Améliorer les performances de maintenance et de sécurité grâce aux outils de données IoT

Les équipements, machines, routes, logiciels, comme tout ce qui est soumis au vieillissement et à l'usure, doivent subir un certain type de maintenance pour continuer à fonctionner de manière fiable et sûre. Dans des contextes de fabrication industrielle et de production, les stratégies de maintenance traditionnelles sont généralement constituées de deux composantes.

L'une est la maintenance préventive (ou programmée), où l'équipement ou les installations sont inspectés, entretenus et réparés à intervalles réguliers. Ces intervalles peuvent être basés simplement sur le temps, une fois tous les six mois, par exemple, ou sur une autre variable, comme un entretien tous les 20 000 km pour une voiture. Cette maintenance est complétée par une maintenance corrective, où l'équipement est réparé ou remplacé suite à un problème d'usure, un dysfonctionnement ou une panne.

La maintenance d'arrêt est une autre possibilité, mais la plupart des entreprises cherchent à éviter cela en raison des coûts impliqués par l'arrêt d'une usine. Cependant, il s'agit parfois de la seule solution de maintenance viable disponible.

Quoi qu'il en soit, l'approche traditionnelle est au mieux inefficace. Certains équipements remplacés simplement en raison d'un calendrier peuvent en fait avoir une grande durée de vie utile restante, et c'est donc du gaspillage. De plus, des entretiens à intervalles trop fréquents entraînent des coûts inutiles, mais les taux de défaillance peuvent augmenter si ces intervalles deviennent trop longs.

Cette stratégie est également de plus en plus inefficace dans l'industrie d'aujourd'hui, où les équipements deviennent plus complexes et sont utilisés de plus en plus jusqu'à leurs limites opérationnelles autorisées pour répondre aux exigences actuelles de productivité et d'efficacité. Dans ces conditions, des informations plus opportunes et plus détaillées sont nécessaires pour garantir l'efficacité de la maintenance.

La nécessité de disposer de meilleurs outils de maintenance est mise en évidence par le coût supporté par les entreprises en raison des pannes d'équipement. En 2014, le groupe Aberdeen estimait ses coûts d'indisponibilité sur l'ensemble de ses entreprises à 164 000 $ par heure ; en 2016, ce chiffre avait fortement augmenté, passant à 260 000 $ par heure, soit une augmentation de 60 % en un peu plus d'un an. Même une panne apparemment mineure dans une usine peut s'avérer étonnamment coûteuse lorsque toutes les conséquences sont prises en compte. Outre la perte de production, il peut y avoir des déversements ou des équipements remplis de produits avariés qu'il faut nettoyer, du temps passé par beaucoup d'employés dans les réunions d'analyse des incidents, des pertes d'efficacité lors du démarrage et de l'arrêt, un redéploiement non voulu du personnel, et du travail administratif supplémentaire lié aux rapports, aux achats et à la comptabilité.

Cependant, l'avènement de l'Industrie 4.0 et de l'Internet des Objets (IoT) permet aux constructeurs et aux utilisateurs d'équipement de bénéficier de solutions de maintenance plus souples, plus pertinentes et plus efficaces. Cet article examine ces stratégies de maintenance plus avancées, et comment l'IoT et ses diverses composantes les permettent. Un exemple de système réel est donné. Nous abordons également la sécurité étant donné que les problèmes de maintenance et de sécurité sont souvent étroitement liés.

Nous examinons ensuite les évolutions qui donnent vie à l'avenir de la maintenance ; par exemple, comment les volumes potentiellement écrasants de données IoT actuellement générés peuvent être gérés par l'intelligence artificielle. Nous parlerons également du concept de machines capables de se réparer elles-mêmes, et nous verrons comment la réalité virtuelle peut être utilisée comme un outil de formation à la maintenance. Nous étudierons enfin la façon dont ces améliorations en matière de maintenance peuvent donner aux fabricants de machines la confiance nécessaire pour offrir aux utilisateurs un modèle d'activité « Maintenance en tant que service » dans lequel ils proposent non seulement une machine, mais également un niveau de productivité garanti pour une période de fonctionnement convenue. Ce peut être une approche financièrement intéressante pour le vendeur comme pour l'utilisateur de la machine.

