L'IA prédictive appliquée à la maintenance industrielle promet d'intervenir juste avant la panne : des capteurs mesurent l'état des équipements, des modèles détectent les dérives et estiment la durée de vie restante, et la maintenance planifie l'intervention au bon moment.
Les gains annoncés par les cabinets de conseil sont importants, mais ce sont des estimations, et de nombreux projets s'arrêtent au stade du pilote. Ce dossier explique comment fonctionne une chaîne de maintenance prédictive, où elle est pertinente, ce que valent les chiffres de retour sur investissement, les freins et les compétences qu'elle mobilise.
1. De la maintenance corrective à la maintenance prévisionnelle
La norme NF EN 13306 (terminologie de la maintenance) distingue la maintenance corrective, après défaillance, et la maintenance préventive, qui se décline en maintenance systématique (à intervalles fixes) et conditionnelle (déclenchée par l'état mesuré). La maintenance prévisionnelle est une forme de maintenance conditionnelle qui extrapole l'évolution de paramètres de dégradation pour anticiper la défaillance : c'est elle que l'on appelle couramment « maintenance prédictive ».
| Stratégie | Déclencheur | Limite |
|---|---|---|
| Corrective | La panne | Arrêts non planifiés, dégâts en cascade |
| Préventive systématique | Un intervalle fixe (heures, cycles, calendrier) | Remplacement de pièces encore saines |
| Préventive conditionnelle | Le franchissement d'un seuil mesuré | Réagit à un état, sans anticiper son évolution |
| Conditionnelle prévisionnelle (« prédictive ») | L'estimation de la date de défaillance | Demande des données fiables et des modèles validés |
On parle aussi de maintenance « prescriptive » quand le système recommande en plus l'action à mener ; ce terme n'est pas défini par la norme. Le détail de ces stratégies et de leurs coûts figure dans le comparatif maintenance préventive, conditionnelle et prédictive et dans le dossier sur les types de maintenance.
2. Comment fonctionne l'IA prédictive
Une chaîne de maintenance prédictive empile toujours les mêmes briques : capter, transmettre, stocker, modéliser, alerter.
2.1 Les capteurs
Les grandeurs les plus utilisées sont les vibrations (accéléromètres), la température (sondes, thermographie infrarouge), le courant moteur (analyse de la signature électrique), les ultrasons (fuites, frottements), la pression et l'état des lubrifiants (analyse d'huile). Sur les machines tournantes, la vibration est la donnée la plus riche : balourd, désalignement ou défaut de roulement ont chacun leur signature fréquentielle, visible bien avant la rupture (voir l'analyse vibratoire et la norme ISO 10816).
2.2 Le traitement au plus près de la machine
Plutôt que d'envoyer des signaux bruts en continu, une passerelle calcule localement des indicateurs (valeur efficace, facteur de crête, kurtosis, spectre, enveloppe) et ne transmet que ces indicateurs et les alarmes. On réduit ainsi la bande passante, on protège les données et on détecte plus vite.
2.3 Les modèles
Détection d'anomalies
Apprentissage non supervisé : le modèle apprend le fonctionnement normal et signale les écarts. Adapté quand l'historique de pannes est pauvre.
Diagnostic
Apprentissage supervisé : le modèle reconnaît le type de défaut en cours (roulement, désalignement…) à partir d'exemples étiquetés.
Durée de vie résiduelle
Estimation du temps restant avant défaillance (RUL), par des modèles statistiques, d'apprentissage ou hybrides avec la physique de la dégradation.
2.4 Le jumeau numérique
Un jumeau numérique est une représentation de l'équipement alimentée par les données de terrain, qui permet de simuler l'effet d'une dérive ou d'une intervention. Pour structurer ces représentations, l'industrie dispose de la coquille d'administration des actifs (Asset Administration Shell), normalisée par l'IEC 63278-1 (2023), dans le cadre de référence de l'usine numérique IEC 62832.
3. Où la maintenance prédictive est pertinente
Machines tournantes
Moteurs, pompes, compresseurs, ventilateurs, réducteurs : le terrain historique, grâce à l'analyse vibratoire et à la signature électrique.
Utilités et génie climatique
Centrales de traitement d'air, groupes froid, tours aéroréfrigérantes : encrassement, dérives énergétiques, fuites de fluides frigorigènes.
Éolien et sites isolés
Multiplicateurs, génératrices, paliers : quand une intervention est coûteuse ou dépend de la météo (éolien en mer), anticiper a une forte valeur.
