Maintenance prédictive : la donnée au service de l'industrie

L’ère des Big Data et des objets connectés offre des possibilités d’optimisation de processus dans de nombreux domaines. L’automobile, par exemple, avec la voiture connectée : des dispositifs externes branchés sur la prise diagnostic d’un véhicule permettent de conseiller le conducteur en temps réel grâce au croisement de ces données locales à des données GPS. Les Big Data dans le domaine de l’industrie reposent sur le même principe de collecte et de croisement de données : il s’agit d’un facteur d’optimisation des coûts jusque-là indispensables, inévitables et non prévus, comme la maintenance, la révision et la réparation de pannes.

Voici un exemple d’application des Big Data à une problématique du monde industriel : comment gérer efficacement le traitement d’air d’un bâtiment industriel (par exemple des salles blanches pharmaceutiques, microélectroniques, nucléaires, ou encore des salles de froid industriel, agroalimentaire, etc.), réduire les pannes et optimiser sa maintenance, grâce aux Big Data ? Cette opération appliquée dans des situations où la ventilation occupe un rôle crucial, permettrait potentiellement une économie de 20 % en frais de maintenance et de réparation. Elle est en phase de projet pilote, mené par trois acteurs, Engie Axima, acteur mondial du génie climatique, Myriad, spécialiste des Big Data et de l’intelligence artificielle, et Orange Cloud for Business.

Maintenance prédictive : la collecte de données comme point de départ

« L’enjeu du projet* est de proposer une offre de maintenance prédictive au client, avec un service associé s’appuyant sur l’analyse de l’ensemble des paramètres spécifiques des appareils de ventilation, dont la vibration du moto-ventilateur », explique Eric Despatures, chef de projet et expert technique chez Engie Axima. Cette analyse vibratoire se fait au moyen de capteurs placés sur les ventilateurs. Les données des vibrations sont ensuite envoyées sur une plateforme d’analyses gérée par Myriad. « L’envoi des données se fait par le réseau IOT LPWAN, qui consomme peu d’énergie et offre une longue portée » précise Eric Despatures.

« Les données récoltées par les capteurs seront analysées de façon à définir le fonctionnement normal d’une centrale de traitement d’air. A partir de ce comportement normal, on pourra ensuite détecter toute anomalie, et prédire à l’avance les pannes éventuelles. », précise Axel de Goursac, Chief Data Scientist de Myriad. Les pannes sont ainsi repérées lorsque les données récoltées franchissent des seuils définis en amont. Ces seuils sont fixés selon un modèle prédictif, qui par conséquent et dans un premier temps, ne reflète pas toujours la réalité, d’où la nécessité d’engranger un maximum de données pour affiner le système : « plus on a de données, de bonne qualité et de sources variées , plus le modèle sera précis », ajoute Axel de Goursac.

*Vous aurez l’occasion de poser vos questions sur ce projet pilote lors du webinaire qui se tiendra le jeudi 27 avril

Il existe une multitude de paramètres à traiter : température, pression, consommation d’électricité, données du bâtiment (surface, nombre de personnes…), auxquelles s’ajoutent les données issues des capteurs installés sur les centrales de traitement d’air. Celles-ci permettent de connaître sur trois axes les vibrations des appareils en fonctionnement. L’ensemble de ces données doit ensuite être normalisé, afin de supprimer les redondances.

Cette étape réalisée, une modélisation mathématique va être établie afin de comparer des signaux : soit des signaux émanent de plusieurs centrales de traitement d’air, soit de la même centrale mais à des intervalles de temps différents. Cette structure va permettre de chiffrer la différence entre les signaux.

Ces différences ne signifient toutefois pas nécessairement une défaillance. Elles sont surtout le résultat de variations dans le comportement normal d’un signal. Celui-ci découle des trois facteurs suivants : 

• La tendance : comment le signal évolue au cours du temps ? Va-t-il augmenter ou diminuer ?
• La saisonnalité : y a-t-il un mouvement périodique ?
• Le mouvement aléatoire : ce n’est pas nécessairement un dysfonctionnement, il s’agit simplement d’une variable aléatoire due à l’environnement dans lequel fonctionne le ventilateur.

Dernière étape : les données fournies et analysées vont alimenter un modèle prédictif sur lequel Myriad travaille. À partir de ce modèle prédictif, on pourra définir et prévoir l’évolution du fonctionnement normal d’une centrale de traitement d’air, et savoir ensuite si un ventilateur agit normalement, ou si les données issues de son fonctionnement révèlent une anormalité. Cette étape finale s’améliore au fur et à mesure que les données issues des capteurs viennent enrichir le modèle.

Un projet pilote pour simuler les dérives

Afin de préparer la commercialisation de cette solution, Engie Axima réalise son projet pilote dans des salles test, permettant de recréer certaines situations. « On peut recréer des situations normales de fonctionnement des centrales de traitement d’air et simuler des dérives », explique Éric Despatures, « on observe ensuite comment réagissent les données récoltées par les capteurs ». Ces dérives, qui sont par exemple des défaillances recréées sur des éléments d’une centrale de traitement d’air, permettent de voir à quel type de problème correspond une variation de données.

Pour aller plus loin

IOT et maintenance prédictive : mieux vaut prévenir que guérir

De la transformation digitale à l'industrie 4.0

3 cas d'usage des Big Data à destination des marketeurs