Q1 — Bénéfice sur la disponibilité (Deloitte 2023)

Bonne réponse : B. +20% de disponibilité des équipements.

L'étude Deloitte (2023) mesure une augmentation de 20% de la disponibilité des équipements dès les 18 premiers mois après digitalisation de la maintenance, conjointement à une réduction de 25% des coûts de maintenance.

Q2 — Les 4 révolutions industrielles

Bonne réponse : C. Industrie 3.0 — Automatisation (1969).

L'Industrie 3.0, qui débute avec l'invention des automates programmables (PLC) en 1969, voit l'émergence de l'informatique industrielle et des premières GMAO dans les années 1980. C'est la révolution de l'automatisation et du contrôle numérique.

Q3 — Les 5 briques de la Maintenance 4.0

Bonne réponse : C. IIoT, GMAO, IA/ML, Digital Twin, Cloud/Edge Computing.

Ces 5 briques technologiques sont complémentaires : l'IIoT collecte les données terrain, la GMAO les structure, l'IA les analyse pour prédire, le jumeau numérique simule l'équipement, et le Cloud/Edge assure le traitement et le stockage.

Q4 — Réduction des pannes imprévues

Bonne réponse : C. -70% de pannes imprévues.

La maintenance prédictive sur équipements instrumentés permet de réduire de 70% le nombre de pannes imprévues. C'est l'un des KPI phares cité dans les projets industriels documentés, conjointement à -25% de coûts et +20% de disponibilité.

Q5 — Les 3 couches d'un CPS

Bonne réponse : A. Couche physique → Couche réseau → Couche cyber.

Un Cyber-Physical System industriel s'articule toujours selon ces 3 couches : la couche physique (capteurs, actionneurs) perçoit le monde réel ; la couche réseau (OPC-UA, MQTT, 5G) transporte les données ; la couche cyber (IA, jumeaux numériques) traite et décide.

Q6 — Rôle de l'Edge Computing

Bonne réponse : C. Traitement local avec latence inférieure à 5 ms.

L'Edge Computing se distingue du Cloud par sa capacité à traiter les données directement sur site, avec une latence inférieure à 5 ms. C'est indispensable pour les décisions critiques (arrêts d'urgence, contrôle process temps réel) qui ne peuvent attendre une aller-retour vers le cloud (50 à 200 ms).

Q7 — Véracité des données (4V du Big Data)

Bonne réponse : C. 30 à 40% des capteurs industriels.

La Véracité est souvent le V le plus problématique en maintenance industrielle : 30 à 40% des capteurs présentent des données aberrantes dues à la dérive de calibration, aux parasites électromagnétiques, aux vibrations excessives ou à la simple défaillance du capteur lui-même.

Q8 — Niveau de maturité le plus répandu

Bonne réponse : B. Niveau 2 — Géré (environ 45% des sites).

Le niveau 2 (Géré) est le plus répandu dans l'industrie française : la GMAO est installée, des plans de maintenance préventive existent, mais les systèmes ne sont pas encore intégrés et les décisions ne sont pas encore data-driven. C'est la cible minimale à atteindre pour toute entreprise industrielle.

Q9 — Définition des KPI dans la feuille de route

Bonne réponse : C. Étape 3 — Lancer un pilote.

Lors du lancement du pilote (étape 3), les KPI de succès doivent impérativement être définis a priori — avant de commencer — pour pouvoir comparer la situation après intervention avec la baseline mesurée à l'étape 1. Sans cette mesure de départ, il est impossible de démontrer le ROI du projet.

Q10 — Délai de ROI pour la maintenance prédictive

Bonne réponse : C. 24 à 36 mois.

La transition vers la maintenance prédictive (niveau 3 → niveau 4) nécessite un investissement de 200 000 € à 1 M€ selon le périmètre, avec un retour sur investissement attendu en 24 à 36 mois. À maturité, le ROI moyen est de 2,4x sur 3 ans.