Maintenance prédictive et machine learning

Le machine learning a transformé la maintenance prédictive. Là où les méthodes classiques reposaient sur des seuils fixes et l’expertise des techniciens, les algorithmes d’apprentissage automatique analysent en continu les données des capteurs IoT, apprennent le comportement normal de chaque équipement et repèrent les signes avant-coureurs d’une panne. Cet article explique le fonctionnement de la maintenance prédictive par machine learning, les algorithmes utilisés, les données à réunir et la manière de démarrer dans une entreprise industrielle.

Sommaire

1. Maintenance prédictive et machine learning : de quoi parle-t-on ?
2. De la maintenance préventive à la maintenance prédictive
3. Les données nécessaires
4. Les algorithmes de machine learning utilisés
5. Outils et solutions de maintenance prédictive
6. Mettre en place un projet de maintenance prédictive
7. Les bénéfices pour l’industrie
8. Les difficultés à anticiper
9. Korbyx et la maintenance prédictive

Maintenance prédictive et machine learning : de quoi parle-t-on ?

La maintenance prédictive vise à intervenir sur un équipement juste avant sa défaillance, en s’appuyant sur ce que disent ses données de fonctionnement. Le machine learning, ou apprentissage automatique, est une branche de l’intelligence artificielle dans laquelle des algorithmes apprennent à partir des données, sans être programmés règle par règle.

Appliqué à la maintenance, le machine learning apprend à reconnaître le comportement normal d’une machine, puis à repérer ce qui s’en écarte. Il peut aussi apprendre, à partir de l’historique, quels signaux précèdent une panne donnée, et estimer le temps qu’il reste avant la défaillance.

Pourquoi le machine learning change la donne

• Il analyse simultanément des dizaines de variables, là où un seuil n’en surveille qu’une.
• Il s’adapte à chaque équipement et à ses conditions d’utilisation.
• Il repère des signaux faibles invisibles à l’œil humain.
• Il s’améliore avec le temps, à mesure que les données s’accumulent.

De la maintenance préventive à la maintenance prédictive

Pendant des décennies, la maintenance industrielle a reposé sur deux piliers, la maintenance corrective, qui répare après la panne, et la maintenance préventive, qui intervient selon un calendrier. La maintenance préventive a réduit les pannes, mais au prix d’interventions parfois inutiles, quand on remplace une pièce encore saine simplement parce que la date est arrivée.

La maintenance conditionnelle a ensuite permis d’intervenir selon l’état réel de l’équipement, dès qu’un indicateur dépasse un seuil. La maintenance prédictive franchit une étape supplémentaire, puisqu’elle anticipe au lieu de se contenter de réagir à un seuil. Grâce au machine learning, la maintenance prédictive analyse l’évolution des données en temps réel et estime le moment où la défaillance surviendra.

• Maintenance corrective : réparer après la panne.
• Maintenance préventive : intervenir selon un calendrier.
• Maintenance conditionnelle : intervenir quand un seuil est franchi.
• Maintenance prédictive : anticiper la défaillance grâce à l’analyse des données.

Chaque entreprise combine ces approches. La maintenance prédictive se réserve aux équipements critiques ; la maintenance préventive reste pertinente pour les pièces d’usure dont la durée de vie est connue. Nous avons passé ces approches en revue dans notre article sur les types de maintenance.

Les données nécessaires

Un modèle de machine learning ne vaut que par les données qu’on lui fournit. En maintenance prédictive, trois familles de données sont utiles.

Les données des capteurs IoT

• Vibrations : la source la plus riche pour les machines tournantes.
• Température : échauffements des moteurs, des roulements, des armoires électriques.
• Courant et puissance : la signature électrique révèle de nombreux défauts.
• Pression, débit, acoustique : selon le type d’équipement.

Les données de maintenance

L’historique des pannes et des interventions, enregistré dans la GMAO, est indispensable pour apprendre à reconnaître les signes qui précèdent une défaillance. Ce maillon est souvent le plus faible, car des historiques incomplets ou mal codés limitent la qualité des modèles.

Les données de production

Les cadences, les produits fabriqués et les réglages sont des informations qui expliquent une partie des variations de comportement des machines et évitent les fausses alertes.

Les données en temps réel sont transmises par des passerelles IoT vers une infrastructure locale ou vers le cloud, où elles sont stockées et analysées. Le choix entre traitement local (en périphérie) et cloud dépend des volumes, de la latence souhaitée et des exigences de sécurité.

