Une machine échoue rarement sans avertissement.
Dans de nombreux environnements industriels, une machine change progressivement avant de cesser de fonctionner. Sa température peut augmenter légèrement. Les vibrations peuvent devenir plus fortes. La consommation d'énergie peut changer. La vitesse de production peut diminuer. Aucun de ces changements pris isolément ne peut suffire à arrêter la machine, mais ensemble, ils peuvent indiquer que quelque chose ne va pas.
Le défi est de détecter ces changements suffisamment tôt pour agir.
Pour de nombreuses installations, les données de la machine sont collectées par des capteurs et envoyées à un serveur central pour analyse. Cela fonctionne bien pour les rapports et l'analyse à long terme, mais ce n'est pas toujours la meilleure approche pour détecter des problèmes nécessitant une réponse immédiate.
Une approche différente consiste à analyser les données des capteurs près de la machine elle-même.
Cela permet au système de rechercher en continu un comportement inhabituel sans envoyer chaque lecture de capteur à un serveur distant.
Le problème de l'examen des lectures individuelles
Un système de surveillance simple pourrait définir une limite pour chaque capteur.
Si la température dépasse une certaine valeur, générer une alerte.
Si les vibrations dépassent une autre valeur, générer une alerte.
Si la consommation d'énergie devient trop élevée, générer une alerte.
Le problème est que les machines ne tombent pas toujours en panne de manière si simple.
Une machine peut rester dans la plage de température normale tout en voyant ses vibrations augmenter lentement. En même temps, sa consommation d'énergie peut commencer à changer.
Individuellement, ces lectures peuvent ne pas justifier une alarme.
Ensemble, ils peuvent être importants.
Cela signifie que la surveillance utile des machines ne peut pas toujours dépendre de limites fixes. Le système doit comprendre ce que le comportement normal ressemble et identifier les changements significatifs par rapport à ce comportement.
Apprendre à quoi ressemble le normal
Une machine a généralement un schéma de fonctionnement.
Sa température varie dans une certaine plage.
Sa vibration a un niveau normal.
Sa consommation d'énergie suit un schéma général.
Sa vitesse de production change en fonction de la charge de travail actuelle.
Un système de surveillance local peut utiliser ces informations pour établir une image du fonctionnement normal.
Il n'est pas nécessaire de comprendre la raison exacte de chaque lecture. Il doit reconnaître quand la machine commence à se comporter différemment de son schéma habituel.
Par exemple, imaginez un moteur qui fonctionne normalement avec une vibration stable.
Au fil des heures, la vibration commence à augmenter progressivement.
L'augmentation n'est pas suffisamment importante pour déclencher un avertissement traditionnel.
Cependant, le système local remarque que le niveau de vibration actuel est constamment plus élevé que le comportement habituel de la machine.
Il peut signaler le changement avant que la vibration n'atteigne un niveau dangereux.
Cela donne à l'équipe de maintenance l'occasion d'examiner la machine avant qu'une panne ne se produise.
Pourquoi le traitement des données près de la machine est important
Une grande machine peut générer des lectures de capteurs en continu.
Si chaque lecture est envoyée à un système distant, l'information doit voyager à travers le réseau avant de pouvoir être analysée.
Pour les rapports à long terme, ce retard peut ne pas avoir d'importance.
Pour la surveillance immédiate des machines, cela peut.
Le traitement local permet au système d'examiner les relevés au fur et à mesure de leur production.
La machine n'a pas à attendre qu'un système distant décide si quelque chose d'inhabituel se produit.
C'est particulièrement utile lorsque la réponse doit se faire rapidement.
Par exemple, un système local peut :
Détecter un changement inhabituel de vibration
Comparer plusieurs relevés de capteurs
Déterminer si le changement se poursuit
Alerter un opérateur
Déclencher une réponse machine prédéfinie
Enregistrer l'événement pour une analyse ultérieure
Le système central peut toujours recevoir les informations importantes.
La différence est que la décision immédiate ne dépend pas entièrement de cela.
Combinaison de plusieurs signaux
Une des parties les plus utiles de cette approche est la capacité de regarder plusieurs mesures ensemble.
Supposons qu'une machine produise les changements suivants :
La température augmente légèrement.
La vibration augmente légèrement.
La consommation d'énergie devient moins stable.
La vitesse de production diminue légèrement.
Aucun de ces changements ne peut être grave à lui seul.
Un système qui les examine ensemble, cependant, peut reconnaître que la machine se comporte différemment.
Cela peut être beaucoup plus utile que de créer une alarme séparée pour chaque capteur.
Trop d'alarmes individuelles peuvent créer un autre problème : fatigue des alarmes.
Si les opérateurs reçoivent des avertissements chaque fois qu'une mesure sort légèrement de sa plage normale, ils peuvent finir par ne plus considérer les avertissements comme importants.
Un système qui prend en compte plusieurs signaux peut concentrer l'attention sur des changements plus significatifs.
L'objectif n'est pas de prédire la défaillance exacte.
Il y a parfois une attente qu'un système de surveillance devrait être capable de dire exactement ce qui va échouer et quand.
Ce n'est pas toujours nécessaire.
Dans de nombreux cas, le résultat le plus utile est simplement :
« Cette machine se comporte différemment de la normale. »
Cette information peut suffire à déclencher une inspection.
