Maintenance prédictive et jumeau numérique : ce que disent les résultats publiés

Peu de sujets industriels ont produit autant de publications en si peu de temps. Depuis la fin des années 2010, revues d’ingénierie et conférences spécialisées publient chaque année un grand nombre d’articles qui associent jumeau numérique et maintenance prédictive. La plupart présentent un modèle plus précis que le précédent. Bien peu racontent ce qui se passe une fois ce modèle installé dans une usine, face à des machines qui vieillissent, des capteurs qui dérivent et des équipes qui doivent décider d’arrêter ou non une ligne. Cette synthèse fait le tri : ce que les résultats publiés établissent, ce qu’ils n’établissent pas, et comment lire un résultat avant d’y engager un budget.

Jumeau numérique, maintenance : de quoi parle-t-on ?

Le vocabulaire de la maintenance est normalisé. La norme européenne EN 13306 distingue la maintenance corrective, qui intervient après la défaillance, et la maintenance préventive, qui intervient avant. Cette dernière peut être systématique (à intervalles fixes), conditionnelle (déclenchée par la mesure de l’état du bien) ou prévisionnelle : on extrapole l’évolution d’un paramètre de dégradation pour estimer le moment où l’intervention deviendra nécessaire. C’est ce que la littérature appelle maintenance prédictive.

Le jumeau numérique est une notion plus floue. Une classification souvent reprise, publiée en 2018 par Kritzinger et ses coauteurs, distingue trois niveaux selon le sens des flux de données : le modèle numérique, alimenté à la main ; l’« ombre numérique », qui reçoit automatiquement les données de l’objet réel ; et le jumeau proprement dit, où l’échange va dans les deux sens. Pour l’industrie manufacturière, la série de normes ISO 23247, publiée en 2021, propose un cadre de référence. Dans les faits, une grande partie des articles qui se réclament du jumeau numérique décrivent une ombre numérique couplée à un modèle de pronostic.

Ce pronostic prend trois formes. Les modèles physiques décrivent l’usure, la fatigue ou l’échauffement par des équations ; ils demandent une connaissance fine de l’équipement. Les modèles fondés sur les données apprennent la dégradation à partir de mesures ; ils demandent beaucoup d’exemples de défaillances. Les modèles hybrides combinent les deux, et c’est vers eux que la recherche s’oriente depuis quelques années. Les normes ISO 13374 (traitement des données de surveillance) et ISO 13381-1 (lignes directrices du pronostic) fixent un cadre commun à ces approches.

Trois types de preuves, qui ne se valent pas

Avant de lire un résultat, il faut savoir d’où il vient. Les publications reposent sur des sources de nature très différente, que l’on peut classer de la plus contrôlée à la plus proche du terrain.

Les jeux de données de référence forment la base. Le plus cité, C-MAPSS, a été mis à disposition par la NASA en 2008 : il simule la dégradation de turboréacteurs jusqu’à la panne. Pour les roulements, les données du centre de l’université Case Western Reserve, celles du programme IMS de l’université de Cincinnati ou celles de la plateforme PRONOSTIA de l’institut FEMTO-ST, à Besançon, utilisée pour le challenge PHM de l’IEEE en 2012, servent de terrain commun. Leur intérêt est réel : tout le monde peut comparer ses méthodes sur les mêmes données. Leur limite l’est aussi : dégradations simulées ou accélérées, conditions de laboratoire, peu de modes de défaillance.

Les bancs d’essai reproduisent un équipement réel en conditions contrôlées. Ils permettent d’observer des défaillances provoquées, mais rarement la variété de ce qui arrive en production.

Les démonstrateurs industriels décrivent un modèle installé sur un site. Ils sont plus parlants, mais souvent limités à un équipement, à quelques mois d’observation, et rédigés par les concepteurs de la solution.

L’exploitation mesurée, enfin, comparerait sur plusieurs années des équipements suivis avec le modèle à des équipements comparables suivis sans lui, avec des coûts réels. C’est la preuve qui intéresse un directeur industriel. C’est aussi la plus rare dans la littérature ouverte.

Ce que les résultats établissent

Trois enseignements sont solides.

Le premier est que la détection d’anomalies sur les machines tournantes est une technique mature. La surveillance vibratoire existe depuis des décennies, avec des seuils normalisés (série ISO 20816, qui succède à l’ISO 10816). Les méthodes d’apprentissage améliorent la sensibilité et réduisent le travail d’analyse, mais elles prolongent une pratique éprouvée plus qu’elles ne l’inventent.

Le deuxième est que les modèles hybrides s’en sortent mieux quand les défaillances sont rares. Un modèle physique, même grossier, apporte une connaissance que les données seules ne contiennent pas. Les travaux convergent sur ce point, quel que soit le type d’équipement.

Le troisième est que la valeur du jumeau dépasse la prédiction. Les publications les plus convaincantes ne se contentent pas d’annoncer une durée de vie résiduelle : elles simulent des scénarios (reporter une intervention de trois semaines, réduire la charge d’une machine, regrouper deux arrêts) et aident à planifier. C’est là que le jumeau se distingue d’un simple modèle prédictif.

Ce qu’ils n’établissent pas encore

Les limites sont plus nombreuses, et plus importantes pour un décideur.

Les défaillances réelles sont rares. Une usine bien entretenue évite les pannes ; elle produit donc peu d’exemples dont un modèle pourrait apprendre. Les jeux de référence, eux, poussent les machines jusqu’à la rupture. Le passage de l’un à l’autre est le principal point faible de la littérature.

