Un arbre en acier dans le mandrin d’un tour, des étincelles et un voyant bleu

Maintenance prédictive chez un constructeur automobile : un modèle qui anticipe les pannes

Parmi les projets de Sphere figure un modèle d’analyse prédictive qui anticipe les pannes des tours d’un grand constructeur automobile. Le cahier des charges tient en une ligne, mais il recouvre l’un des usages les plus concrets du machine learning dans l’industrie : repérer dans les données qu’une machine va lâcher avant qu’elle ne lâche vraiment.

Voyons comment fonctionne l’analyse prédictive appliquée aux équipements, ce qui rend ces projets difficiles dans une grande usine, ce qu’un tel système doit généralement savoir faire et comment nous l’abordons, étape par étape. Il ne s’agit pas de résumer la documentation technique du projet, mais de décortiquer ce type de problème pour ceux qui envisagent la prédiction des pannes dans leurs propres ateliers.

L’analyse prédictive des équipements, et pourquoi une usine en a besoin

Il existe trois grandes approches de la maintenance industrielle :

L’analyse prédictive des équipements est la couche analytique qui rend possible cette troisième approche. Le modèle examine les relevés des capteurs, les journaux machines et l’historique des réparations, et estime le risque de panne à court terme : une équipe, une journée, une semaine. Le service maintenance ne reçoit plus « la machine est en panne », mais « la broche de cette machine montre un risque croissant, à vérifier lors de la prochaine fenêtre ».

Pour les tours, c’est particulièrement pertinent. Les machines travaillent en enchaînement avec les opérations voisines, et l’arrêt brutal de l’une bloque souvent tout l’atelier. L’usure des roulements et de l’outillage, les problèmes d’entraînement et d’hydraulique se développent en général progressivement : ils laissent donc une trace dans les données avant de devenir une panne.

Ce qui rend la prédiction des pannes difficile dans une grande usine

Vu de l’extérieur, la tâche ressemble à « prendre les données et entraîner un modèle ». En pratique, l’essentiel du travail se fait autour du modèle.

Des données éparses et hétérogènes

Une grande usine exploite un parc de machines de générations et de fabricants différents. Certaines produisent une télémétrie détaillée, d’autres presque rien. Les données de réparation vivent souvent à part : dans une GMAO, dans des tableurs, dans des registres papier. Avant de prédire quoi que ce soit, il faut réunir le tout en une seule image et le rattacher aux mêmes équipements et aux mêmes instants.

Des pannes rares : bon pour l’usine, mauvais pour le modèle

Les pannes sont des événements rares. Des milliers d’heures de fonctionnement normal pour une poignée de pannes, de natures différentes. Un modèle entraîné naïvement apprend vite à répondre « tout va bien », et il aura techniquement raison presque tout le temps. Dans ces projets, tout se joue sur le cadrage : ce qui compte exactement comme une panne, l’horizon de prévision, la façon d’évaluer la qualité compte tenu de la rareté des événements.

Des erreurs qui ne coûtent pas le même prix

Une panne manquée et une fausse alerte n’ont pas le même coût. Si le modèle crie au loup trop souvent, les chefs d’équipe cessent vite de lui faire confiance. S’il laisse passer des pannes, il perd sa raison d’être. L’équilibre entre ces deux erreurs est une décision métier à prendre avec la production, pas un simple réglage de métrique.

Le modèle doit vivre dans le processus, pas dans un rapport

Une prévision n’est utile que si elle atteint la bonne personne au bon moment et se traduit en action : une inspection, un remplacement de pièce, une réparation déplacée dans une fenêtre planifiée. Si le résultat dort dans le notebook d’un data scientist, le projet ne sert à rien.

Une prévision n’est utile que si elle atteint la bonne personne au bon moment et se traduit en action.

Ce que doit faire un système de maintenance prédictive

Le périmètre dépend de chaque usine, mais les systèmes de ce type partagent un socle de fonctionnalités :

Quels blocs un projet donné nécessite, et dans quelle mesure, se décide dès le départ.

Notre méthode : la phase d’analyse

Notre processus est le même pour les sites, les applications et les logiciels sur mesure. Dans un projet de machine learning, les accents se déplacent, mais la logique reste : d’abord comprendre le métier, ensuite construire la solution.

