La maintenance prédictive au service de l’industrie

SUCCESS STORY

Le contexte

📈 Un des leaders mondiaux d’ascenseurs, disposant de près de 1 millions d’ascenseurs dans le monde, souhaite réduire ses coûts de maintenance

💰L’intervention d’un technicien intervient dans deux types de cas : panne d’un équipement ou visite préventive. Chacune de ces interventions coûte 200 € à la société

🎯L’objectif est de réduire le nombre d’interventions des techniciens en prédisant les pannes

maintenance-des-ascenseurs-1
equipe-direction

La démarche

🚀 Le client lance un POC (Proof of Concept) de 6 semaines pour vérifier la faisabilité du projet. Pour ce faire, il installe en amont du projet des capteurs sur 40 ascenseurs

👨🏼‍💻Mise en place d’une équipe dédiée composée de 3 data scientists, 1 Product Owner et 1 Coach Agile

📊Parmi les données mises à disposition de l’équipe en provenance de ces 40 ascenseurs, on retrouve : la température, la puissance consommée, l’accélération, le champ magnétique, la lumière

Le résultat

📈 L’équipe est parvenue à visualiser les corrélations entre les données brutes, et la réalisation d’un évènement (fermeture des portes, montée d’un étage, etc.)

🤖Après 6 semaines, l’équipe pouvait prédire la date d’un évènement tel que la 60 millième ouverture de porte depuis la dernière maintenance. Évènement à partir duquel la probabilité de panne augmente significativement.

✅Le POC a donc été considéré comme un succès et le projet est en cours d’instrialisation

citation-motivation-reussitesucces

Le Big Data ouvre de nouvelles opportunités aux industries pour optimiser leurs opérations de maintenance à moindre coût, en temps réel et à distance

La diminution du coût des capteurs corrélée à l’arrivée de nouveaux réseaux très bas débit a accéléré le développement de solutions de maintenance intelligente et à moindre coût.

Anticipation des défaillances techniques, diminution des risques, optimisation de la chaîne de production… Bien exploitée, la data devient un vrai outil d’optimisation des ressources et de réduction des coûts. La réussite de l’industrie 4.0 reposera sur sa capacité à exploiter et à valoriser ses données.

Nous voulons aider les professionnels de l’industrie à s’emparer de cette opportunité.

Résultat attendu : réduire les défaillances techniques

Le Big Data et le Machine Learning aident les professionnels de l’industrie à :

  • prédire les défaillances avant qu’elles ne surviennent
  • diminuer les coûts de maintenance et d’infrastructure
  • optimiser la durée de vie des équipements
  • anticiper les pannes
  • automatiser la planification des opérations d’entretien et de réparation
  • optimiser le flux des opérations (diminution du nombre d’incidents, d’inspections…)

La maintenance prédictive devrait générer 24,7 milliards de revenus d’ici 2019*.

*Source: ABI Reseach

Subway
La maintenance prédictiveNouvel enjeu de l'industrie 4.0

« La maintenance prédictive, qu’elle soit appliquée à l’équipement embarqué ou aux outils de production, représente aujourd’hui l’une des meilleures solutions pour les entreprises dans le but de faire des économies et un moyen intéressant de collecter des données pour les revendre » Philippe ROBERT, Directeur commercial ENGIE

Stratégie technique : Nifi pour l’ingestion de données, scikit-learn pour la prédiction

Les enjeux techniques :

  • ingérer des flux de données variés en temps réel, parfois issus de capteurs embarqués
  • unifier des données issues de sources hétérogènes
  • mettre en place des modèles prédictifs robustes dans des contextes de détection de cas rares

Nous recommandons NiFi pour l’ingestion de données, à la fois pour ses performances et pour sa simplicité de configuration. Pour l’élaboration de modèles prédictifs, nous nous appuyons sur l’ensemble très complet de librairies de machine learning de scikit-learn.

Nos experts Nifi

  • Adil
    Adil Data Scientist Agile
  • Alexandre
    Alexandre Data Scientist Agile
  • Antoine
    Antoine Data Scientist Agile
  • Martin
    Martin Data Scientist Agile