SystemX : les résultats de son projet MPO sur la maintenance prédictive des systèmes industriels

Quelles sont les grandes lignes du projet Maintenance Prévisionnelle et Optimisation ? Quels sont ses objectifs ?

Khebbache Selma : Lancé en 2018, le projet MPO (Maintenance Prévisionnelle et Optimisation) vient de s’achever. Fédérant des industriels comme Air Liquide, Airbus Protect, EDF et Safran et des acteurs académiques comme CentraleSupélec, l’Université Gustave Eiffel et l’Université d’Edimbourg, il a porté sur l’optimisation des politiques de maintenance des systèmes de production des industries et s’est concentré sur 3 axes principaux : la chaîne d’acquisition des données complexes et hétérogènes, la chaîne de maintenance prévisionnelle et l’optimisation des stratégies de maintenance tenant compte de la complexité des politiques multi-sites.

Le projet avait pour objectifs de :

• Structurer la chaîne d’acquisition de données, en prenant en compte des données hétérogènes et complexes.
• Établir les méthodes et outils liés à la chaîne complète de maintenance prévisionnelle au niveau du composant d’un système. Cela consistait à traiter le problème spécifique de mise en place de stratégies prévisionnelles à l’échelle des composants, en exploitant les informations issues des capteurs, des sollicitations des composants et de leur environnement.
• Mettre en place une chaîne d’optimisation de politiques de maintenance au niveau du système industriel en développant des méthodes et outils au service de la modélisation et de la simulation de ces systèmes.

Pourquoi le projet MPO de l’IRT SystemX s’intéresse-t-il en premier lieu à la maintenance prévisionnelle ?

K.S. : La maintenance prévisionnelle ou prédictive fait partie des préoccupations du moment, notamment avec l’introduction massive de capteurs et instruments de mesure sur les systèmes industriels, qui permettent ainsi d’obtenir des données sur l’état du système. Par ailleurs, l’augmentation de la performance de traitement des machines informatiques actuelles rend possible la prise en compte et l’association avec d’autres données dites externes : par exemple, des données issues de l’environnement physique du système comme la température extérieure, la pression atmosphérique, etc. ; ou des données issues de l’environnement d’exploitation du système comme des rapports d’intervention, des disponibilités de stocks, etc. L’intérêt industriel est très important car la maintenance prévisionnelle offre la possibilité de passer à des stratégies plus avancées afin de réduire les coûts de maintenance qui sont très élevés, et de maximiser la disponibilité opérationnelle des systèmes industriels. Divers secteurs tels que l’automobile, le naval ou encore l’énergie, compte tenu complexité de leurs systèmes et des coûts de maintenance, portent un intérêt particulier à cette technologie.  Il y a donc des verrous scientifiques et techniques d’intérêt que nous avons voulu appréhender au sein du projet MPO.

Quels sont les verrous technologiques et méthodologiques de la maintenance prévisionnelle et de la combinaison des politiques de maintenance des systèmes de production industriels ?

K.S. : La maintenance prévisionnelle est basée sur des données hétérogènes qui mettent l’accent sur des indicateurs de santé du système complexe considéré. Elle s’appuie sur l’analyse de ces données pour établir des modèles d’apprentissage qui se doivent d’être précis. Leur couplage avec l’optimisation permet de réduire la combinatoire sous-jacente et ainsi de produire une maintenance prédictive efficace.

Une maintenance prévisionnelle de bout en bout consiste à lever un certain nombre de verrous technologiques comme par exemple, le choix d’outils de collecte de données et d’apprentissage du Machine Learning. Les verrous méthodologiques sous-jacents sont aussi importants à adresser via des approches d’optimisation exacte permettant d’établir un plan de maintenance optimal. 

A quels niveaux vos partenaires industriels et académiques interviennent-ils dans le projet ?

K.S. : Nous travaillons étroitement avec les partenaires industriels dans les locaux de l’IRT. Ils sont investis dans la réflexion et la mise en place de solutions développées dans le projet.

Les partenaires académiques interviennent quant à eux dans l’accompagnement des deux doctorants et du post-doc impliqués sur le projet.

Quelles nouvelles technologies d’intelligence artificielle et quelle puissance de calcul des machines permettent-elles d’optimiser le maintien en condition opérationnelle ?

K.S. : Les technologies basées sur l’Intelligence Artificielle, notamment l’apprentissage machine et l’apprentissage profond (machine learning et deep learning), sont en plein essor. Elles sont d’intérêt dans la problématique de gestion de la maintenance, sous couvert bien évidemment de la disponibilité d’une quantité importante de données issues du fonctionnement et des dysfonctionnements des systèmes. Le projet MPO a proposé la solution PREMO (PREdictive Maintenance Optimization) basée sur de l’optimisation stochastique sous contraintes probabilistes permettant de proposer un plan de maintenance (ou un regroupement de tâches de maintenance) efficace, qui passe à l’échelle même pour des systèmes larges et complexes.

Quels intérêts la maintenance prévisionnelle présente-t-elle par rapport aux autres types de maintenance industrielle ?

KS. : Associée à une connaissance et une expertise métier sur le système, ainsi qu’à une quantité importante de données issues du fonctionnement du système, la maintenance prévisionnelle permet de positionner la maintenance du système au plus près, du point de vue temporel, avant les occurrences des pannes du système. Elle doit permettre d’agir uniquement lorsque cela est nécessaire c’est-à-dire d’éviter des maintenances inutiles et ainsi d’augmenter la disponibilité du système et de diminuer les coûts d’exploitation associés.

Quels conseils pouvez-vous donner pour réussir une maintenance prévisionnelle ?

K.S. : La maintenance prévisionnelle est un outil puissant mais ne peut se mettre en place sans la mobilisation de plusieurs compétences : celle des chercheurs, capables de développer des algorithmes innovants d’intelligence artificielle et d’optimisation et celle des experts métier des systèmes.

Elle doit impérativement tenir compte des exigences du système et pouvoir se combiner avec d’autres maintenances, par exemple en fonction de critères règlementaires, sans oublier la capacité à impliquer les techniciens terrain qui verront leurs métiers évoluer.