  1. Analyse. Nous étudions les équipements, les pannes, les données et l’organisation de la maintenance.
  2. Conception. Nous concevons des écrans où la prévision se lit facilement en atelier.
  3. Développement et tests. Nous construisons la chaîne de données, le modèle et l’intégration aux systèmes de l’usine.
  4. Mise en service et évolution. Nous menons une période d’essai, réentraînons le modèle et élargissons le périmètre.

Pendant l’analyse, nous clarifions :

Cette phase ne produit pas qu’un cahier des charges : elle donne une réponse honnête à la question « les données suffisent-elles ? ».

Conception : une prévision lisible en atelier

Dans les projets de machine learning industriels, l’interface passe souvent au second plan, et c’est une erreur. Les utilisateurs ne sont pas des data scientists mais des chefs d’équipe, des mécaniciens, des ingénieurs fiabilité et des responsables d’atelier. Ils manquent de temps et ont besoin d’une réponse à « qu’est-ce que je fais ? », pas d’un graphique à dix courbes.

Dans ces projets, il faut bien réfléchir à :

Nous travaillons les scénarios et les écrans avant le développement, comme pour tout autre produit.

Développement et tests : modèle, données et intégration

Le développement d’un modèle de machine learning sur mesure avance sur plusieurs chantiers en parallèle.

Préparation des données et expérimentations

On construit d’abord une chaîne de données reproductible : d’où vient chaque donnée, comment elle est nettoyée, comment les indicateurs sont calculés. Viennent ensuite les expérimentations avec différentes approches de modélisation.

Revue avec les experts métier

Il est payant de passer en revue les prévisions du modèle avec l’équipe de maintenance. Si le modèle signale une machine et que les chefs d’équipe savent pourquoi ses relevés étaient étranges à ce moment-là, lors d’un réglage ou d’un changement de série par exemple, c’est le signe qu’il faut améliorer les données ou les indicateurs.

Intégration

Le modèle s’intègre aux systèmes de l’usine : il reçoit les données des outils existants et livre ses prévisions là où les équipes travaillent. Ce chantier est souvent comparable en volume au modèle lui-même.

Mise en service et évolution : un modèle ne se livre pas pour être oublié

Un modèle prédictif est un produit vivant. Le plus important commence après le lancement :

Nous abordons ce type de projet comme n’importe quel produit numérique : la mise en service est le début du travail, pas la fin.

Un modèle prédictif est un produit vivant : la mise en service est le début du travail, pas la fin.

Quand l’analyse prédictive a du sens pour votre usine

Avant de commander un modèle, répondez honnêtement à quelques questions :

Si la réponse est oui à la plupart de ces questions, la maintenance prédictive mérite en général d’être étudiée. En tant qu’agence de développement, nous menons aussi des projets dans bien d’autres secteurs : ils sont réunis sur la page de nos réalisations.

Questions fréquentes

Quelle différence entre maintenance préventive et maintenance prédictive ?

La maintenance préventive suit un calendrier, après un nombre d’heures ou de cycles fixé, quel que soit l’état de la pièce. La maintenance prédictive s’appuie sur les données : l’intervention est planifiée quand le modèle détecte des signes de dégradation. On évite ainsi les interventions inutiles et les pannes soudaines se raréfient.

De quelles données a-t-on besoin pour prévoir les pannes ?

En général, la télémétrie des machines (charge, vibrations, température, courant, régimes de fonctionnement), les journaux d’événements et d’erreurs, et l’historique des réparations et remplacements de pièces. L’essentiel est de pouvoir relier données de fonctionnement et données de panne par équipement et dans le temps. La liste exacte se fixe pendant la phase d’analyse.

Peut-on démarrer sans capteurs sur chaque machine ?

On peut souvent commencer avec ce qui est déjà collecté : données des automates et commandes numériques, journaux, historique des réparations. Les résultats du pilote montrent quels signaux manquent et s’il vaut la peine d’installer des capteurs supplémentaires.

Combien coûte le développement d’un modèle de machine learning sur mesure ?

Le coût dépend de l’état des données, du nombre de types d’équipements, de la profondeur d’intégration avec les systèmes de l’usine et du besoin d’une interface utilisateur. Le plus sûr pour l’estimer est de commencer par l’analyse et un pilote : ensuite, le périmètre et les risques sont bien plus lisibles.

Parlons de votre projet
À lire aussi