Big Data et maintenance prédictive : Du réactif au proactif !

24.04.17
maintenance prédictive usine Big Data industrie

Anticiper une défaillance dans le cycle de production, améliorer ses prévisions de ventes, augmenter la satisfaction client… Voici quelques objectifs parmi tant d’autres de la maintenance dite préventive ou prédictive.

De l’agriculteur indépendant de la région du Nord-Pas-de-Calais à la SNCF, tous les secteurs d’activité vont être concernés. La croissance des Objets connectés et la multiplication exponentielle des données sont les deux principaux moteurs de cette nouvelle révolution.

Le point de départ : une source immense de données

28 Milliards, c’est le nombre d’objets connectés prévus en 2020. Le nombre de points de départs de multitudes d’informations, de data, potentiellement exploitables par les entreprises. 

L’information n’est plus une denrée rare, au contraire, elle est de plus en plus présente et de plus en plus massive. Cette révolution de la data amène les entreprises à s’interroger

Maintenant que nous disposons de toutes ces données, qu’on peut tout faire, que doit-on faire ?

Par Hélène Gombaud-Saintonge, directrice générale de FullSix Data
C’est là qu’est l’enjeu pour les entreprises : qualifier et structurer la quantité énorme de données brutes. 

Pourquoi un tel enjeu ?

Car le Big Data est la clef de voûte d’un avantage majeur : la maintenance prédictive. Un cycle de production trop aléatoire ? Des matière premières d’une qualité variable ? Voilà des problématiques récurrentes et très difficiles (voire impossible ?) à maîtriser pour les entreprises.

Or ces incertitudes peuvent coûter cher, sur le plan économique comme sécuritaire. La réparation d’une machine coûte en moyenne 50% plus cher que le prix de l’intervention elle-même. Intervention qui, bien sûr, ne peut se réaliser qu’APRES l’apparition de la panne.

La maintenance préventive va permettre d’anticiper les défaillances : Température, mouvements, niveau d’huile… Les objets connectés ou l’installation de capteurs au sein des dispositifs va permettre de récolter des données.

Ces data se doivent d’être pertinentes et être le plus en accord avec les caractéristiques fondamentales de la donnée Big Data, les 5V

  • Volume : Il faut tout d’abord atteindre une certaine masse de données pour pouvoir en déduire des résultats
  • Vélocité : Il est aussi impératif de collecter et de traiter ces data en temps réel
  • Variété : La typologie des données récoltées peut être très hétérogène (textes, images…) 
  • Véracité : La data doit aussi être fiable (ne pas venir d’un faux profil Facebook par exemple) 
  • Valeur : Enfin, l’ère du Big Data va amener une quantité de plus en plus importante de données. Il est donc important d’être capable de se concentrer sur les données ayant une réelle Valeur

On obtient ainsi une myriade d’informations, venant d’une multitude de sources ! Ces data vont être transmises et stockées dans un cloud, pour ensuite être analysées.  

Il va être possible de suivre en temps réel ces données récoltées (Data in motion) et ainsi anticiper et planifier les opérations de maintenance. 


L’entreprise se retrouvera gagnante à plusieurs niveaux :

  • Une réduction des frais de maintenance permise par une planification des interventions en heures creuses,
  • Un arrêt coûteux d’un pan entier de la production évité,
  • Une priorisation des opérations de maintenance facilitée grâce à l’analyse prédictive et aux solutions éditeurs. L'entreprise pourra ainsi en déduire a posteriori les processus opérationnels les plus sensibles à une panne.

Autant d'éléments qui permettront à une entreprise de limiter les ressources déployées et d'optimiser le temps de fonctionnement ainsi que la durée de vie de ces équipements.

Gagner un avantage concurrentiel

De plus, il sera possible, avec l’aide d’un GMAO (Gestion de Maintenance Assistée par Ordinateur), pour la structure d’automatiser la prise de décision sur les opérations de maintenance, mais aussi sur la chaîne d’approvisionnement. 

