Maintenance prédictive : ce qui fonctionne vraiment en usine
- La maintenance prédictive réussit sur les équipements à dégradation progressive et mesurable : roulements, pompes, moteurs, réducteurs
- Elle échoue quand les pannes sont rares, soudaines ou mal documentées : trop peu d'exemples pour apprendre
- Le délai d'alerte compte autant que sa justesse : prévenir trop tard ne sert à rien
- Le préalable est une base de pannes propre ; sans elle, aucun algorithme ne compense
La maintenance prédictive industrielle fait partie des cas d’usage de l’intelligence artificielle les plus cités dans l’usine. Le raisonnement est séduisant : des capteurs mesurent l’état d’une machine, un algorithme détecte une dégradation naissante, on intervient avant la panne. Les arrêts imprévus diminuent, les pièces sont changées au bon moment. Les retours d’expérience sont pourtant contrastés. Cette note de recherche examine pourquoi, en s’appuyant sur les normes et pratiques établies plutôt que sur des promesses de fournisseurs.
Ce que la prédictive suppose
La maintenance prédictive repose sur une hypothèse simple : la panne n’est pas un événement soudain, mais l’aboutissement d’une dégradation qui produit des signes mesurables avant la défaillance. La courbe dite P-F, familière aux ingénieurs de maintenance, représente cet intervalle : entre le point où la dégradation devient détectable (P) et celui où la panne survient (F). Toute la valeur de la prédictive tient dans cet intervalle, et dans la capacité de l’exploiter.
Trois conditions sont donc nécessaires :
- Un mode de défaillance progressif Un roulement qui s’use émet de plus en plus de vibrations. Un fusible qui grille ne prévient pas.
- Un signal mesurable Il faut un capteur au bon endroit, avec une fréquence d’échantillonnage adaptée, qui capte ce signe.
- Un délai d’action suffisant L’intervalle entre l’alerte et la panne doit être plus long que le temps nécessaire pour planifier, commander la pièce et arrêter la machine proprement.
Quand l’une de ces conditions manque, le projet ne produit pas de résultat, quel que soit le modèle.
Où elle fonctionne
Les cas où la prédictive tient ses promesses ont des points communs : équipements tournants, dégradation mécanique lente, instrumentation éprouvée. On retrouve ici les machines pour lesquelles l’analyse vibratoire, la thermographie, l’analyse d’huile et la mesure de courant moteur sont depuis longtemps pratiquées.
- Moteurs et pompes : déséquilibre, désalignement, usure des paliers, cavitation.
- Réducteurs et boîtes de vitesses : usure des dentures, défauts de lubrification.
- Ventilateurs, compresseurs : encrassement, usure des roulements.
- Convoyeurs et axes motorisés : dérive du couple, jeu mécanique.
Le cadre normatif existe. L’ISO 17359 donne les lignes directrices de la surveillance d’état des machines, et l’ISO 13374 décrit le traitement des données de surveillance et leur présentation, de l’acquisition au diagnostic. Elles n’imposent pas d’algorithme, elles structurent la démarche. S’y référer évite de réinventer des chaînes de traitement incompatibles d’un site à l’autre.
Où elle échoue
Les pannes rares et soudaines
Un modèle apprend à reconnaître ce qu’il a déjà vu. Une machine qui tombe en panne une fois tous les cinq ans fournit, au mieux, une poignée d’exemples. La plupart des modèles supervisés ne peuvent pas apprendre à détecter un événement avec si peu de cas. Les approches de détection d’anomalie, qui apprennent le fonctionnement normal et signalent l’écart, contournent en partie le problème, mais produisent des alertes dont il faut ensuite déterminer la cause.
Les données qui n’ont jamais été collectées proprement
Dans beaucoup d’usines, l’historique des interventions est un champ de texte libre : « remplacé roulement », sans date de dégradation, sans cause, sans référence de composant. Il est impossible d’associer un signal à une panne si on ne sait pas quand elle s’est produite ni ce qui l’a causée. L’effort le plus rentable d’un projet de ce type est souvent d’abord organisationnel : structurer les codes de défaut et la saisie des interventions.