Procédés continus
Chimie, sidérurgie, verre, papier : un arrêt coûte cher et peut avoir des enjeux de sécurité ; les équipements critiques justifient l'instrumentation.
Le point commun des déploiements réussis : un actif critique, une donnée exploitable et un coût d'arrêt élevé. Instrumenter massivement des équipements à faible enjeu conduit souvent à des pilotes abandonnés faute de rentabilité. L'efficacité se suit avec les indicateurs de fiabilité classiques (MTBF et MTTR).
4. ROI : ce que valent les chiffres
Les chiffres les plus cités viennent de cabinets de conseil. Ce sont des estimations à partir d'études de cas, pas des mesures statistiques, et elles divergent :
| Source | Estimation publiée |
|---|---|
| McKinsey Global Institute, « The Internet of Things: Mapping the Value Beyond the Hype » (2015) | Coûts de maintenance réduits de 10 à 40 %, temps d'arrêt réduits jusqu'à 50 % |
| Deloitte, « Predictive Maintenance » (position paper, 2017) | Disponibilité des équipements accrue de 10 à 20 %, coûts de maintenance globaux réduits de 5 à 10 %, temps de planification réduit de 20 à 50 % |
L'écart entre ces fourchettes montre qu'aucun chiffre générique ne remplace un calcul propre au site. Le bon raisonnement part de l'équipement : coût d'une heure d'arrêt, fréquence et gravité des pannes actuelles, coût des interventions préventives évitées, puis coût complet de la solution (capteurs, intégration à la GMAO, plateforme, temps d'analyse). Si l'équipement ne tombe presque jamais en panne ou si son arrêt coûte peu, le prédictif ne se rembourse pas.
5. Les freins à l'industrialisation
- Coût d'entrée : capteurs, passerelles, intégration à la GMAO, plateforme logicielle, temps des équipes.
- Qualité des données historiques : bons de travaux incomplets, codes défaut hétérogènes, pas de traçabilité fine des interventions. C'est souvent le premier obstacle, avant l'algorithme.
- Conduite du changement : méfiance envers les alarmes algorithmiques, crainte d'être remplacé, habitudes du préventif systématique. Des alarmes trop nombreuses et non fiables ruinent vite la confiance.
- Compétences rares : il faut réunir la connaissance des machines et celle de l'analyse de données.
- Cybersécurité des systèmes industriels : connecter des automates et des capteurs ouvre de nouvelles surfaces d'attaque. Les normes IEC 62443 et la directive (UE) 2022/2555 (NIS 2) encadrent ce risque.
6. Choisir une solution de maintenance prédictive
Les offres se répartissent entre les constructeurs d'automatismes et d'équipements qui proposent leur plateforme, les spécialistes qui vendent capteurs et abonnement d'analyse, et les éditeurs de GMAO qui ajoutent des modules prédictifs. Plutôt qu'un nom, ce sont des critères qui guident le choix :
- Compatibilité avec le parc d'automates, les protocoles (OPC UA, MQTT, Modbus) et la GMAO en place.
- Architecture : traitement local, cloud ou mixte, selon la stratégie informatique et la sensibilité des données.
- Transparence des modèles : l'outil explique-t-il pourquoi il alerte ? Peut-on ajuster les seuils ?
- Réversibilité : propriété des données, format d'export, possibilité de changer de fournisseur.
- Démarrage progressif : commencer par quelques actifs critiques, mesurer, puis étendre.
Pour se former aux données de maintenance, à la GMAO et aux capteurs connectés, voir la formation data, GMAO et IIoT en maintenance.
7. Métiers et compétences
La maintenance prédictive ne supprime pas le technicien : il continue d'intervenir, mais il lit des tendances, confirme ou infirme les alarmes et, en renseignant précisément ses interventions, améliore la qualité des données. Autour de lui travaillent l'ingénieur fiabilité (AMDEC, maintenance basée sur la fiabilité), le spécialiste des données industrielles et l'architecte des systèmes connectés.
Deux référentiels structurent les compétences : la certification des analystes vibratoires selon l'ISO 18436-2 (catégories I à IV) et la gestion d'actifs selon l'ISO 55001. Missions, formations et salaires du métier de terrain sont présentés dans la fiche technicien de maintenance prédictive et sa fiche salaire.
En résumé
L'IA prédictive apporte de la valeur sur les actifs critiques, bien instrumentés, dont l'historique est fiable. Les gains publiés par les cabinets de conseil sont des ordres de grandeur divergents : le retour sur investissement se calcule équipement par équipement. Le sujet est autant organisationnel que technique : qualité des données, confiance dans les alarmes, intégration dans le plan de maintenance.