Maintenance conditionnelle et maintenance prédictive

Les intervalles de maintenance préventive, comme mentionné ci-dessus, sont habituellement fixés par le fabricant de la machine, et basés sur une analyse statistique de la date à laquelle les pièces sont susceptibles de se dégrader ou de tomber en panne. Cependant, une probabilité statistique de panne ne signifie pas qu'une pièce va bel et bien tomber en panne, que ce soit immédiatement ou dans un certain temps. À l'inverse, une pièce peut tomber en panne longtemps avant qu'elle ne soit supposée le faire statistiquement !

En revanche, l'efficacité et la fiabilité seraient grandement améliorées s'il était possible de contrôler la machine et ses pièces en temps réel, de repérer un paramètre qui dévie en dehors des limites acceptables, et de prendre des mesures correctives en conséquence. Il serait possible de tirer le maximum de chaque pièce sans risque qu'une défaillance ne provoque une panne.

Ce processus est réalisé dans le cadre d'une maintenance conditionnelle (MC), où l'état d'une machine est surveillé en permanence en analysant des paramètres prédéfinis de l'équipement. Cela révèle des tendances qui pourraient indiquer une défaillance de l'équipement.

Une stratégie de maintenance conditionnelle commencerait par identifier les principaux paramètres à surveiller ; ceux qui définiraient si la machine est saine ou non. Les paramètres de surveillance courants incluent :

  • Vibration : la surveillance des vibrations de l'équipement, généralement la vibration des roulements
  • Température : la surveillance des variations de température.
  • Niveaux d'huile : la mesure des variations des niveaux d'huile de l'équipement.
  • Acoustique : l'utilisation d'ultrasons pour détecter des changements de sons produits par l'équipement.
  • Tension et courant du moteur : surveillance des effets corona intempestifs, des effets corona destructeurs et suivi des arcs électriques.

La définition de ces paramètres de défaillance inclut la détermination de leurs limites de fonctionnement acceptables. Les données d'historique doivent être recueillies pour chaque paramètre afin d'établir une référence de ce qui est normal.

Une fois ces paramètres disponibles pour l'analyse, un modèle de défaillance peut être construit, afin de repérer les écarts par rapport à ces références. Cela est relativement simple à mettre en place si les combinaisons de valeurs de paramètres indiquant une défaillance sont connues. Il est possible de définir un ensemble de règles pour les conditions de défaillance et d'utiliser l'analyse de données classique et les mathématiques pour construire le bon modèle. Toutefois, si les causes de défaillance ne sont pas bien comprises, la science des données et le machine learning seront nécessaires pour développer des algorithmes capables de repérer des tendances significatives dans les données.

Les algorithmes d'apprentissage machine (machine learning) sont classés en deux grandes catégories :

  • Apprentissage non supervisé. Algorithmes qui s'exécutent sur un ensemble de données sans intervention humaine. Le résultat est un ensemble de tendances identifiées automatiquement à partir de données mesurées qui peuvent être associées à la défaillance de l'équipement.
  • Analyse supervisée. Ce sont des algorithmes formés pour détecter les défaillances. Ils reçoivent un sous-ensemble des données déjà classées en tant que défaillance/pas défaillance. L'algorithme apprend de cela et peut ensuite être exécuté sur les données complètes pour détecter la défaillance de l'équipement.

Dans la pratique, les modèles de machine learning doivent être constamment surveillés pour vérifier leur efficacité. Les modèles se dégradent souvent avec le temps et ont besoin d'être reconfigurés ou reformés.

La maintenance prédictive (MP) est liée à la maintenance conditionnelle (MC), mais ce n'est pas tout à fait la même chose. La MP est une stratégie d'équipement consistant à mesurer l'état de l'équipement pour évaluer s'il tombera en panne dans un avenir proche, puis à prendre les mesures appropriées pour éviter les conséquences de cette panne. L'état de l'équipement peut être mesuré grâce à la MC, mais on peut également utiliser le contrôle de processus statistique, les performances de l'équipement, ou les sens humains.

Maintenance conditionnelle et IoT

Si la maintenance conditionnelle offre un grand potentiel, elle pose aussi des problèmes. Elle peut être onéreuse, en raison du coût de l'instrumentation que l'on doit ajouter et connecter à la machine. Cela est particulièrement vrai pour les usines déjà installées. Dans l'industrie du pétrole et du gaz, par exemple, la prise en compte des coûts a fait que les systèmes de MC de première génération se sont axés uniquement sur les vibrations dans l'équipement rotatif lourd.

