Maintenance prédictive par IA : ce qui fonctionne vraiment en usine

Prédictive, préventive, conditionnelle : ce que recouvrent les mots

Sur le terrain, quatre régimes cohabitent dans la même usine. La maintenance corrective intervient après la panne. La maintenance préventive systématique déclenche l'intervention sur un calendrier ou un compteur d'heures, quel que soit l'état réel du matériel. La maintenance conditionnelle déclenche sur un seuil mesuré : une épaisseur résiduelle, un niveau vibratoire, une température de palier. La maintenance prédictive va plus loin en modélisant la vitesse de dégradation pour estimer la date à laquelle le seuil sera franchi.

L'IA n'ajoute pas un cinquième régime. Elle rend le quatrième praticable sur un parc entier, là où l'exercice se faisait jusqu'ici sur quelques équipements critiques suivis à la main par un technicien méthodes dans un tableur.

Le vocabulaire compte, parce que le régime détermine la preuve à produire. Un plan préventif se justifie devant un auditeur par une gamme et un planning. Un passage en conditionnel ou en prédictif se justifie par une série de mesures, une tendance et un critère d'acceptation. Si l'outil ne restitue pas cette série avec ses documents sources, le changement de régime ne tient pas en audit, quelle que soit la qualité du modèle.

Exemple concret : Un plan de graissage hebdomadaire sur un convoyeur reste du préventif systématique, même si un tableau de bord affiche des courbes à côté.

Ce que l'IA prédit vraiment, et ce qu'elle ne prédit pas

Une IA apprend des régularités. Elle est bonne quand la dégradation est progressive et laissée par écrit : perte d'épaisseur d'une tuyauterie, dérive d'un niveau vibratoire, encrassement d'un échangeur, montée lente d'une température de palier, augmentation de la fréquence des retouches sur une soudure.

Elle est mauvaise sur ce qui ne se dégrade pas progressivement. La rupture d'un joint sur un coup de bélier, la casse d'une carte électronique, une erreur de remontage après un nettoyage en place, un corps étranger dans une trémie : aucun modèle ne prévient à l'avance, faute de signal antérieur à l'événement.

Elle est également mauvaise quand l'historique est trop court ou trop irrégulier. Deux relevés d'épaisseur espacés de six ans donnent une droite, pas une tendance exploitable.

Ce que l'IA apporte de plus utile en usine est moins spectaculaire que la prédiction : lire les rapports que personne ne relit, remettre chaque mesure en face du bon équipement, faire ressortir les écarts et les échéances qui approchent. Beaucoup d'installations n'ont pas besoin d'un modèle prédictif avant d'avoir un historique propre.

Exemple concret : Sur une ligne de conditionnement, une IA repère la dérive lente d'un moteur de convoyeur. Elle ne verra jamais venir la casse d'un capteur de position remonté de travers après un nettoyage de nuit.

Commencer par les données que vous avez déjà

Les projets de maintenance prédictive commencent souvent par un devis de capteurs. C'est rarement le bon point de départ dans une usine agroalimentaire ou pharmaceutique, où la donnée existe déjà mais dort en PDF.

Un site accumule chaque année des rapports de contrôle non destructif (mesures d'épaisseur par ultrasons, ressuage, magnétoscopie), des rapports d'inspection et de requalification d'équipements sous pression, des rapports de métrologie, des comptes rendus d'intervention de prestataires. Ces documents sont classés par date et par prestataire, presque jamais par équipement. Personne ne peut répondre en réunion à la question « quelle est la tendance d'épaisseur de ce piquage depuis cinq ans » sans rouvrir dix classeurs.

Reconstituer cet historique équipement par équipement relève de l'extraction, pas de la modélisation. C'est le travail d'un logiciel capable de lire les rapports, d'en sortir les mesures, les repères et les échéances, et de les rattacher au bon repère fonctionnel. Une fois cette base constituée, la question de la prédiction devient traitable, et la dépense de capteurs se décide sur les équipements où la tendance montre un enjeu documenté.

