée. Un capteur intelligent analyse les données localement pour une prise de décision immédiate sur l’équipement, tandis qu’un capteur IoT transmet les informations à un serveur distant pour un traitement et une exploitation appropriées pour la maintenance prédictive.
-
Capteur intelligent
Un capteur intelligent associe un capteur classique à un microprocesseur et des capacités de communication. Il peut traiter...
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
Technologies et données utilisées en maintenance prévisionnelle-prédictive
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