L'extraction de données utiles peut aussi être difficile. Même si certains types d'équipement peuvent facilement être observés en mesurant des valeurs simples telles que les vibrations (déplacement ou accélération), la température ou la pression, il n'est pas si facile de transformer ces données mesurées en connaissances exploitables sur l'état de santé de l'équipement.

Cependant, la situation est en train de changer. Les systèmes de production et de fabrication sont de plus en plus coûteux, tout comme les conséquences des périodes d'arrêt. Parallèlement, la technologie IoT permet aux fabricants et aux utilisateurs d'aborder les problèmes de coût et de technologie plus facilement et à moindre coût. Les capteurs d'instrumentation sont moins chers, plus robustes et plus fiables, et ils offrent des fonctionnalités plus étendues, avec parfois de multiples fonctions. Il existe également des protocoles sans fil fiables qui permettent de recueillir efficacement les données des capteurs dans une passerelle locale, pour une analyse et un filtrage immédiats. Elles peuvent alors être transférées via Internet à une ressource informatique sur le cloud qui peut fournir un logiciel en tant que service aux utilisateurs de toute envergure. Ce logiciel permet de stocker les données et d'effectuer l'analyse nécessaire pour repérer les tendances et identifier les difficultés potentielles.

Plate-forme IoT Datonis

Fig.2 : maintenance prédictive utilisant une plate-forme IoT Datonis, image fournie par Altizon

Exemple de système de surveillance de l'état : SIPLUS CMS de Siemens et l'usine numérique

Le SIPLUS CMS de Siemens est un boîtier de MC qui utilise la technologie IoT dans le cadre de sa solution système. Ce système est une étape vers l'usine numérique, dans laquelle tous les acteurs, y compris les machines, les produits et le personnel de la chaîne de valeur deviennent interconnectés. Le CMS fonctionne avec MindSphere, la plate-forme ouverte du système d'exploitation IoT basée sur le cloud de Siemens, conçue pour analyser de grandes quantités de données recueillies par les capteurs de surveillance de la machine afin de réduire les temps d'arrêt.

SIPLUS CMS enregistre et analyse des variables mécaniques provenant des machines, les intègre dans le monde de l'automatisation, et fournit des aides à la prise de décision pour le personnel de maintenance, les opérateurs et la gestion. L'architecture ouverte du système et l'interaction efficace entre tous les composants d'automatisation permettent une surveillance de l'état des composants mécaniques à tous les niveaux. Avec cette approche, les centres de contrôle peuvent surveiller de près des informations actualisées. En cas d'anomalie, il est possible d'estimer rapidement combien de temps encore un fonctionnement sécurisé est possible. En outre, les anomalies dans une usine peuvent être comparées directement à l'état des éléments environnants afin de déterminer si une augmentation de la température est un signe de surchauffe d'un roulement.

Le système SIPLUS est mis en œuvre dans un choix de trois présentations différentes, résumées ci-dessous :

SIPLUS CMS 1200

SIPLUS CMS 1200 permet un contrôle permanent de l'état des composants mécaniques critiques. Les données enregistrées sont analysées par le logiciel interne du CMS 1200 et stockées sur le module de surveillance d'état SM 1281. SIPLUS CMS 1200 est entièrement intégré dans le système d'automatisation via le portail TIA (Totally Integrated Automation, automatisation totalement intégré) de Siemens.

Fonctionnalités :

  • Analyse des données en fonction des paramètres ou sélective en fréquence
  • Algorithmes d'analyse intégrés
  • Analyse des tendances
  • Communication du système et messages d'état
  • Synchronisation temporelle via LAN
  • Diffusion de données de vibration en ligne au logiciel d'analyse CMS X-Tools

Les avantages incluent une meilleure disponibilité des installations, la détection précoce des dommages mécaniques afin d'optimiser la durée de vie des lignes d'assemblage, et des coûts de maintenance réduits combinés à des coûts d'investissement minimum.

SIPLUS CMS 2000

SIPLUS CMS 2000 est disponible en tant que solution autonome indépendante du système d'automatisation. Il peut analyser, diagnostiquer et visualiser des signaux sans logiciel supplémentaire. La conception modulaire permet d'adapter facilement le système à des exigences spécifiques.

