Dans le cadre du challenge DataCity sur le projet Smart Escalator, nous avons travaillé en collaboration avec SNCF Gares & Connexions (premier exploitant d'escalier mécanique en France avec 50% du parc installé) et la start-up Fieldbox.ai. La solution trouvée : un algorithme qui prédit quand les pannes sont les plus susceptibles de se produire afin de mieux programmer les plans de maintenance des escalators.

Les défis de la maintenance prédictive

La maintenance prédictive est un axe stratégique pour nous. Pour la plupart de nos clients, les défaillances peuvent avoir des conséquences désastreuses. Outre l'aspect indisponibilités des installations techniques, cela peut engendrer des coûts significatifs de perte de production, des usines à l'arrêt, des processus de redémarrage parfois longs et coûteux... Jusqu'à présent, pour limiter au maximum la survenue des pannes et leur impact sur la production, la plupart des mainteneurs mettent en place des solutions de surveillance, des solutions de maintenance préventives systématiques et dimensionnent des stock des pièces de rechanges conséquents.

Or, toutes ces solutions de maintenance préventives ou d'organisation technique coûtent généralement cher et nécessitent parfois plusieurs heures de préparation (en démontage, remontage, requalification) ne permettant malheureusement pas d'éviter toute les défaillances.

Arrivée de l'IoT et du Big Data

L'arrivée de l'IoT et les sujets du Big Data nous amènent à raisonner autrement sur nos activités de maintenance industrielle. Les objets connectés nous permettent d'intégrer progressivement des solutions à moindre coût facilitant le suivi en temps réel des paramètres de fonctionnement des installations techniques et la mise en place d'alertes automatiques en cas d'atteinte de seuil défini.

De plus, la mise en œuvre de ces capteurs nous permet également de constituer un historique des données complémentaires et, par conséquent, de la data de qualité propre, représentative de l'état de fonctionnement ou de dysfonctionnement d'un matériel.

Les algorithmes prédictifs combinés à nos datas doivent désormais nous permettre d'aller plus loin afin de pouvoir annoncer la survenue d'une panne et déclencher une opération de maintenance.

Maintenance prédictive : principales difficultés

La maintenance prédictive est un sujet abstrait, il est important de trouver le bon partenaire pour répondre à plusieurs besoins :

• La mise en place d'un dispositif de captation de données, afin de pouvoir monitorer en temps réel les différents paramètres
• La mise en œuvre d'un dispositif de recueillement, d’analyse et de visualisation des paramètres
• La mise en œuvre d'un algorithme de maintenance prédictive permettant de faire la corrélation entre les observations et les pannes effectives
• La mise en œuvre d'un systèmed' alerte automatique avant la survenue d'une panne et à destination des mainteneurs et d'un système de recommandation de plans de maintenance

Enfin, la dernière difficulté consistera à trouver le meilleur compromis entre pouvoir disposer d'une prédiction de pannes suffisamment fiable, et avoir cette alerte suffisamment tôt pour pouvoir intervenir avant la survenue d'une panne.

Comment DataCity nous a permis d'aborder ce défi ?

Le programme DataCity nous a permis d'aborder ce défi autrement que si nous avions travaillé seuls de notre côté avec une start-up. La phase de sélection a véritablement permis de mûrir le projet, ses objectifs, ses ambitions par la qualité des échanges que nous avons pu avoir avec les différentes start-up rencontrées. Le projet s'est déroulé dans un temps très court, ce qui nous a apporté beaucoup de dynamisme et a contribué pour que nous allions toujours à l'essentiel.

Numa a été le gardien du temps et fortement contribué également à la réussite du projet grâce à un cadre très structuré et très cadré.

Découvrez le challenge en vidéo :