Les modèles se transfèrent mal. Un modèle entraîné sur une machine perd souvent en qualité sur une machine voisine, de même type mais d’un autre âge, avec une autre charge ou d’autres capteurs. Le transfert d’apprentissage est un champ de recherche actif, signe que le problème n’est pas résolu.

Les gains économiques sont peu mesurés. Les chiffres d’économies qui circulent proviennent pour beaucoup d’études de cabinets ou d’éditeurs, fondées sur des estimations plutôt que sur des mesures. Nous ne les reprenons pas. Les publications scientifiques, de leur côté, mesurent surtout des erreurs statistiques, pas des heures d’arrêt évitées.

La durée de vie du modèle est ignorée. Un capteur qui dérive, un réglage modifié, une pièce remplacée par une référence différente : le modèle doit être recalé. Ce coût de maintenance du modèle lui-même est presque absent des publications.

La décision humaine reste hors champ. Une alerte n’a de valeur que si quelqu’un agit. Combien d’alertes sont suivies d’une intervention, combien sont ignorées, combien de fausses alertes la confiance des équipes supporte-t-elle ? Ces questions, centrales en exploitation, sont rarement étudiées.

Lire un résultat publié : sept questions

Qu’il s’agisse d’un article scientifique, d’une étude de cas d’éditeur ou d’une présentation en salon, les mêmes questions permettent d’en juger la solidité.

• Les données sont-elles réelles, simulées ou issues d’un banc d’essai ?
• Combien de défaillances réelles figurent dans les données de test, et pas seulement dans les données d’apprentissage ?
• Les données de test sont-elles postérieures aux données d’apprentissage, pour éviter que le modèle « voie » l’avenir ?
• Le modèle est-il comparé à une méthode simple (seuil, tendance), et pas seulement à d’autres modèles complexes ?
• Le résultat est-il exprimé en valeur métier (arrêts évités, coût, disponibilité) ou seulement en erreur statistique ?
• Sur quelle durée l’observation porte-t-elle, et le modèle a-t-il été recalé en cours de route ?
• Les auteurs sont-ils indépendants de la solution évaluée ?

Un résultat qui répond mal à trois ou quatre de ces questions n’est pas faux. Il ne permet simplement pas de prévoir ce que donnera la même approche chez vous.

Ce que cela change pour un projet

La littérature invite à une démarche prudente, en trois temps. D’abord, choisir les équipements par une analyse de criticité (de type AMDEC, selon la norme IEC 60812) plutôt que par l’intuition : ceux dont l’arrêt coûte cher et qui disposent déjà de mesures. Ensuite, consolider la surveillance conditionnelle et l’historique de maintenance, sans lesquels aucun modèle ne peut apprendre. Enfin seulement, ajouter le pronostic et la simulation, sur un périmètre restreint, avec une situation de référence fixée avant le démarrage (les indicateurs de la norme EN 15341 en donnent une base).

Cette progression rejoint celle que nous décrivons pour financer un jumeau numérique par phases : chaque étape produit une preuve qui justifie la suivante. Notre expertise jumeaux numériques et le dossier de référence sur le sujet détaillent les données qu’il faut réunir avant de parler de modèle.

1. EN 13306, Maintenance – Terminologie de la maintenance, CEN.
2. EN 15341, Maintenance – Indicateurs de performance clés de la maintenance, CEN.
3. ISO 23247 (série), Systèmes d’automatisation industrielle et intégration – Cadre de jumeau numérique pour la fabrication, ISO, 2021.
4. ISO 13374 et ISO 13381-1, Surveillance et diagnostic de l’état des machines (traitement des données ; pronostic), ISO.
5. ISO 20816 (série), Vibrations mécaniques – Mesurage et évaluation des vibrations de machines, ISO.
6. IEC 60812, Analyse des modes de défaillance et de leurs effets (AMDE et AMDEC), IEC.
7. A. Saxena, K. Goebel, D. Simon, N. Eklund, « Damage propagation modeling for aircraft engine run-to-failure simulation », conférence PHM, 2008 (jeu de données C-MAPSS, NASA).
8. W. Kritzinger et al., « Digital Twin in manufacturing: A categorical literature review and classification », IFAC-PapersOnLine, 2018.

Questions fréquentes

Un jumeau numérique est-il indispensable pour faire de la maintenance prédictive ?

Non. Une surveillance conditionnelle bien conduite (vibrations, températures, analyses d'huile) et un historique de maintenance fiable apportent déjà l'essentiel de la détection. Le jumeau numérique devient utile quand il faut simuler des scénarios d'intervention, combiner un modèle physique et des données, ou raisonner sur un ensemble d'équipements.

Peut-on se fier aux taux de précision annoncés dans les articles scientifiques ?

Ils sont utiles pour comparer des méthodes entre elles sur un même jeu de données, pas pour prévoir ce que donnera un modèle dans votre usine. Les conditions réelles (capteurs qui dérivent, défaillances rares, machines différentes) font presque toujours baisser les performances.

Par quels équipements commencer ?

Par ceux dont la défaillance coûte cher et qui disposent déjà de mesures et d'un historique : une analyse de criticité, de type AMDEC, permet de les choisir de façon argumentée plutôt que sur l'intuition.

Comment prouver le gain d'un projet pilote ?

En fixant avant le projet une situation de référence (pannes non planifiées, heures d'arrêt, coûts d'intervention) et, si possible, en comparant des équipements suivis avec le modèle à des équipements comparables suivis sans lui, sur une durée suffisante pour observer des défaillances.