L’optimisation et la planification de la maintenance représentent un enjeu fort pour l’industrie. Armelle Le Gall, Responsable du Pôle Conception et experte en optimisation dans les domaines de conception des systèmes et la maintenance, nous explique comment l’expertise d’EURODECISION peut aider les mainteneurs dans leur tâche, et partage ses réflexions sur les prochains défis du secteur.
En quoi la planification de maintenance des équipements est-elle importante ?
La maintenance corrective, qui consiste à corriger une panne survenant sur un équipement, coûte cher, notamment parce qu’elle nécessite un arrêt de l’équipement qui peut dégrader le service. Pour minimiser l’impact sur l’exploitation et réduire les coûts globaux, les mainteneurs cherchent donc à planifier au mieux les opérations de maintenance en suivant les cycles de maintenance préventive dans le respect des contraintes règlementaires et les normes d’entretien des différents équipements. Une bonne organisation implique également de tenir compte des contraintes des ressources de maintenance, qu’elles soient humaines ou matérielles (ex. occupation des voies d’atelier, capacité d’accueil des structures…).
En quoi les mathématiques décisionnelles peuvent-elles contribuer à optimiser la planification de la maintenance ?
Les techniques d’optimisation qui sont le domaine d’expertise d’EURODECISION sont tout à fait adaptées à ce type de problématiques de planification très contrainte. Au vu de l’horizon de planification, du nombre d’équipements, du type de contraintes en particulier, nous savons sélectionner la bonne solution algorithmique parmi celles envisageables. Nos modèles mathématiques permettent d’optimiser la planification de la maintenance en réduisant l’impact sur l’exploitation, de dimensionner les ressources de maintenance, d’étudier différents scénarios, mais aussi de proposer des guides opérationnels pour les différents équipements.
A titre d’exemple, dans le cas d’une flotte d’équipements uniformes dont la mise en route a été simultanée (ex. ouverture d’une nouvelle ligne de métro), il convient d’éviter un usage similaire de toutes les rames de manière à lisser, dans un horizon lointain, les maintenances de rénovation qui induisent une immobilisation de plusieurs semaines. Il en résulte une plus grande complexité en termes de planification de la maintenance, et les modèles d’EURODECISION peuvent contribuer à optimiser la planification court ou moyen/long terme.
EURODECISION est également sollicitée sur des sujets de « maintenance prédictive ». De quoi retourne-t-il exactement ?
La maintenance prédictive est une maintenance préventive dynamique : on se base sur des historiques de mesure d’usure, obtenus par exemple par des capteurs connectés (IoT) afin d’estimer la durée de vie de résiduelle des équipements (remaining useful life ou RUL). L’objectif est de planifier au plus juste les opérations de maintenance en fonction des signes d’usure détectées ou d’anomalies.
Par rapport à la maintenance préventive basée sur une usure moyenne, la maintenance prédictive permet de regarder les équipements individuellement. Ainsi, un équipement pourra parfois être utilisé plus longtemps avant qu’une intervention de maintenance soit nécessaire et d’autres fois être réparé ou remplacé plus tôt que la moyenne permettant ainsi d’éviter une panne et une interruption de service.
Les industriels sont clairement intéressés car cela représente des gains potentiels importants. Mais plus la part de prédictif est grande, plus il est difficile d’avoir une vision long terme du planning car les arrêts des équipements doivent être gérés au coup par coup. Il y a donc là un vrai sujet qui implique de repenser complètement l’organisation de la maintenance.
Pourriez-vous nous en dire plus sur les techniques utilisées par EURODECISION en matière de maintenance prédictive ?
Les approches à base de machine learning sont très adaptées aux problématiques de maintenance prédictive. En effet, cette technologie d’intelligence artificielle est particulièrement appropriée aux prévisions de séries temporelles et nous cherchons donc à l’intégrer à nos modèles visant à prédire le temps restant avant cassure.
Toutefois, en maintenance prédictive, il ne faut pas surestimer la durée de vie résiduelle d’un équipement car prévoir une panne juste après la panne réelle ne sert à rien, même si on se trompe très peu. Or, en machine learning, les fonctions d’erreur sont généralement symétriques. C’est-à-dire qu’une erreur de surestimation a la même importance qu’une erreur de sous-estimation. Nous utilisons donc la modélisation de fonctions d’erreur asymétriques dans des réseaux de neurones (en utilisant les librairies Sckitlearnet TensorFlow). Les premiers résultats que nous avons obtenus sont prometteurs !
Qu’est-ce qui vous plait dans ce type de problématique ?
La planification de la maintenance est un sujet complexe qui représente un enjeu fort pour l’industrie, et je suis convaincue que notre expertise en algorithmes peut y être d’une grande valeur ajoutée. Lorsque j’ai commencé à m’intéresser au sujet, j’ai été étonnée par le rapport de force qui peut exister entre exploitant et mainteneur, ce dernier devant effectuer sa mission dans des contraintes très fortes sous peine d’être soumis à des pénalités. Je trouve donc particulièrement intéressant de les accompagner pour les aider à résoudre ce type de problématique très métier.
Pour en savoir plus sur l’intelligence artificielle et les mathématiques décisionnelles au service de la maintenance :