Mieux vaut prévenir que guérir ! Ce proverbe décrit toute la philosophie de la maintenance prédictive. Dans une industrie alimentaire en pleine transition numérique, l’anticipation des pannes est appelée à un bel avenir. De moins en moins confidentielles, les applications et preuves de concept se multiplient. On pourrait penser ces technologies réservées aux grands groupes. C’est en partie vrai pour le moment mais une myriade de start-up s’adaptent aux petites structures. Leurs solutions peu intrusives apportent les bénéfices d’une détection précoce des pannes. En voici trois exemples.
Senseye utilise les données historisées et celles issues des objets connectées
Senseye est le logiciel de maintenance prédictive hébergé dans le cloud et commercialisé en Saas (Software as a service) par l’éditeur du même nom, fondé en 2014 au Royaume-Uni. Il s'intègre aux infrastructures existantes et utilise les données des modules logiciels d’historisation ou de collecte IOT pour comprendre la santé future des machines. En analysant des données clefs telles que des vibrations anormales, des fluctuations de courant ou de pression et de température, le système génère automatiquement des modèles de comportement de la machine. Le déploiement de la solution est instantané ; les données sont exploitables sous deux semaines. La start-up s'engage sur un retour sur investissement garanti sous trois mois. Senseye travaille actuellement avec l'un des leaders mondiaux de l'industrie du café en Amérique du Sud. La solution surveille plus de 50 actifs de production. Ce contrat pilote pourrait s'étendre dans plusieurs usines et zones géographiques.
CYM accompagne les industriels de la collecte de données à l'interprétation
La start-up parisienne CYM (Connect your machine) a été initialement créée en 2015 pour permettre aux industriels d’améliorer la productivité de leurs parcs de machines. L'objectif était de rendre visible les taux d’usages en intégrant des capteurs correspondant aux paramètres à remonter, tels que la vibration, la pression ou encore la consommation électrique. Ces informations, accessibles sur le logiciel « Maintenance Factory », permettent de mieux planifier les maintenances et surtout d’apprendre du comportement des machines. Des travaux menés avec un laboratoire de recherche permettront d’établir des paramètres de sécurité garantissant la confidentialité des données. En partenariat avec un industriel, CYM a développé une solution de supervision des filtres à air et d’optimisation de la maintenance sur site de production d’énergie. La « Maintenance Factory » analyse la variation des débits volumiques en fonction des pressions différentielles dans plusieurs configurations. En la corrélant avec des facteurs externes, elle prédit les opérations de maintenance nécessaires à l’avenir.
Dianalyse-Signal se connecte aux automates existants
Dianalyse-Signal a développé la technologie d'intelligence artificielle non supervisée Lesly pour suivre les organes fonctionnels critiques soumis à de faibles vitesses et à des régimes très variables comme des axes linéaires ou des convoyeurs. « Nous exploitons les données présentes dans les automates existants : la position, la vitesse et le courant. Plug and play et non intrusive, notre solution ne nécessite pas d’investir dans des capteurs supplémentaires », précise Darcy Boungou-Tsoumou, le dirigeant. L'approche analytique consiste à fusionner des données hétérogènes a priori décorrélées en vue de détecter des signaux faibles de défaillance. Elle apprend à les reconnaître pour les désigner, et estime la durée de vie résiduelle des machines. Durant la phase d’apprentissage, l’algorithme caractérise un état de référence réputé sain sur la base des données collectées. Les niveaux de tolérance quant aux dérives sont également définis. En déploiement, Lesly détecte les écarts à ces modèles. Ce sont des signaux faibles qui permettent aux équipes opérationnelles d’anticiper les pannes. Le technicien a le dernier mot par rapport au niveau d’urgence de l’intervention. La solution est intégrée dans un PC en edge computing, avec une interface homme-machine pour le monitoring. Elle peut également être installée en data center ou sur le cloud pour de l’analyse multi-sites. L’interfaçage est possible avec l’infrastructure informatique existante (ERP, GMAO, MES etc.). Lesly est en cours de test sur le site d'un leader de l'agroalimentaire pour la surveillance d’une ligne de conditionnement.
Retrouvez notre dossier « Maintenance prédictive » dans le numéro de juillet 2019 de Process Alimentaire.