Fonctionnalités :

  • Analyse des données en fonction des paramètres ou sélective en fréquence
  • Algorithmes d'analyse intégrés
  • Analyse des tendances
  • Communication du système et messages d'état
  • Synchronisation temporelle via LAN
  • Diffusion de données de vibration en ligne au logiciel d'analyse CMS X-Tools

Le CMS 2000 offre les mêmes avantages que CMS 1200

SIPLUS CMS 4000

Pour la surveillance des composants de machines individuelles et des systèmes complexes. SIPLUS CMS 4000 est facile à intégrer dans n'importe quel environnement d'automatisation. Le puissant logiciel de diagnostic CMS X-Tools permet également de créer et de protéger vos propres modèles d'analyse et d'intégrer des données de processus provenant du système de contrôle.

Fonctionnalités :

  • Enregistrement des signaux mécaniques via pas moins de 180 capteurs, en temps réel et de façon synchrone avec un taux d'échantillonnage pouvant aller jusqu'à 192 kHz
  • Acquisition de données de processus via des logiciels ION directement depuis SIMATIC S7, SIMATIC TDC, et SIMOTION
  • Transfert de données vers CMS X-Tools via la communication TCP/IP

Les avantages incluent l'intégration simple avec les systèmes d'automatisation nouveaux et existants, l'assurance qualité des processus de production par les fonctions d'enregistreur de vol, ainsi que l'analyse détaillée, le diagnostic, la surveillance, la visualisation et l'archivage

MindSphere est la plate-forme ouverte du système d'exploitation IoT basée sur le cloud de Siemens qui connecte vos produits, usines, systèmes et machines, ce qui vous permet d'exploiter la richesse des données générées par l'Internet des Objets (IoT) grâce à des analyses avancées.

Capteurs de maintenance prédictive spécialisés

L'article a abordé jusqu'à présent les systèmes de surveillance d'état basés sur une instrumentation montée sur machine tels que des capteurs de vibration, de rotation et de température. Toutefois, d'autres capteurs spécialisés sont également disponibles pour les techniciens de maintenance afin d'obtenir davantage d'informations sur l'état de leur usine et les problèmes à venir.

Caméras d'imagerie thermique :

Fluke propose trois gammes de caméras d'imagerie thermique pour différentes applications de surveillance :

La série Performance, comme illustrée à la Fig. 5, est destinée à la maintenance de routine. Elle fournit des images extrêmement nettes à partir de 15 cm avec la mise au point manuelle, alors que des images plus rapides peuvent être obtenues à l'aide de l'objectif fixe. Les caméras peuvent générer des rapports et les envoyer par e-mail depuis le site de travail à l'aide du logiciel de diagnostic à distance Fluke Connect.

La série professionnelle est destinée à l'inspection et au dépannage avancés. Elle capture des images claires et exactes de composants hautes températures jusqu'à 1 200 °C. Les produits surveillent les processus grâce à des enregistrements vidéo, des vidéos diffusées en direct, le contrôle à distance ou la capture automatique.

La série Expert fournit des images de haute qualité et une lentille complètement articulée à 180 degrés pour une navigation facile autour des images de contact. L'image montre de petits détails et permet de découvrir des anomalies sur un écran tactile de 5,7 pouces.

Luxmètre : de plus en plus important dans le milieu de travail, pas pour les machines, mais pour les problèmes de sécurité. Les luxmètres sont utilisés pour mesurer la luminosité en lux, fc ou cd/m². Certains luxmètres sont équipés d'une mémoire interne ou d'un enregistreur de données pour enregistrer et sauvegarder les mesures. De nombreux luxmètres incluent un logiciel pour l'analyse détaillée et offrent différentes interfaces pour le transfert des données mesurées vers un ordinateur.

