Réduire les temps d'arrêt grâce aux outils d'IA

Depuis plus de quatre moisDans le métro de New York, six passagers hors du commun ont pris place dans les rames. Leur mission : prévenir les catastrophes dans le métro. Du matin au soir, ces passagers ont surveillé sans relâche chaque trajet, capturant des données audio et vibratoires sur l'ensemble du vaste réseau ferroviaire de la ville.

Ces inspecteurs diligents n'étaient pas des humains, mais des smartphones Google Pixel. Montés sur les rames du métro A, ils alimentaient en données de capteurs des modèles d'intelligence artificielle conçus pour repérer les défauts des rails de manière proactive. Les inspections manuelles traditionnelles sur les 665 miles du réseau ferroviaire s'étaient révélées coûteuses, longues et peu efficaces. Dans le cadre de ce projet pilote piloté par l'IA, les capteurs ont toutefois identifié correctement 92% des défauts que les inspecteurs humains ont ensuite détectés manuellement.

Le expérience dans le métro a connu un succès fulgurant. Il offre un aperçu convaincant de la manière dont la maintenance prédictive pilotée par l'IA peut transformer un large éventail d'industries, notamment les services publics, les transports et l'industrie manufacturière. L'utilisation judicieuse de l'IA peut faire passer la gestion des opérations d'une lutte réactive contre les incendies à une résolution proactive des problèmes. Toutefois, les dirigeants doivent surmonter les défis liés à la qualité des données, à l'intégration et à la culture pour en récolter les fruits.

Quand la maintenance traditionnelle déraille

Les approches de la maintenance qui surveillent une variété d'actifs (tels que l'équipement et l'infrastructure) dans tous les secteurs d'activité sont généralement insuffisantes, et ce pour trois raisons principales :

1. Des sources d'information inefficaces. Les entreprises ne disposent souvent pas des processus, des outils et du personnel qualifié nécessaires pour recueillir des informations précises, opportunes et pertinentes sur l'état des actifs. Les pratiques de saisie manuelle des données conduisent à des informations incomplètes, inexactes ou peu fiables. Il est donc difficile de prévoir les défaillances des actifs, ce qui entraîne des temps d'arrêt imprévus et coûteux.

2. Dépendance à l'égard des connaissances tribales. Les décisions en matière de maintenance dépendent souvent fortement de l'expérience individuelle et de l'intuition, ce qui entraîne des résultats incohérents. Lorsque les techniciens qualifiés ont des "mauvais jours", les performances de l'entreprise s'en ressentent considérablement. En outre, cette expertise est vulnérable à la perte générationnelle lorsque les baby-boomers partent à la retraite, emportant avec eux des décennies de connaissances opérationnelles essentielles.

3. Les défis qui poussent à l'action avec les opérateurs. Même lorsque des informations sont disponibles, le personnel sur le terrain n'agit pas toujours. Cela est souvent dû à une méfiance à l'égard de la fiabilité des signaux ou à une mauvaise intégration des informations dans les flux de travail quotidiens, ce qui peut créer d'importants obstacles à la gestion du changement. Au fil du temps, les gens peuvent perdre confiance dans les systèmes prédictifs, ce qui les rend réticents à traiter de manière proactive les problèmes identifiés par la technologie.

Pourquoi la technologie peut-elle résoudre ce problème aujourd'hui ?

Plusieurs avancées technologiques ont préparé le terrain pour aider les dirigeants à relever ces défis et ouvrir la voie à l'adoption généralisée de la maintenance prédictive.

1. L'explosion des données et des capteurs IoT. Des capteurs embarqués abordables sont désormais la norme dans de nombreux actifs, tels que les unités de contrôle des moteurs et les équipements de grande valeur équipés de traqueurs GPS. Associés à des flux de données continus et en temps réel via la 5G et la connectivité cloud, ces capteurs permettent d'accéder à des indicateurs de santé précis et en temps réel pour les actifs.

