Points clés
Réponse courte : La surveillance d'état consiste à mesurer l'état des équipements (vibrations, température, qualité d'huile, etc.) et à appliquer des règles d'alerte sur des seuils. La maintenance prédictive utilise ces données de condition combinées à des modèles basés sur l'historique des pannes pour prévoir quand une panne surviendra et planifier une intervention avant celle-ci. Le CM est l'entrée ; la PdM est la sortie. Les usines qui les confondent ont tendance à acheter des outils de CM et à promettre des résultats de PdM qu'ils n'obtiennent pas. Voir aussi Surveillance du couple vs surveillance des cycles.
La surveillance d'état est la mesure continue ou périodique de l'état des équipements. Types courants :
Le CM produit un flux de données. Agir dessus requiert des règles de seuil : si la vibration dépasse 5 mm/s RMS, alerter. Le CM avec règles est largement déployé et apporte une valeur réelle.
La PdM utilise les données de condition plus des modèles pour prévoir :
La prévision provient de modèles — basés sur la physique, statistiques ou apprentissage automatique — entraînés sur des données historiques de pannes combinées aux données de condition actuelles.
Trois raisons :
1. Décisions d'achat. Un système de CM coûte bien moins cher qu'une vraie plateforme de PdM. Si vous n'avez besoin que d'alertes seuil, acheter de la PdM est un surcoût inutile.
2. Exigences en données. La PdM nécessite des données historiques de pannes pour entraîner les modèles. Les sites neufs sans historique obtiennent du CM, pas de la PdM, quel que soit le nom utilisé par le fournisseur.
3. Attentes. Le CM vous dit quand quelque chose ne va pas. La PdM vous dit quand quelque chose va mal se passer. Promettre de la PdM alors qu'il n'y a que du CM entraîne des déceptions.
La plupart des usines mettent en œuvre du CM et l'appellent PdM parce que le marketing sonne mieux. Les règles de seuil sont de la surveillance d'état ; la prédiction est implicite (au-dessus du seuil = échouera bientôt). Cela fonctionne pour de nombreux actifs mais n'est pas équivalent à une prévision probabiliste avec intervalles de confiance.
La position honnête : la plupart des « PdM » sont en réalité du CM avec seuils. Cela est acceptable — le CM avec seuils apporte une vraie valeur. Il ne faut simplement pas survendre la prédiction.
La progression est CM d'abord, puis PdM au fur et à mesure que les données s'accumulent. Les usines qui sautent le CM et tentent d'acheter directement de la PdM échouent généralement parce que la fondation de données manque.
1. Acheter de la PdM sans données historiques. Les modèles ont besoin d'historique. Site neuf = seulement CM, jusqu'à ce que l'historique s'accumule.
2. Prendre les alertes seuil pour de la prédiction. Un franchissement de seuil est un signal d'état présent, pas une prévision d'état futur.
3. Ignorer le taux de fausses alarmes. Le CM comme la PdM produisent des alertes qui s'avèrent parfois erronées. Ignorer les alertes est pire que ne pas en avoir. Ajustez en fonction du coût des fausses alarmes.
4. Ne pas connecter au workflow de maintenance. Une alerte qui ne génère pas d'ordre de travail pourrit dans une base de données. L'intégration avec la GMAO est indispensable.
Une stack moderne récupère les données de condition depuis les capteurs, applique des seuils pour des alertes de type CM, et alimente les données historiques de pannes ainsi que les signatures de condition dans des modèles de PdM pour les actifs qui le justifient. La GMAO génère automatiquement des ordres de travail à partir des alertes CM et des prévisions PdM.
La GMAO de Fabrico prend en charge les alertes seuil de type CM sur un large ensemble de capteurs et les prévisions de type PdM lorsque les données historiques de pannes permettent l'entraînement des modèles — les deux alimentant des ordres de travail dans le flux de maintenance.
Découvrez comment Fabrico capture cela automatiquement — explorez le TRS pour la fabrication ou réservez une démo.
Non. Les modèles de PdM ont besoin des données de condition en entrée. Le CM est le prérequis.
Ça dépend du taux de défaillance et du type de modèle. Des années de données sont courantes ; pour des pannes très rares, les performances des modèles restent limitées quoi qu'il en soit.
Pas strictement. Certaines PdM utilisent des modèles statistiques (Weibull, régression) plutôt que des réseaux neuronaux. La distinction honnête est prédiction basée sur les données vs règles de seuil.
Comparez le taux de fausses alarmes et le taux de pannes non détectées par rapport à la stratégie de maintenance préventive actuelle. La PdM est rentable lorsqu'elle réduit les deux grâce à des capteurs et une modélisation coût-efficaces.
Non. Appliquez la PdM aux équipements critiques où le coût d'une panne est élevé. Les équipements de moindre criticité peuvent recevoir du CM avec seuils ou être exploités jusqu'à défaillance.
Connexion
Blog