Exemple concret : Le service maintenance d'un site de transformation reçoit chaque campagne de contrôle sous forme d'un rapport unique de plusieurs dizaines de pages, couvrant tous les équipements. Le classement se fait par date de campagne, ce qui rend le suivi par équipement impossible sans ressaisie.

Trois situations d'usine où l'approche paie

Échangeur à plaques en laiterie. L'encrassement se traduit par une baisse de rendement thermique visible dans les relevés de production et par un allongement des cycles de nettoyage en place. Croiser ces relevés avec l'historique de démontage permet de placer le nettoyage lourd sur un arrêt planifié plutôt que sur un dimanche de production.

Tuyauterie de vapeur et ballon sous pression. Les épaisseurs relevées par ultrasons lors des visites périodiques sont reportées sur un plan d'inspection. Rapportées à l'épaisseur minimale admissible et à la date de la prochaine requalification, elles donnent une vitesse de corrosion par point de mesure. Certains points n'appellent aucune action, un autre mérite un contrôle avant l'arrêt technique. Sans historique consolidé, tous sont traités de la même façon.

Ligne de conditionnement et non-conformités qualité. Les défauts de scellage, les micro-fuites et les rejets au détecteur de métaux remontent dans le système qualité, rarement dans la GMAO. Rapprocher la courbe des non-conformités d'une ligne de son historique de maintenance fait apparaître les organes qui produisent des écarts qualité avant de tomber en panne.

Ces trois situations ont un point commun : la donnée était déjà là, dispersée entre la qualité, la maintenance et les rapports de prestataires.

Exemple concret : Sur un ballon de vapeur, quatre campagnes d'épaisseurs sur les mêmes points donnent une pente par point de mesure. C'est cette pente, et non une alerte capteur, qui justifie de programmer un contrôle avant le prochain arrêt technique.

Agroalimentaire, pharmaceutique, chimie : la contrainte d'audit change tout

Dans ces filières, un plan de maintenance ne relève pas seulement de la disponibilité machine. Il est audité. Un référentiel IFS Food ou BRCGS demande la maîtrise de la maintenance sur les équipements en contact produit, l'encadrement des interventions en zone de production, la traçabilité des pièces et des lubrifiants de qualité alimentaire, et la remise en état après intervention. Le plan HACCP s'appuie sur des points de maîtrise dont plusieurs dépendent directement d'un équipement : détecteur de métaux, pasteurisateur, tunnel de refroidissement.

Concrètement, l'auditeur ne demande pas votre modèle prédictif. Il demande la preuve : le rapport, la mesure, la date, le critère, l'action décidée et sa clôture. L'écart est constaté dès lors qu'une décision de maintenance ne peut pas être reliée à une donnée datée.

S'ajoutent les obligations propres aux équipements sous pression, avec leurs inspections périodiques et leurs requalifications aux échéances réglementaires, ainsi que le suivi métrologique des instruments critiques.

Un outil de maintenance prédictive utile dans ces filières doit donc produire un dossier consultable, avec le document source à côté de la mesure extraite. Une prédiction sans pièce justificative ne passe pas en revue de certification.

Exemple concret : En revue IFS, la question posée n'est pas « comment votre IA fonctionne » mais « montrez-moi le rapport qui justifie d'avoir décalé cette intervention ». Sans le PDF d'origine relié à la mesure, la réponse ne tient pas.

Pourquoi les projets de maintenance prédictive échouent

Les échecs se ressemblent d'un site à l'autre.

Le référentiel d'équipements n'existe pas. Le même échangeur porte trois identifiants : un dans la GMAO, un sur l'étiquette, un dans le rapport du prestataire. Tant que ce point n'est pas réglé, aucun historique ne se consolide.

Le projet démarre par les capteurs. On instrumente une vingtaine de machines, on produit des courbes, et personne dans l'usine n'a le temps de les regarder ni le mandat d'arrêter une ligne sur la foi d'une alerte.

