Le Big Data au service de la maintenance prédictive

Le Big Data est en train de révolutionner le monde.

Prédiction des comportements, amélioration de la recherche scientifique, lutte contre la criminalité et le terrorisme. Les applications du Big Data sont nombreuses et certaines sûrement encore insoupçonnées. Aujourd’hui, même les manufactures peuvent en profiter.

Comment fonctionne le Big Data ?

Le Big Data, aussi connu sous le nom de « mégadonnées » en français, est un procédé de stockage massif de données sur un serveur interne ou externe (sur le Cloud). On associe souvent le nom de Big Data à celui de Data Science, la science des données, qui consiste ensuite à interconnecter toutes ces données afin d’en tirer un maximum d’informations et de bénéfices.

Les domaines d’application du Big Data sont infinis. Prenons un exemple : une entreprise commerçante collecte des données variées sur ses clients depuis le début de son existence, soit une vingtaine d’années. La quantité de données récoltée est, avec le temps, devenue bien trop importante pour que les simples logiciels de traitement des données de l’entreprise ne puisse les exploiter.

Le Big Data vient ici en renfort car il peut stocker dans un seul et même endroit toutes ces informations afin de les mettre en corrélation et de proposer une lecture synthétique de ces données. Ceci permet une meilleure lisibilité des informations pour l’entreprise qui pourra enfin en bénéficier au maximum.

La maintenance prédictive pour éviter les pannes

Mais le Big Data ne se limite pas aux commerces. Il peut aussi servir dans de nombreux domaines comme la science et l’industrie. Dans le domaine industriel, on voit par exemple le Big Data aider au développement de la maintenance prédictive.

Jusqu’alors, on avait souvent à faire à deux types d’interventions de maintenance : la maintenance corrective, qui consiste à réparer une panne une fois que celle-ci est déjà survenue, ou la maintenance préventive, qui faisait parfois perdre un gros potentiel aux appareils en les catégorisant comme obsolètes trop tôt.

Grâce à la maintenance prédictive, les manufactures peuvent maintenant équiper leur machines (même les plus vielles) de capteurs qui, reliés entre eux et à un serveur central, peuvent associer des informations relatives aux appareils pour mieux prévenir de leurs dysfonctionnements.

Il s’agit ensuite de planifier sa maintenance prédictive. Des procédures standards sont ainsi mises en place afin que le personnel de maintenance puisse intervenir au plus vite lorsqu’une panne est présagée.

 

Big data dans le domaine de l’aéronautique

Faire voler chacun de leurs avions 18 heures par jour, voire plus. C’est le rêve de toutes les compagnies aériennes qui cherchent à minimiser le temps où leurs appareils restent immobilisés. Le big data, qui ouvre les portes de la maintenance prédictive, permet d’anticiper les aléas pour ne plus les subir. De quoi générer de nombreuses économies et faire évoluer les business models.

Les données massives promettent des économies XXL. En exploitant habilement les big data, les acteurs de l’aéronautique peuvent notamment espérer passer à la maintenance prédictive. Autrement dit, anticiper les pannes afin de limiter les temps d’intervention, donc l’immobilisation des appareils, bête noire des compagnies aériennes. Celles-ci perdent en effet environ 10 000 dollars par heure d’immobilisation forcée d’un engin au sol.

Constructeurs et équipementiers s’intéressent à cette perspective. Le motoriste Pratt et Whitney a ainsi noué il y a un an un partenariat avec IBM. « Nous espérons pouvoir réduire de 50 % les opérations de maintenance non planifiées pour, in fine, diminuer d’un montant allant jusqu’à 20 % les coûts de maintenance pour nos clients », précise Jim Pennito, directeur service programs de Pratt et Whitney. Airbus Helicopters a de son côté déployé des modèles prévisionnels afin d’optimiser et de personnaliser les opérations de maintenance.

« L’objectif est de maîtriser l’effet domino d’un processus à l’autre. Par exemple, l’analyse des données issues du système HUMS, qui enregistre en vol les signaux de vibration, va permettre de déclencher une carte de travail de façon préventive, dans un atelier de maintenance » détaille Christophe Prior, responsable information et data service chez Airbus Helicopters. Le constructeur a choisi de développer ses propres modèles mathématiques. « Notre objectif est d’enrichir notre bibliothèque d’algorithmes, afin qu’elle fasse partie de notre patrimoine », précise Christophe Prior. Dans cette optique, Airbus Helicopters a mis en place une « académie des analytics », pour former ses talents internes. L’accent est également porté sur l’interface. « Un des facteurs clés du succès de ces outils réside dans l’expérience utilisateur. Les algorithmes doivent constituer de véritables outils d’aide à la décision et faciliter le suivi des plans d’action » souligne Christophe Prior.

Des outils pour réduire le temps d’immobilisation de l’avion

Pour les acteurs qui ne développent pas leurs propres solutions en interne, il est possible d’utiliser celles, de plus en plus nombreuses, que proposent d’autres sociétés. Début 2015, General Electric a par exemple déployé en Europe une plateforme clés en main baptisée Equipment Insight. Elle permet aux fabricants de contrôler en continu le fonctionnement de leurs installations et de faire des recommandations en temps réel à leurs clients. De son côté, Microsoft a dévoilé en octobre 2014 un parcours numérique dédié aux acteurs de l’aéronautique. Il comprend notamment un algorithme de machine learning développé pour la maintenance prédictive. Son offre de maintenance inclut aussi les lunettes de réalité augmentée développées par l’entreprise francilienne Laster Technologies.

Parallèlement, d’autres jeunes pousses françaises se sont positionnées sur ce marché prometteur. Parmi elles, Win MS a développé une technologie capable de localiser à distance et en temps réel une anomalie de câble. L’outil permettrait de diviser par cinq le temps d’intervention et d’immobilisation d’un appareil victime d’une panne de câble. La start-up Safety Line, elle, a développé un algorithme basé sur les données de vols pour optimiser la consommation de carburant lors de la phase de montée de l’avion.

Outre les gains de productivité, le big data accompagne une autre évolution, dont témoigne par exemple Michelin, lorsque l’entreprise affirme ne plus vendre des pneus d’avions, mais un nombre d’atterrissages. Offrir ce type de garantie revient en effet à un changement de business model, et à la reconnaissance d’un déplacement de la valeur, hier liée aux pièces et aux produits et aujourd’hui attachée à la disponibilité et à l’usage. Une approche qui permet d’afficher un prix « services compris ».

Des lunettes pour épauler les opérateurs : cLaster Technologies a mis au point des lunettes de réalité augmentée dédiées à la maintenance industrielle. L’affichage en surimpression de texte, d’images ou de vidéos sur un verre transparent permet de guider les techniciens, pour limiter le nombre d’erreurs. Après s’être appuyée sur un système de marqueurs, l’entreprise développe désormais des algorithmes pour reconnaître automatiquement l’environnement, afin d’afficher la bonne information en temps réel. Laster travaille avec de nombreux acteurs de l’aéronautique dont Dassault, Airbus, Snecma ou encore Thales.