2. Progrès en matière d'IA et d'algorithmes. Les modèles d'apprentissage automatique peuvent prédire de manière fiable les défaillances en apprenant à partir des données historiques et en s'adaptant aux conditions environnementales changeantes. L'IA ne se limite pas aux données structurées des capteurs ; elle est également exceptionnelle dans le traitement des données non structurées, telles que les images, les vidéos et les sons. Par exemple, les flux vidéo des caméras embarquées dans les voitures ou les trains peuvent fournir un contexte réel riche, aidant l'IA voir ce qui améliore considérablement les performances de l'algorithme.

3. Intégration dans les flux de travail. Les outils matériels et logiciels modernes s'intègrent désormais facilement par le biais d'API et de pipelines de données, minimisant ainsi le besoin de transferts manuels. Cette intégration peut garantir que les informations prédictives déclenchent directement les flux de travail opérationnels quotidiens. Par exemple, des prédictions précises peuvent déclencher des ordres de travail de maintenance automatisés qui passent par le système pour une action humaine. L'utilisation de l'IA pour minimiser les fausses alertes et expliquer les prédictions renforce la confiance des opérateurs dans les algorithmes et améliore leur adoption.

La maintenance prédictive pilotée par l'IA en action

Examinons deux exemples concrets qui montrent que la maintenance prédictive est déjà une réalité.

BMW fait tourner les bandes transporteuses

Problème : L'usine de fabrication de véhicules de BMW à Regensburg, en Allemagne, a été confrontée à des problèmes critiques, les défaillances du système de convoyage entraînant des arrêts fréquents et coûteux de la chaîne d'assemblage. Ces perturbations ont eu un impact sur les délais de production et ont augmenté les coûts opérationnels, affectant ainsi la productivité et la rentabilité globales.

Approche : BMW a déployé un Système de maintenance prédictive piloté par l'IA qui utilise les données des capteurs existants des composants du convoyeur. Ce système analyse en permanence les flux de données en temps réel pour détecter les anomalies subtiles, telles que les fluctuations inattendues de la consommation d'énergie ou les mouvements anormaux, qui suggèrent des défaillances potentielles.

Solution et avantages : Le système prédictif a généré des alertes en temps utile, permettant aux équipes de gérer de manière proactive les pannes potentielles et d'éviter des temps d'arrêt importants. Cette intervention a permis d'éviter plus de 500 minutes d'interruption annuelle, assurant ainsi la continuité de la production et la livraison des véhicules dans les délais. Les avantages mesurables du projet pilote ont conduit BMW à normaliser cette approche dans l'ensemble de ses usines de fabrication, ce qui a permis d'améliorer la fiabilité et l'efficacité opérationnelle.

Shell améliore ses procédés de raffinage

Problème : La raffinerie Shell de Pernis, l'une des plus importantes d'Europe, était confrontée aux risques liés aux arrêts imprévus. Ces interruptions dans l'installation basée aux Pays-Bas ont non seulement augmenté les coûts de réparation et de maintenance, mais ont également mis en péril la rentabilité et la continuité de l'exploitation.

Approche : Shell a collaboré avec C3 AI pour mettre en place un plateforme complète de maintenance prédictive. Ce système sophistiqué surveille en permanence plus de 10 000 actifs critiques de la raffinerie, analysant environ 20 milliards de points de données par semaine pour prévoir les dysfonctionnements de l'équipement avec une précision exceptionnelle.

Solution et avantages : La plateforme d'IA a réussi à identifier bien à l'avance deux pannes d'équipement imminentes et critiques, ce qui a permis à Shell de prendre des mesures de maintenance préventive, évitant ainsi des temps d'arrêt et des réparations coûteux. Cette approche proactive a permis de réaliser des économies estimées à environ $2 millions d'euros et d'améliorer considérablement la fiabilité opérationnelle. Shell a créé une solide stratégie de gestion des actifs à long terme qui a été adoptée dans un grand nombre de ses raffineries dans le monde entier.

Ce qui pourrait mal tourner : l'IA n'est pas la seule en cause

Malgré la promesse d'utiliser des outils d'IA pour faire de la maintenance prédictive, les dirigeants qui souhaitent les mettre en œuvre sont confrontés à plusieurs obstacles potentiels. Trois défis majeurs requièrent une attention particulière.