Un technicien de maintenance peut alors examiner la machine et déterminer la cause réelle.
C'est une distinction importante.
Le système n'a pas besoin de remplacer l'équipe de maintenance.
Il doit fournir à l'équipe de maintenance de meilleures informations au bon moment.
La détection locale réduit également le transfert de données inutiles.
La surveillance continue des capteurs peut créer une grande quantité de données.
Envoyer tout cela à un système central peut ne pas être nécessaire.
Un système local peut traiter les lectures brutes et envoyer des résultats utiles à la place.
Par exemple, plutôt que d'envoyer chaque mesure de vibration, il pourrait envoyer :
La plage de fonctionnement normale
Des changements significatifs
Comportement inhabituel détecté
Le moment où un événement s'est produit
La machine concernée
Un résumé des données des capteurs autour de l'événement
Les données originales peuvent toujours être stockées lorsque des analyses détaillées sont nécessaires.
Mais la communication de routine n'a pas besoin de transmettre chaque lecture individuelle.
Cela peut réduire le trafic réseau tout en tenant le système central informé.
Que se passe-t-il lorsque la connexion disparaît ?
Les environnements industriels ne peuvent pas toujours dépendre d'un accès réseau ininterrompu.
Une connexion peut échouer.
Un appareil réseau peut nécessiter une maintenance.
Un service distant peut devenir temporairement indisponible.
Si la surveillance des machines dépend entièrement d'un système distant, la perte de communication peut également signifier la perte de la surveillance.
La détection locale change cela.
La machine peut continuer à être surveillée même lorsque la communication avec le système central est temporairement indisponible.
Le système local peut continuer à collecter des lectures, à identifier des comportements inhabituels et à appliquer des règles immédiates.
Lorsque la communication devient à nouveau disponible, des événements importants peuvent être envoyés au système central.
Cela rend le processus de surveillance plus résilient.
Réduire les fausses alertes
Un bon système de détection ne devrait pas simplement produire plus d'alertes.
Il devrait produire des alertes plus utiles.
Cela nécessite de comprendre la différence entre un changement temporaire et un changement significatif.
Par exemple, une machine peut connaître une courte augmentation de vibration lorsqu'elle démarre.
Cela ne signifie pas nécessairement qu'il y a un problème.
Si la même augmentation se poursuit pendant le fonctionnement normal, la situation est différente.
Le système peut donc prendre en compte des facteurs tels que :
Quelle est l'ampleur du changement
Combien de temps cela dure
S'il s'aggrave
Si d'autres capteurs montrent des changements connexes
Si la machine est actuellement en train de démarrer, d'arrêter ou de fonctionner normalement
Cela crée un processus de surveillance plus pratique.
Au lieu de traiter chaque lecture inhabituelle comme un échec, le système peut rechercher un comportement qui mérite attention.
Connecter la détection à la maintenance
Détecter une condition inhabituelle n'est utile que si quelque chose se passe ensuite.
Le résultat peut être lié au processus de maintenance.
Par exemple, lorsqu'une machine montre un changement de comportement soutenu, le système peut automatiquement créer une demande de maintenance contenant les informations pertinentes.
Le technicien n'a pas à commencer avec une demande vierge.
Il peut voir :
Quelle machine a généré l'avertissement
Quand le comportement inhabituel a commencé
Quelles mesures ont changé
Comment les mesures ont changé
Si des événements similaires se sont produits auparavant
Cela donne à l'équipe de maintenance un meilleur point de départ.
Cela crée également un enregistrement utile qui peut être comparé avec de futurs problèmes de machine.
Au fil du temps, l'entreprise peut apprendre quels modèles d'avertissement sont associés à de réels problèmes de maintenance.
Commencer avec une machine
Ce type de système n'a pas besoin de commencer dans toute une usine.
Une mise en œuvre pratique peut commencer par une machine où les temps d'arrêt inattendus sont coûteux ou où les informations des capteurs sont déjà disponibles.
La première étape consiste à comprendre le comportement normal de la machine.
Le système peut ensuite surveiller les mesures pertinentes et identifier des changements significatifs.
Une fois que les résultats sont fiables, la même approche peut être étendue à d'autres machines.
Cette approche progressive a un avantage important.
Elle permet à l'entreprise de mesurer si le système améliore réellement les décisions de maintenance avant de faire un investissement plus important.
De la réaction aux pannes à la réponse aux changements
La maintenance traditionnelle commence souvent par un problème.
La machine s'arrête.
Une alarme apparaît.
La production est interrompue.
Un technicien enquête.
La surveillance locale des machines change le point de départ.
Le processus peut commencer lorsque le comportement de la machine commence à changer, plutôt que lorsque la machine a déjà échoué.
Cette différence peut être significative.
L'objectif n'est pas d'éliminer chaque panne de machine. Ce serait irréaliste.
L'objectif est de donner aux opérateurs et aux équipes de maintenance des informations plus tôt afin qu'ils aient plus de temps pour réagir.
Pour les entreprises industrielles, cela peut signifier moins d'interruptions inattendues, une meilleure planification de la maintenance et une compréhension plus claire du comportement des équipements au fil du temps.
Le signal le plus précieux d'une machine n'est pas toujours la lecture qui dit “panne.”
Parfois, c'est le signal beaucoup plus précoce qui dit:
“Quelque chose a commencé à changer.”