Surveillance chimique : l'eau utilisée, par exemple, dans les systèmes de refroidissement doit avoir la bonne composition chimique pour assurer le contrôle microbiologique, de la corrosion et des dépôts. Le TrueSense de SUEZ pour le traitement des eaux de refroidissement mesure continuellement et applique la quantité de composés chimiques nécessaire pour ces facteurs. Les mesures chimiques du système comprennent :

  • L'orthophosphate pour le contrôle de la corrosion de l'acier
  • Les polymères pour la prévention des dépôts d'écailles minérales et la dispersion des solides en suspension
  • L'halogène libre pour le contrôle à bas coût de la croissance microbiologique

Le système assure l'interface avec Insight, la solution de gestion des connaissances basée sur le cloud de SUEZ. Cela permet de visualiser les conditions et tendances actuelles, de diagnostiquer des problèmes, d'identifier les possibilités d'amélioration, et de générer des alarmes pour des événements ou des tendances avant qu'ils ne menacent la production ou les biens. Le système crée des rapports sur les indicateurs de performance clés et leur impact sur les objectifs commerciaux.

Pince intelligente de courant AC - Pince CT :

La pince capteur CT 3 canaux sans fil version 3 de Pressac est conçue pour mesurer et signaler le courant AC circulant dans 3 canaux séparés. Alimenté par l'un des conducteurs mesurés, le courant mesuré dans les 3 canaux est signalé toutes les 30 secondes grâce à des communications sans fil. La pince capteur CT 3 canaux sans fil version 3 de Pressac est facile à installer sans aucune perturbation pour les conducteurs mesurés.

Pince CT à trois canaux Pressac

Fig.3 : pince CT 3 canaux sans fil de Pressac, image fournie par Communications Limited

Comment l'IoT peut contribuer à la sécurité des usines

L'amélioration des stratégies de maintenance consiste, en fin de compte, à augmenter la productivité des usines. Cette productivité peut être encore accrue lorsque les directeurs d'usine s'acquittent de leurs obligations légales et morales pour optimiser la sécurité sur les lieux. La sûreté et la sécurité des installations peuvent être obtenues grâce à la technologie IoT combinée à l'analyse des big data. Les indicateurs de performance clés tels que les absences des employés, les accidents de véhicule, les dégâts matériels, les quasi-collisions, les blessures, et toute perte ou dommage se produisant au cours d'opérations quotidiennes normales peuvent tous être surveillés.

Souvent, si seul le signalement humain est utilisé, bon nombre de ces mesures peuvent passer entre les mailles du filet et sont non signalées ou minimisées. L'IoT permet une meilleure sécurité d'ensemble grâce à des informations en temps réel dans ces domaines clés. Tout problème qui se pose peut être traité immédiatement, assurant la conformité avec les réglementations de santé et de sécurité et les questions environnementales.

Les blessures sur le lieu de travail sont un bon exemple, puisque les blessures mineures sont souvent non signalées. Parfois, elles se transforment en problèmes plus importants au fil du temps, mais l'énigme est de savoir comment faire le lien entre un problème plus important et un incident précédent.

Les dispositifs IoT portables peuvent fournir une solution à ce problème, car les employés seront contrôlés en permanence pour obtenir diverses mesures de santé, notamment le rythme cardiaque, le mouvement, l'activité, la fatigue, le stress, et ainsi de suite. Ils fourniront également un moyen d'obtenir des informations importantes sur la sécurité, ce qui permettra de réduire ainsi les coûts d'assurance pour la responsabilité et d'améliorer la conformité pour l'ensemble du personnel.

Le balisage numérique permet également de garder un œil sur la main-d'œuvre. Spécialement conçue pour les industries à haut risque, telles que l'exploitation minière, la technologie de balisage permet à la direction de savoir exactement qui est sur le site de travail, le temps exact de présence sur le site, et permet de s'assurer que personne n'est oublié ou laissé derrière en cas d'urgence.

L'avenir de la maintenance

La fonction de la maintenance évolue. De réactive, elle est devenue planifiée, prédictive et enfin auto-réparatrice. La tendance est de veiller à ce que les directeurs de production obtiennent une meilleure utilisation des installations tout en ayant besoin de déployer moins d'effort de maintenance pour le faire. Avec l'adoption généralisée des technologies IoT, quelques aspects particulièrement intéressants se dégagent, comme décrit ci-dessous :

Auto-régénération des machines-outils : les chercheurs de l'Université Technique du Danemark (UTD) ont développé des méthodes fiables pour la compensation automatique de l'usure des machines-outils industrielles. Cette étape essentielle vers l'auto-régénération est en cours de développement en collaboration avec Siemens en Allemagne.