Les algorithmes de machine learning utilisés

Plusieurs familles d’algorithmes répondent à des questions différentes. Le choix dépend des données disponibles et de l’objectif.

La détection d’anomalies

L’approche la plus accessible reste la détection d’anomalies. L’algorithme apprend le comportement normal d’un équipement à partir de ses données, sans avoir besoin d’exemples de pannes, puis signale tout écart significatif. Forêts d’isolement, autoencodeurs et méthodes statistiques, ces techniques d’apprentissage non supervisé conviennent quand l’historique de pannes est pauvre.

La classification des pannes

Quand on dispose d’un historique de pannes étiqueté, un modèle supervisé peut apprendre à reconnaître la signature de chaque type de défaillance, défaut de roulement, désalignement, balourd ou défaut électrique. Forêts aléatoires, gradient boosting et réseaux de neurones sont couramment utilisés pour ce travail de classification.

L’estimation de la durée de vie restante

L’objectif le plus ambitieux consiste à estimer combien de temps un équipement peut encore fonctionner avant la panne. Ces modèles d’estimation s’appuient sur l’évolution de la dégradation dans le temps, souvent avec des réseaux de neurones adaptés aux séries temporelles. Ils demandent un historique riche.

L’analyse des séries temporelles

Les données des capteurs forment des séries temporelles. Des techniques spécifiques permettent d’en extraire les tendances, les cycles et les ruptures, qui alimentent ensuite les modèles.

Approche	Question posée	Données requises
Détection d’anomalies	Le comportement est-il normal ?	Données de fonctionnement normal
Classification	De quel type de panne s’agit-il ?	Historique de pannes étiqueté
Durée de vie restante	Dans combien de temps la panne ?	Historique de dégradation complet

Outils et solutions de maintenance prédictive

Les solutions de maintenance prédictive se répartissent en trois grandes familles, souvent complémentaires dans les entreprises industrielles.

• Les modules de maintenance prédictive des GMAO : intégrés au logiciel de gestion de la maintenance, ils exploitent l’historique des interventions et les relevés.
• Les solutions spécialisées de surveillance : capteurs, passerelles et logiciels d’analyse vibratoire ou électrique, proposés par des fabricants d’instrumentation.
• Les développements sur mesure : des modèles de machine learning construits sur les données propres à l’entreprise, reliés à ses systèmes existants.

Le bon choix dépend de la maturité de l’entreprise, du nombre d’équipements à suivre et de la diversité des machines. Une solution standard convient à des équipements courants et bien documentés ; un développement sur mesure se justifie pour des machines spécifiques ou des procédés complexes. Dans tous les cas, les outils doivent s’intégrer aux systèmes de gestion de la maintenance et de la production, pour que les alertes débouchent sur une planification concrète des interventions.

Maintenance prédictive et GMAO

La GMAO reste le centre de gravité de la maintenance, et la maintenance prédictive vient l’enrichir. Les alertes des modèles y créent des demandes d’intervention, les techniciens y consignent leurs constats, et ces informations améliorent à leur tour les modèles. Sans ce lien, la maintenance prédictive reste un tableau d’alertes isolé. Notre article sur la GMAO et le choix du logiciel revient sur ce point.

Des opérations mieux planifiées

Avec la maintenance prédictive, la planification des opérations de maintenance change de nature. Les interventions se programment pendant les arrêts prévus, les pièces sont commandées à temps, les équipes sont mobilisées au bon moment. Les entreprises peuvent ainsi réduire les arrêts imprévus, optimiser les coûts de maintenance et identifier plus tôt les problèmes récurrents sur leurs équipements.

Les technologies de maintenance prédictive progressent vite. Les capteurs sans fil sont moins coûteux, le traitement s’effectue en périphérie des machines, et les modèles sont capables de surveiller des milliers de signaux à la fois. Ces progrès ouvrent la maintenance prédictive à des entreprises de taille moyenne, qui peuvent démarrer sur quelques équipements avant d’étendre la démarche. Nos services d’automatisation des processus, d’orchestration de workflows et de création d’agents IA prolongent cette logique.

Mettre en place un projet de maintenance prédictive

1. Choisir les équipements. Les plus critiques, ceux qui coûtent cher à l’arrêt et qui tombent en panne assez souvent pour qu’un modèle apprenne.
2. Faire l’état des données. Capteurs existants, qualité de l’historique dans la GMAO, données de production.
3. Compléter l’instrumentation si nécessaire, avec des capteurs de vibrations, de température, de courant.
4. Construire un premier modèle, souvent de détection d’anomalies, sur quelques équipements.
5. Valider avec les techniciens. Les alertes correspondent-elles à de vrais problèmes ?
6. Intégrer les alertes dans la GMAO et le flux de travail de l’équipe de maintenance.
7. Mesurer et étendre, en suivant les pannes évitées, le temps d’arrêt réduit et les coûts de maintenance.