Cela va renforcer le pouvoir de l’entité sur plusieurs points importants :

  • Prévoir les pannes
  • Analyser les causes de ces défaillances
  • Eviter une paralysie d’une partie du cycle de production
  • Optimiser les frais de maintenance
  • Mieux gérer l’inventaire des pièces de rechange
  • Prévoir les garanties : en anticipant le dysfonctionnement d’une pièce, il serait possible de vérifier si cette dernière est toujours sous garantie et s'arranger avec le fournisseur
  • Anticiper un impact sur la qualité produit
  • Anticiper sur un retard de production et donc optimiser la planification des ventes
L’intégration du Big Data va ainsi constituer un réel avantage concurrentiel. 

Un processus avec un ordre précis en trois étapes...

Cependant, obtenir cette supériorité stratégique ne s’acquiert pas simplement. L’aboutissement d’une intégration du Big Data dans le but d’une maintenance prédictive se fait à l'issue d'une réflexion poussée et d'un processus complexe.

Il s’agit de saisir les mécanismes survenant au moment des pannes, et ainsi d’établir une « signature » du phénomène. Pour cela, divers capteurs sont installés pour récolter des données.

Et pour cela il faut distinguer trois étapes :

1. Comprendre

C’est là qu’intervient la stratégie de l’entreprise, surveiller tous ses équipements peut s’avérer trop coûteux et peu pertinent. L’entreprise devra donc prioriser ses actions afin d’identifier les process stratégiques sur lesquels l’optimisation doit se porter (Rationalisation d’une chaîne de production et de distribution par exemple) et de comprendre les paramètres clefs intervenant lors du phénomène.

Une fois les points d’interventions décidés, la récolte de data est lancée, appuyée par le support d’un Master Data Management

2. Alerter

L’analyse des informations reçues va alors permettre de prédire des événements plus ou moins complexes. Partant de la marée de données fournies, plusieurs « signatures » vont émerger. Des alertes vont alors être portées à l’attention des décisionnaires. 

3. Intégrer

Une fois alertée, l’entité va pouvoir intégrer une nouvelle compréhension de ses outils pour adapter à la fois sa stratégie et sa maîtrise des coûts.

C’est en suivant cette logique que l’entreprise va pouvoir exploiter les données fournies pour passer d’une démarche essentiellement réactive à une démarche proactive grâce à de la maintenance prédictive.

Au milieu d’un marché en plein essor

Tel un catalyseur d’une réaction chimique, le Big Data est en train de transformer définitivement le visage de la maintenance que nous connaissons. 

Une croissance mondiale de 260% entre 2014 et 2019 pour l’analyse prédictive. Un marché mondial du Big Data passant d’une valeur de 28 à 67 milliards de dollars entre 2016 et 2021.

La maintenance prédictive, à cheval entre les deux, se retrouve propulsée sur le devant de la scène et représente une aubaine pour les futurs investissements que vont connaître les deux marchés.

SNCF et Deepwater, des exemples d’usage de la maintenant prédictive

Grâce à l’utilisation de la data au service d’une maintenance prédictive, la SNCF annonce pouvoir prévenir les pannes des Transiliens avec 30 minutes d’avance. A la clé, un retard maîtrisé et des usagers satisfaits !

Cela peut même sauver des vies : lors de l’explosion de la plateforme pétrolière de Deepwater Horizon, 11 personnes ont perdu la vie. Un dysfonctionnement du dernier dispositif de sécurité associé à la foreuse est à l’origine d’un incident qui aurait potentiellement pu être anticipé.

De même, Volkswagen, grâce aux nombreux équipements connectés de ses voitures, prévoit d’anticiper les pannes ou les dysfonctionnements du moteur de ses voitures pour pouvoir ainsi prévenir leurs utilisateurs.

La maintenance prédictive n’est pas seulement une révolution en matière de rationalisation des coûts, cela va beaucoup plus loin. Augmenter la satisfaction client, améliorer la sécurité des consommateurs et des employés... La maintenance préventive est un outil au potentiel énorme.