Le contrôle informatique des machines-outils (CIMO) permet d'obtenir une précision élevée lorsque la machine est neuve. Les algorithmes de contrôle de position garantissent que toutes les pièces d'une production, par exemple les 10 000 composants métalliques découpés, ont exactement les mêmes dimensions et finitions que le reste.

Cependant, la précision n'est plus la seule caractéristique nécessaire pour un outil industriel. Les attentes d'aujourd'hui comprennent également une grande fiabilité pour prévoir la dégradation de l'équipement et prévenir les arrêts de production non planifiés.

Par conséquent, l'UTD formule maintenant des algorithmes qui permettent à la machine-outil d'indiquer elle-même lorsque la maintenance de diverses pièces mécaniques est nécessaire. Leurs recherches permettent également à la machine-outil de percevoir les changements dans l'espace de travail et d'ajuster ses paramètres de fonctionnement pour s'adapter aux nouvelles conditions. Cela signifie que la machine de production n'a pas besoin d'être arrêtée totalement pour reconfigurer ses paramètres et qu'elle peut continuer à fournir la précision requise, même avec la dégradation de l'équipement. La vision de l'UTD est de développer le contrôle automatique de la machine-outil jusqu'à un stade où elle sera à la fois capable de compenser l'usure mécanique progressive de la machine et de conseiller sur le temps approprié pour la maintenance.

La contribution croissante de l'IA à la maintenance prédictive :

Un autre terme lié à la maintenance conditionnelle est la qualité et la maintenance prédictive, ou QMP. Les solutions QMP exploitent les données recueillies par l'IoT et les systèmes traditionnels hérités, et se concentrent sur la détection et le traitement des problèmes de qualité et de maintenance avant qu'ils ne deviennent des problèmes sérieux susceptibles de provoquer des temps d'arrêt.

Traditionnellement, les solutions QMP utilisaient des algorithmes et fournissaient des statistiques moyennes pour prédire quand des corrections de qualité ou de maintenance seraient nécessaires. Cependant, de nouvelles approches sont possibles avec la disponibilité d'ensembles de données beaucoup plus importants et les développements récents en matière d'IA. Ces approches permettent l'analyse de l'état réel d'un produit au lieu d'utiliser uniquement des statistiques moyennes ou attendues, avec l'application de la technologie IA au concept de la maintenance conditionnelle.

Les solutions QMP basées sur l'IA utilisent plusieurs technologies simultanément, notamment le machine learning, le deep learning et l'informatique cognitive (cognitive computing) :

  • le machine learning : se concentre sur les problèmes du monde réel par le traitement de grandes quantités de données et l'apprentissage grâce à celles-ci
  • Le deep learning : utilise les réseaux neuronaux pour être en mesure de trier des volumes de données incomensurables afin de parvenir à des conclusions
  • L'informatique cognitive : est un sous-ensemble de l'IA qui tente d'imiter la façon dont les humains pensent. Un sous-ensemble très important de l'informatique cognitive est l'apprentissage et le raisonnement de la mémoire associative, qui imite la façon dont les humains apprennent, se rappellent, et raisonnent par associations.
  • Apprentissage complémentaire : parce que chaque type d'IA est bon pour résoudre des problèmes différents, leur application simultanée est la clé du succès. L'apprentissage complémentaire dans le contexte d'applications QMP implique de combiner tous ces types d'IA (machine learning, deep learning et informatique cognitive) pour obtenir des informations sur des problèmes de qualité et de maintenance.

En effet, une solution QMP qui englobe l'apprentissage complémentaire utilise d'abord l'apprentissage machine et l'apprentissage profond pour répondre à la question : « Quel est le problème ? ». Puis, l'informatique cognitive répond à des questions telles que : « Ai-je déjà vu cela avant ? De quel type de problème s'agit-il ? Qui sait comment résoudre ce problème ? Qu'est-ce qui a provoqué ce problème ? Et cela va-t-il se produire à nouveau ? »

Utilisation de la Réalité Virtuelle (VR) pour la maintenance dans les usines du futur :

ARVRTech est une société de réalité virtuelle et augmentée qui voit deux rôles clés pour la VR dans les usines intelligentes : stimuler la formation de la main-d'œuvre pour les activités de maintenance et rationaliser les processus d'usine.