L’implication des techniciens est décisive. Ils connaissent les machines, savent interpréter une alerte et enrichissent l’historique. Un modèle construit sans eux produit des alertes qu’on finit par ignorer.

Les bénéfices pour l’industrie

• Moins d’arrêts de production imprévus, grâce à des interventions planifiées.
• Des coûts de maintenance réduits, avec moins de pannes lourdes et moins de pièces changées trop tôt.
• Une meilleure qualité de production, obtenue avec des équipements maintenus en bon état.
• Une durée de vie prolongée des équipements.
• Une meilleure sécurité pour les opérateurs et les techniciens.
• Une gestion des pièces de rechange optimisée.

Pour les entreprises, l’intérêt de la maintenance prédictive se lit dans les performances d’exploitation. Détecter les défaillances plus tôt permet de réduire les pannes en cascade, qui endommagent d’autres composants. Détecter les dérives en temps réel donne le temps d’intervenir avant que la qualité de production ne se dégrade.

Les informations remontées par les modèles aident aussi à mieux répartir les ressources de l’équipe de maintenance. Les techniciens se concentrent sur les équipements qui en ont besoin, au lieu de multiplier les tournées de contrôle. L’ensemble de ces effets améliore les performances des lignes, réduit les coûts d’exploitation et libère des ressources pour l’amélioration continue.

Les entreprises qui ont adopté ces technologies de maintenance prédictive constatent aussi une meilleure connaissance de leurs équipements. Les informations accumulées servent à détecter les défaillances récurrentes, à choisir de meilleurs fournisseurs et à mieux concevoir les installations futures.

Nos exemples de gains de productivité et notre page calculer le ROI de l’IA aident à chiffrer ce que cela représente sur votre site.

Les difficultés à anticiper

• Des données incomplètes : historiques de pannes lacunaires, capteurs absents ou mal placés.
• Des pannes rares, car il est difficile d’apprendre à reconnaître ce qui arrive une fois par an.
• Les fausses alertes : un modèle trop sensible décourage les équipes.
• L’intégration avec la GMAO, les automates et les systèmes existants.
• Les compétences : il faut associer spécialistes des données et experts des machines.

Ces difficultés se surmontent avec une approche progressive, un pilote bien choisi et une collaboration étroite entre les équipes. Nous revenons sur ces écueils dans pourquoi les projets IA échouent.

Korbyx et la maintenance prédictive

Korbyx accompagne les industriels de la sélection des équipements jusqu’à la mise en service des modèles. Nous faisons l’état des données, choisissons l’instrumentation, relions les modèles à la GMAO et aux systèmes de production, les validons avec les techniciens, puis suivons les résultats. Les données restent hébergées en Europe, et aucune ne sert à entraîner des modèles tiers.

• Maintenance prédictive
• Analyse prédictive
• Contrôle qualité par vision
• Production industrielle et TRS
• Gestion des stocks de pièces

Trois de nos services s’y rattachent, l’intégration de l’IA, le développement sur mesure et l’audit IA. Pour aller plus loin, consultez notre page IA et maintenance industrielle, nos exemples concrets de maintenance prédictive, notre panorama des types de maintenance, notre article sur la GMAO et celui sur l’industrie 4.0.

Références14

1. ISO 17359 : surveillance et diagnostic de l’état des machines, lignes directrices.
2. ISO 13374 : traitement et présentation des données de surveillance.
3. AFNOR : la norme NF EN 13306 sur la terminologie de la maintenance.
4. Cetim : le centre technique des industries mécaniques.
5. AFIM : l’association française des ingénieurs et responsables de maintenance.
6. Inria : la recherche française en sciences du numérique.
7. scikit-learn : bibliothèque de machine learning en Python.
8. TensorFlow : bibliothèque d’apprentissage profond.
9. PyTorch : bibliothèque d’apprentissage profond.
10. NASA : jeux de données de pronostic de pannes.
11. Bpifrance : l’accompagnement de l’industrie du futur.
12. Alliance Industrie du Futur : la transformation de l’industrie.
13. CNIL : la protection des données.
14. Règlement (UE) 2024/1689 : le règlement européen sur l’IA.