L'industrie manufacturière fait face au défi d'exploiter des installations de production de plus en plus complexes avec une disponibilité maximale. La maintenance prédictive s'est révélée être une technologie clé pour aborder de manière proactive l'usure et les pannes. Les composants critiques peuvent être remplacés de manière calculée avant que des interruptions imprévues plus importantes ou même des dommages aux pièces de machine ne se produisent.
Pas de prédiction sans mesure précise
Pour pouvoir faire des prévisions éclairées, il faut d'abord connaître l'état actuel d'un système aussi précisément que possible. Ce qui semble d'abord trivial est souvent un plus grand défi dans la pratique de l'ingénierie mécanique. Les machines et les installations deviennent de plus en plus complexes, ce qui fait que la mesure directe et non destructive des paramètres critiques est souvent soit impossible, soit trop coûteuse.
C'est ici que les capteurs virtuels, également connus sous le nom de Soft ou Inferential Sensing, entrent en jeu. Cette technique permet, sur la base de paramètres facilement mesurables, de déduire une grandeur souhaitée qui ne peut pas être mesurée directement avec des instruments physiques ou seulement avec un effort considérable.
Un exemple intéressant de l'industrie à cet égard est l'analyse du courant moteur ou Motor Current Signature Analytics (MCSA). La méthode repose sur le fait que le courant absorbé par un moteur à courant alternatif est influencé non seulement par la tension appliquée, mais aussi par l'état du moteur et des agrégats qui y sont connectés. Les distorsions dans la courbe du courant, qui ne peuvent pas être expliquées par des déformations dans la courbe de tension, doivent donc être causées par des dysfonctionnements dans le système. L'ampleur des écarts permet déjà de conclure sur la gravité d'une perturbation. Mais cela ne suffit pas – après tout, les ingénieurs souhaitent savoir exactement où se trouvent les sources potentielles de défauts : une imbalance ou un dommage aux roulements se profile-t-il, de la cavitation se produit-elle dans les pompes, y a-t-il un défaut de stator ou de rotor ? Pour déduire des problèmes (mécaniques) concrets à partir des courbes de courant et de tension mesurées, il est ensuite nécessaire de reconnaître certains motifs dans les écarts et de les relier à des sources de défaut spécifiques.
Apprentissage automatique et prévisions
Lorsqu'il s'agit d'analyser de grandes quantités de données et de détecter des motifs, l'intelligence artificielle, avec le sous-domaine de l'apprentissage automatique, peut déployer l'une de ses grandes forces. La technologie aide les équipes de maintenance à réaliser une maintenance prédictive basée sur des données en temps réel. Ainsi, elles peuvent décider quand et quels travaux de maintenance doivent être effectués et les coordonner de manière optimale avec la charge de production.
Avec la combinaison de MCSA et de la maintenance prédictive assistée par IA, comme c'est le cas par exemple avec Motor Analytics d'Eaton, les équipes obtiennent des prévisions spécifiques sur les types de pannes pour chaque moteur – dans un ordre de priorité et dans le contexte plus large de leur système électrique. Par la suite, elles peuvent effectuer des analyses plus approfondies avec un tableau de bord préétabli pour mieux comprendre les écarts de performance dans le fonctionnement des machines et des installations. La collecte continue de données numériques rend superflues les enquêtes manuelles chronophages. Cela soulage non seulement les employés, mais réduit également le risque d'erreurs.
Grâce à l'utilisation de solutions MCSA, les entreprises peuvent également prévoir à la fois des pannes électriques et mécaniques jusqu'à 30 % plus tôt et 25 % plus précisément que avec des systèmes de surveillance d'état conventionnels. La fonction de prévision assistée par IA fournit des informations directement exploitables, sans qu'il soit nécessaire d'avoir des connaissances approfondies sur le système concerné ou des expériences en science des données.
Dans l'ensemble, il apparaît que la combinaison de capteurs virtuels, d'analyse du courant moteur et de maintenance prédictive assistée par IA donne aux entreprises un avantage décisif en matière de disponibilité et d'efficacité de leurs installations. Des aperçus précoces et précis sur l'état des composants critiques permettent non seulement une maintenance planifiable, mais réduisent également les risques de pannes et les coûts d'exploitation. Cela fait de la maintenance numérique et axée sur les données un facteur de succès central pour l'industrie manufacturière de demain.
Contact :
