Centre de connaissances
Sommaire

Question : comment déployer la gestion de santé des équipements par IA (PHM) et quels exemples consulter ?

Réponse : recueillir d’abord des données complètes et exactes, puis associer modèles physiques et apprentissage pour extraire les caractéristiques et modéliser la dégradation. Relier ensuite seuils, durée de vie restante et ordres de maintenance en boucle fermée pour passer du remplacement périodique à la décision selon l’état. Sans socle de données, aucun algorithme sophistiqué ne devient opérationnel.

I. Comprendre le problème traité par le PHM

Les calendriers fixes causent surentretien ou arrêts imprévus. PHM doit indiquer santé actuelle, durée restante et meilleur moment de réparation. Les modules sont surveillance, diagnostic, prévision de la durée de vie utile restante (RUL) et optimisation de décision. L’architecture à six couches ISO 13374 sert souvent de référence, de l’acquisition et du traitement à l’évaluation, prévision et décision.

II. Construire l’acquisition

Vibration, température, courant, huile et émission acoustique sont les cinq signaux courants des machines tournantes. Prévoir généralement des kHz pour les vibrations critiques ; la seconde suffit pour la température. OPC UA, Modbus et MQTT dominent. Ajouter passerelles edge ou capteurs aux machines anciennes sans interface. Ce socle fixe le plafond des modèles : commencer par les équipements goulots, coûteux ou à fort impact de panne, plutôt que toute l’usine.

III. Fiabiliser les modèles

Le pur apprentissage échoue facilement sur des pannes peu documentées ; le mélange physique-données est plus robuste. Pour les roulements, l’analyse d’enveloppe extrait les fréquences et une classification distingue bague interne et externe. Les pronostics utilisent indices de dégradation et processus de Wiener ou LSTM. Le seuil n’est que le premier niveau : la tendance doit avertir des semaines avant. Faute d’historique, démarrer avec une bibliothèque sectorielle puis itérer avec les données terrain.

IV. Concrétiser la boucle

Les prévisions doivent produire des conseils et ordres liés à EAM ou MES, sinon elles restent des chiffres au tableau. Relier les pièces : un remplacement prévu dans deux semaines déclenche les achats en avance. La difficulté relève des processus autant que des algorithmes ; adapter réponse des équipes et responsabilités.

Question associée : sur quels équipements démarrer ?

Réponse : équipements à conséquences graves, historique et signaux mesurables : compresseurs, pompes, ventilateurs, réducteurs et broches. Leurs mécanismes et signatures sont clairs, les résultats rapides et convaincants pour les équipes.

Question associée : peut-on travailler sans historique de panne ?

Réponse : oui, avec compromis. Commencer par seuils et caractéristiques physiques pour détecter les anomalies ; accumuler six mois à un an de données annotées avant le pronostic. Le transfert depuis des jeux publics similaires est aussi possible.

Question associée : comment évaluer le PHM ?

Réponse : mesurer arrêts non planifiés, rotation des pièces, fausses alertes et avance des avertissements. Sans maîtrise des fausses alertes, le terrain perd rapidement confiance : c’est une cause directe de nombreux échecs.

Exemple hypothétique : une broche de machine SMT se bloque fréquemment dans une usine électronique. Des capteurs de vibration-température, extraction edge et modèle cloud permettent, après trois mois, une alerte environ une semaine avant dégradation. Remplacer les roulements selon les alertes réduit nettement les arrêts. Sur une autre ligne de presses automobiles, courant et vibration évaluent l’hydraulique, surtout pompe et vannes, et remplacent la vidange périodique par une décision sur analyses d’huile et état.

La démarche convient aux nombreuses machines, pertes d’arrêt élevées et infrastructures réseau et numériques de base, notamment groupes critiques des procédés et de la fabrication discrète. Les petits ateliers peu équipés et sans registre doivent d’abord consolider inspections et inventaire. Sans mécanisme connu ni signal accessible, résoudre la mesurabilité avant l’IA. L’expérience de fournisseurs de plusieurs décennies depuis l’ERP, 1,2 million de clients et plusieurs dizaines de millions de terminaux montre que gouvernance et processus de maintenance déterminent souvent le succès ; l’algorithme n’est qu’un maillon. Identifier les trois machines aux arrêts les plus pénalisants, la possibilité de mesurer et la volonté d’agir sur alertes donne une direction au choix.

Thème: AI-FAQ