L'alerte n'a pas de destinataire. Un modèle qui envoie un signal dans une boîte mail générique ne change rien. Une alerte utile devient une demande d'intervention dans la GMAO, avec un responsable et une date.

Le taux de fausses alertes n'est pas tenu. Après quelques alertes sans suite, les équipes de terrain cessent de les traiter, et le dispositif meurt sans que personne ne l'annonce.

La donnée reste chez le prestataire. Beaucoup de sites reçoivent un PDF et rien d'autre. Sans clause de restitution des mesures dans un format exploitable, chaque campagne repart de zéro.

Aucun de ces points n'est un problème d'algorithme. Ce sont des problèmes de données et d'organisation, et ils se règlent avant d'acheter un modèle.

Exemple concret : Un même piquage peut apparaître sous trois désignations dans trois documents du même site. Tant que le rapprochement n'est pas fait, la tendance calculée porte sur trois équipements fictifs au lieu d'un seul.

Une méthode de démarrage sans projet capteurs

Étape 1 : figer le référentiel d'équipements. Une liste unique, un identifiant unique par équipement, la correspondance avec les étiquettes du terrain et avec la GMAO. C'est le seul prérequis non négociable.

Étape 2 : rassembler les rapports existants sur les cinq dernières années, toutes sources confondues : contrôles non destructifs, inspections et requalifications d'équipements sous pression, métrologie, interventions de prestataires, rapports internes.

Étape 3 : extraire les mesures et les rattacher aux équipements. À ce stade, l'objectif est la fidélité, pas l'interprétation. Une valeur mal recopiée invalide toute la tendance qui en découle.

Étape 4 : regarder les tendances et trier. La plupart des équipements ne demandent rien. Une minorité ressort avec une dérive nette ou une échéance proche.

Étape 5 : décider ce qui bascule en conditionnel. Sur cette minorité, l'instrumentation se justifie et se chiffre, parce que l'enjeu est documenté.

Étape 6 : brancher la sortie sur la GMAO. Une conclusion qui ne devient pas une demande d'intervention datée reste une note de service.

Cette progression a un avantage pratique : chaque étape produit un livrable utilisable seul. Le référentiel sert à l'audit. L'historique consolidé sert à la préparation de l'arrêt technique. Les tendances servent au budget de l'année suivante.

Exemple concret : Un responsable maintenance qui arrive en réunion de préparation d'arrêt avec l'historique consolidé des équipements concernés arbitre sur des mesures datées au lieu d'arbitrer sur des souvenirs d'intervention.

Lucens Integrity : ce que le logiciel fait aujourd'hui

Lucens Integrity est un logiciel installé sur le poste ou le serveur du site. Il lit les rapports d'inspection au format PDF sans que les documents quittent l'usine, ce qui règle la question de la confidentialité des données d'installation avant qu'elle ne soit posée.

Ce qu'il fait aujourd'hui : reconnaître les rapports des prestataires de contrôle, en extraire les constats, les mesures et les repères, reconstituer pour chaque équipement l'évolution de ses mesures dans le temps, faire ressortir les échéances à venir, et rassembler l'ensemble dans un dossier consultable où chaque valeur reste reliée à son document source.

Le principe de fonctionnement est explicite : le logiciel retranscrit ce que le rapport contient. Il ne complète pas les champs absents et n'interprète pas une mesure manquante. Un indicateur non calculable est affiché comme tel plutôt que rempli par une estimation.

Le tarif annuel dépend du nombre d'équipements suivis, avec un nombre illimité d'utilisateurs et de sites.

D'autres fonctions sont en préparation, notamment la génération de demandes d'intervention vers la GMAO et le traitement des campagnes thermographiques et vibratoires. Elles ne sont pas disponibles aujourd'hui et ne doivent pas entrer dans une décision d'achat.

Exemple concret : Un responsable qualité ouvre la fiche d'un équipement et voit la suite des mesures relevées depuis cinq ans, chacune avec le rapport dont elle provient, sans ressaisie et sans quitter le réseau du site.