Production Maintenance 77
Spécial Global Industrie Paris : solutions pour améliorer la maintenance des machines
Spécial Global Industrie Paris : solutions pour améliorer la maintenance des machines
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
MAINTENANCE EN PRODUCTION<br />
sur batterie qui continuent à simplifier la<br />
mise en œuvre de ce type de mesure. Ce<br />
sont les IOT dont on entend tant parler en<br />
industrie 4.0. L’intelligence artificielle, c’est<br />
le programme informatique qui permet de<br />
faire l’extrapolation des mesures vibratoires.<br />
Ces programmes sont généralement faits<br />
par les ingénieurs maintenance ou exploitation.<br />
On utilise les données des fameuses<br />
« analyses répétées »mentionnées dans la<br />
définition de la maintenance prévisionnelle.<br />
Une troisième application consiste à<br />
conserver la mesure vibratoire temps réel ;<br />
on va dès lors utiliser d’autres techniques<br />
mathématiques pour la prévision, des<br />
techniques plus sophistiquées, celles du<br />
machine learning autrement dit celles de<br />
l’identification de modèles de comportement.<br />
Ces modèles intègrent les « paramètres<br />
significatifs de la dégradation du bien »de la<br />
définition normative.<br />
L’idée est de créer un ou plusieurs modèles<br />
de prévision de la mesure vibratoire à partir<br />
de toutes les autres données du procédé<br />
de production. Cette approche permet de<br />
comprendre la relation qui existe entre les<br />
vibrations du roulement et, par exemple, les<br />
indicateurs de performance de l’installation.<br />
Connaissant ces relations, les exploitants de<br />
la ligne de production peuvent décider de<br />
dépasser les vibrations recommandées par le<br />
fabricant du roulement pour attendre le prochain<br />
arrêt programme de l’installation avant<br />
de le changer. Les modèles de comportement<br />
apportent des informations supplémentaires<br />
dans le mécanisme de décision de l’exploitant<br />
pour planifier l’arrêt. Cette approche est<br />
aujourd’hui possible car les moyens de calcul<br />
ont évolué et qu’il est aujourd’hui possible<br />
d’utiliser les algorithmes du machine learning<br />
sur les sites de production là où il y a<br />
quelques années en arrière ces algorithmes<br />
n’étaient accessibles que sur des systèmes<br />
informatiques de R&D.<br />
Enfin, quatrième et dernière exemple<br />
d’application, cette fois sans la mesure<br />
vibratoire. Il est fréquent de ne pas pouvoir<br />
faire la mesure et c’est souvent l’approche<br />
la plus simple : exploiter mes données<br />
sans modifier mon installation. L’idée est<br />
qu’un expert de la vibration postule un<br />
modèle d’évolution de cette vibration et de<br />
créer un ou des modèles de prévision de<br />
cette vibration fictive à partir de toutes les<br />
autres données du procédé de production.<br />
Les conséquences et avantages de cette<br />
approche sont identiques à l’application 3. ●<br />
Olivier Guillon avec Alexandre<br />
Maksimovic (Actemium)<br />
24ı PRODUCTION MAINTENANCE • N°<strong>77</strong> • avril - mai - juin 2022