Maintenance et Data Science by VISEO
LinkedIn Google Plus Twitter Email

Maintenance Prédictive et Data Science

Une tribune de Frédérick Vautrain, Directeur Data Science VISEO, co-écrite avec Lien Nguyen, Data Scientist VISEO publiée sur le site du magazine Decideo
27 Septembre 2016

Frédérick Vautrain, Directeur Data Science VISEO et Lien Nguyen, Data Scientist VISEO, nous proposent une tribune sur l'enjeu de la maintenance prédictive, appelée également "prévisionnelle". Ils nous présentent différentes méthodologies pour la mettre en place ainsi que certains cas d'usage afin de nous aider à mieux comprendre quel est son rôle pour l'entreprise.

Une tribune signée Frédérick Vautrain, Directeur Data Science VISEO, co-écrite avec Lien Nguyen, Data Scientist VISEO, qui décrypte la maintenance prédictive et quel est son rôle pour l'entreprise publiée sur le site du magazine Decideo

Contexte

La panne de machines peut entrainer des conséquences économiques ou sécuritaires et affecter la compétitivité d’une entreprise mais est également un enjeu stratégique majeur pour de nombreuses entreprises.

Avec le développement technologique actuel (Objets connectés, Big Data…), la Maintenance Prédictive (MP, aussi nommée Maintenance prévisionnelle) est devenue un sujet important: elle anticipe des pannes à l’avance – ce qui permet d’optimiser des ressources humaines et matérielles pour diminuer le coût de la maintenance et la gravité des conséquences d’une panne.

La MP est basée sur:

  • Des données de surveillance du fonctionnement du bien.
  • ​Une prévision de la dégradation du bien.

La MP commence à émerger dans des actions stratégiques majeures d’entreprises, par exemple:

  • Air France - KLM : la compagnie a établi un programme Big Data en exploitant les historiques de vol des A-380 et des atterrissages à Paris, permettant de détecter une panne possible en moins d’une heure et d’établir son diagnostic en cinq minutes, au lieu de 6h.
  • SNCF Transiliens : le diagnostic des pannes à partir de données issues des rames connectées était fait de façon manuelle. Le projet Big Data vise à automatiser ces tâches en temps réel avec une vision précise et complète de l’état du matériel.

Méthodologies

Les méthodes mises en œuvre dépendent des informations disponibles sur les machines.

Classiquement, lorsqu’on dispose d’un échantillon significatif de défaillances d’un groupe de machines identiques sans connaissance de l’état de la machine, on peut mettre en place une maintenance systématique basée sur des indicateurs de fiabilité: MTBF (moyenne des temps de bon fonctionnement) etc.

Les méthodes de MP sont basées sur une surveillance du fonctionnement du bien et/ou des paramètres intégrant les actions sur ce bien. Des indicateurs reliés à la dégradation sont extraits dans le but d’estimer le temps de vie résiduel (RUL : Remaining Useful Life). L’avantage de ces méthodes est de s’adapter au cas par cas et sur des systèmes complexes. Elles s’appuient sur des approches combinant statistiques et machine learning telles que par exemple les séries temporelles, les réseaux bayésiens, les arbres de décision ou réseaux de neurones.

>Retrouvez la suite sur Decideo

 

Découvrez toutes les tribunes de Frédérick Vautrain:
- Le mythe de l'algorithme
​- Open Data: Adoptez l'Open Attitude
- BigTimesSeries, futur du Big Data?

 

Consultez notre Offre Data Science