Leur contenu intègre les interactions des utilisateurs avec leur environnement, et permet une formation interactive rapide et économique. Cela permet au personnel d'en apprendre davantage sur son milieu de travail et les machines sans mettre en péril sa vie et sa sécurité, tout en l'aidant également à maîtriser des machines coûteuses avant de les essayer directement.

Un de leurs outils, la photo interactive 360, fonctionne grâce à un écran de VR installé au niveau de la tête pour guider les utilisateurs à travers différents scénarios dans un atelier. Deux options sont présentées aux utilisateurs : maintenance et formation. Dans l'option maintenance, une série de courtes leçons se présente avec des consignes telles que « vérifiez la qualité de l'acier » ou « remplacez les roulements ». Des consignes plus détaillées, par exemple « utilisez la sonde à induction pour tester l'épaisseur », apparaissent ensuite et guident les utilisateurs étape par étape dans les procédures de maintenance.

Un contenu plus important est fourni dans un modèle d'usine de VR. Il est très réaliste et permet aux visiteurs de comprendre comment les différentes lignes de production au sein des usines sont interconnectées et quelles sont les défaillances dans les opérations quotidiennes à éviter à tout prix.

La RV peut être utilisée dans la formation à la maintenance pour les usines

Fig.4 : la VR peut être utilisée dans la formation à la maintenance pour les usines

Maintenance en tant que service :

Un livre blanc intitulé « L'avenir de la maintenance » publié par Infosys suggère qu'une approche basée sur les données fera passer la maintenance au niveau supérieur et que la « Maintenance en tant que Service » deviendra bientôt la norme. Cette approche permettra de surveiller et réparer à distance l'équipement qui sera potentiellement à même de s'auto-régénérer.

De nouveaux modèles d'activité vont émerger dans lesquels un produit ne sera pas vendu à un prix fixe, mais plutôt en fonction du débit qu'il peut fournir dans un temps donné. Les fabricants prendront la responsabilité de l'équipement et veilleront à ce que les utilisateurs obtiennent de lui la meilleure productivité possible tandis qu'ils reçoivent une rente et des activités supplémentaires grâce à la qualité des produits et des services. Le coût total de possession occupera une place centrale et deviendra une mesure clé de la réussite.

Conclusion

Les technologies IoT, avec leur grand nombre de centres terrestres connectés à des systèmes capables de collecter leurs données et d'effectuer une analyse sophistiquée, donnent de nouvelles informations en temps réel sur les conditions de l'usine et de l'équipement. Ceci facilite la mise en place de stratégies de maintenance bien plus efficaces basées sur ce qui se passe réellement plutôt que sur des hypothèses fondées sur des statistiques concernant l'état de la machine.

Ces possibilités de maintenance plus récentes et plus efficaces sont bien accueillies par les usines qui cherchent à rester concurrentielles grâce à l'amélioration de la disponibilité.

Références

https://ww.aberdeen.com/techpro-essentials/stat-of-the-week-the-rising-cost-of-downtime

http://lifetime-reliability.com/free-articles/enterprise-asset-management/True_Cost_of_Failure.pdf

https://altizon.com/industrial-iot-game-changer-predictive-maintenance

https://hpreliability.com/completing-the-right-maintenance-at-the-right-time-with-cbm-pdm

https://fr.wikipedia.org/wiki/Maintenance_conditionnelle

http://uk.farnell.com/wireless-technology

https://www.siemens.com/global/en/home/products/automation/products-for-specific-requirements/siplus-cms.html

http://a.fluke.com/Thermal-camera-UKEN

https://www.pce-instruments.com/english/measuring-instruments/test-meters/lux-meter-kat_40074_1.htm

https://www.suezwatertechnologies.com/applications/monitoring-analytics

https://www.mojix.com/iot-plant-safety-security

http://www.elektro.dtu.dk/english/news/2017/05/one-step-closer-to-self-healing-industrial-machines

https://www.oreilly.com/ideas/complementary-learning-for-ai-based-predictive-quality-and-maintenance

https://arvrtech.eu/blog/VR-for-training-and-maintenance-in-factories-of-the-future

https://www.infosys.com/industries/aerospace-defense/white-papers/Documents/enabled-predictive-maintenance.pdf

http://www.pressac.com/enocean-three-channel-ct-clamp-v3

Améliorer les performances de maintenance et de sécurité avec les outils de données IoT, date de publication : 15 octobre 2018 par Farnell