Prévoir en s’appuyant sur des statistiques et des probabilitésToute prévision s’appuie sur des méthodes statistiques et des probabilités calculées. Cela signifie que : une bonne prévision nécessite une grande quantité de données ; une prévision n’est jamais une certitude.Dans un premier temps, chercher à prévoir la date de dysfonctionnement d’une machine ou d’une pièce impliquera donc d’accepter de laisser les machines tomber en panne afin d’obtenir le plus grand nombre possible de cas de dysfonctionnement pour les intégrer dans le modèle d’analyse statistique, puis d’utiliser ce modèle pour calculer une date théorique de dysfonctionnement… Il faut garder à l’esprit que, quelle que soit la fiabilité du modèle, cette date comportera toujours une marge d’erreur et que, dans le cas d’un équipement industriel, la marge d’erreur peut être plus importante car chaque machine est plus ou moins un cas particulier.
Anticiper pour laisser plus de temps Nous préférons l’anticipation à la prévision, en utilisant un mélange de méthodes conditionnelles et prédictives, et en mettant l’accent sur l’importance et la fiabilité du diagnostic.Nous avons développé nos algorithmes de diagnostic automatisé pour que les équipes de maintenance ne soient alertées que lorsqu’une machine présente effectivement un défaut, mais suffisamment tôt pour que les réparations puissent être planifiées sereinement.Notre objectif n’est pas tant de prévoir le résultat (l’apparition du dysfonctionnement) que d’identifier l’élément déclencheur le plus tôt possible. De cette manière, nous prolongeons l’intervalle entre le moment du diagnostic et celui où le seuil critique Level est atteint et nous offrons ainsi un délai plus long pendant lequel l’intervention peut être réalisée.
Prédire, c’est annoncer un événement par intuition ou prémonition, sans preuve réelle, alors que prévoir, c’est croire qu’un événement futur est très probable à partir de certaines données. On comprend que la norme NF EN 13306 ne reconnaisse pas le terme de « maintenance prédictive ».Ainsi, avec le développement de l’intelligence artificielle (notamment l’apprentissage automatique non supervisé), il est possible – à partir d’une collection de données – de « lire » des indices disparates qui n’attireraient pas l’attention s’ils étaient considérés isolément mais qui « révèlent » un problème lorsqu’ils sont réunis.Les futures générations d’algorithmes permettront de donner aux outils de diagnostic automatisés cette part d’intuition qu’utilisent parfois les spécialistes expérimentés pour résoudre des problèmes complexes. Leurs prédictions nous permettront d’élargir le champ de nos prévisions.(Pour en savoir plus, lisez notre article : Comment l’intelligence artificielle améliore-t-elle l’analyse des vibrations ?).Nous considérons la maintenance prédictive comme une science qui implique la détection de signaux faibles et l’extrapolation de courbes de tendance à des fins de diagnostic, et non comme une méthode probabiliste de calcul des dates de maintenance. Qu’en est-il pour vous ?