Les alertes trop tardives ou trop nombreuses
Un système qui annonce la panne deux heures avant n’aide personne si la pièce de rechange a un délai de livraison de trois semaines. Un système qui émet dix alertes par jour dont neuf sont fausses est vite ignoré. La justesse seule ne suffit pas : il faut mesurer le taux de fausses alertes, le délai d’avance et le coût d’une intervention inutile.
Sur un équipement qui tombe rarement en panne, un modèle qui annonce toujours « pas de panne » a raison dans la quasi-totalité des cas. Un taux d’exactitude élevé n’est donc pas un critère de réussite : on regarde la capacité à détecter les vraies dégradations (rappel) et la proportion d’alertes justifiées (précision).
Les conditions de réussite
| Condition | Question à se poser |
|---|---|
| Criticité | Une panne de cet équipement coûte-t-elle assez cher (arrêt, sécurité, qualité) pour justifier l’instrumentation ? |
| Dégradation | Sa panne est-elle précédée de signes mesurables, sur un délai exploitable ? |
| Données | L’historique des pannes est-il daté, codé et relié à l’équipement ? |
| Organization | Quelqu’un reçoit-il l’alerte, a-t-il le pouvoir d’arrêter la machine, et le stock de pièces suit-il ? |
| Mesure | A-t-on défini comment on saura que le projet a réduit les arrêts, par rapport à une situation de référence ? |
Une démarche prudente
La plupart des succès documentés commencent petit : un parc limité d’équipements critiques, des seuils simples sur des mesures éprouvées, une validation sur de vraies dégradations. Les modèles plus complexes viennent ensuite, quand l’historique s’est constitué et que l’organisation sait traiter les alertes.
Une autre précaution porte sur la cybersécurité : connecter des machines à un réseau d’analyse élargit la surface d’exposition. La série IEC 62443 sur la sécurité des systèmes d’automatisation et de contrôle industriels fournit le cadre pour segmenter et protéger ces échanges.
Ce qu’il faut retenir
La maintenance prédictive n’est pas un produit que l’on achète : c’est une capacité qui se construit, avec des données propres, des mesures pertinentes et une organisation prête à agir sur l’alerte. Bien choisie, elle réduit les arrêts non planifiés ; mal choisie, elle ajoute des capteurs sans effet. Notre expertise en industrie et automates décrit comment nous cadrons ces projets, et nos travaux de recherche et développement portent sur l’exploitation des données industrielles.
Sources
- ISO 17359, Surveillance et diagnostic d’état des machines : lignes directrices générales.
- ISO 13374, Surveillance et diagnostic d’état des machines : traitement, communication et présentation des données.
- IEC 62443, Sécurité des systèmes d’automatisation et de contrôle industriels.
Pour approfondir : IA d’entreprise
Questions fréquentes
Quelle différence entre maintenance préventive et prédictive ?
La préventive intervient à intervalles fixes ou selon un compteur d'usage. La prédictive intervient selon l'état réel de l'équipement, mesuré par des capteurs, quand une dégradation est détectée.
Faut-il de l'intelligence artificielle pour faire de la maintenance prédictive ?
Pas toujours. Des seuils sur des mesures de vibration, de température ou de courant suffisent pour beaucoup de machines. Les modèles apprenants apportent un gain quand les signaux sont complexes et que les données historiques sont abondantes.
Quel équipement choisir pour un premier projet ?
Un équipement critique pour la production, qui se dégrade progressivement, déjà instrumentable à coût modéré, et dont les pannes passées sont documentées.
Combien de temps avant de voir un bénéfice ?
Il faut compter plusieurs mois pour constituer des données exploitables et valider les alertes sur de vraies dégradations. Annoncer un bénéfice avant ce délai est imprudent.