1. Problèmes de qualité des données. Des données de haute qualité sont essentielles à la maintenance prédictive. Pauvre la qualité des données découle souvent d'erreurs de saisie manuelle, de pratiques de capture de données incohérentes et de processus de gestion de données inadéquats. Sans données de qualité, même les modèles d'IA les plus sophistiqués échouent, illustrant l'axiome classique "garbage in, garbage out". La qualité des données est l'un des plus grands défis auxquels sont confrontés les projets d'IA dans tous les secteurs d'activité, et les dirigeants doivent y accorder beaucoup plus d'attention.

Recommandations : Automatiser les processus de saisie des données dans la mesure du possible afin de réduire les erreurs humaines. Vérifier régulièrement l'exactitude et l'exploitabilité des données saisies. Pour s'assurer que les données sont effectivement utilisées par des personnes capables de juger de leur qualité, il convient de les intégrer dans les décisions opérationnelles. Cela permet d'attirer l'attention sur les problèmes potentiels de qualité des données et de prendre rapidement des mesures correctives au stade de la collecte des données.

2. Défis en matière d'intégration. Même les prédictions précises de l'IA peuvent être perdues si elles ne sont pas bien intégrées dans les flux de travail existants. Par exemple, de nombreux logiciels existants doivent encore être réorganisés avec des interfaces d'échange de données modernes. En outre, les organisations gèrent souvent des implémentations d'IA en silo avec une faible appropriation interfonctionnelle. Lorsque de telles initiatives sont traitées comme des projets informatiques, elles sont vouées à l'échec dès le départ.

Recommandations : Concevoir des systèmes prédictifs pour communiquer directement avec les systèmes de maintenance et les intégrer dans le flux de travail opérationnel quotidien. Moderniser les logiciels existants et mettre en œuvre des API et des outils d'automatisation robustes pour combler les lacunes entre les connaissances et l'exécution. Veiller à ce que les responsables opérationnels s'approprient l'engagement avec l'équipe informatique.

3. La résistance culturelle. Les employés craignent souvent l'IA en raison de préoccupations liées à la sécurité de l'emploi ou d'une méfiance à l'égard des capacités de la nouvelle technologie. Cette résistance ralentit l'adoption, limitant l'efficacité des initiatives de maintenance prédictive.

Recommandations : Impliquer les employés dès le début pour dissiper la peur de la technologie. Reconnaissez que si certains types de tâches seront automatisés, il existe de nombreuses possibilités de collaboration. Par exemple, l'IA pourrait repérer rapidement les problèmes d'équipement et aider les techniciens à les diagnostiquer - les humains validant et mettant en œuvre les correctifs. Impliquer activement le personnel dans les projets pilotes d'IA et donner la priorité à la formation afin d'améliorer la maîtrise des technologies par les employés et de favoriser leur adoption.

L'automatisation totale n'est pas l'objectif

Comment les dirigeants peuvent-ils se lancer dans la maintenance prédictive ? Ils devraient commencer par identifier les domaines riches en données et à fort impact commercial où ils peuvent piloter des initiatives de maintenance prédictive. Le fait de commencer par des projets ciblés et réalisables permet d'obtenir des résultats rapides et de démontrer plus clairement la valeur de ces projets, ce qui ouvre la voie à une mise en œuvre plus large et à une adoption à long terme.

N'oubliez pas que l'objectif de la maintenance prédictive n'est pas l'automatisation totale. Il s'agit de réduire les temps d'arrêt des actifs grâce à des efforts de surveillance optimisés. L'augmentation des flux de travail de maintenance avec une surveillance automatisée en temps réel, aidée par un examen humain et une action opportune sur le terrain, nécessite une collaboration entre les machines et les humains.

Les dirigeants doivent célébrer les victoires rapides tout au long du parcours pour renforcer la confiance des équipes et améliorer la visibilité des initiatives. Les entreprises qui adoptent cette approche proactive et collaborative peuvent réduire de manière significative les temps d'arrêt, diminuer les coûts opérationnels et acquérir un avantage concurrentiel durable.