Maintenance prédictive industrielle : définition, courbe P-F, capteurs, machine learning et démarche

Définition : préventive, conditionnelle, prédictive, prescriptive

Les stratégies de maintenance se distinguent par ce qui déclenche l'intervention. Les normes de terminologie (EN 13306) et les référentiels de surveillance d'état (ISO 17359, ISO 13374) structurent le vocabulaire.

Stratégie	Déclencheur	Ce qu'il faut	Limite
Corrective	La panne	Rien	Arrêts non planifiés, dégâts collatéraux
Préventive systématique	Le calendrier ou le compteur (heures, cycles)	Un plan et une GMAO	Intervient trop tôt ou trop tard ; ne voit pas les pannes aléatoires
Conditionnelle	Un seuil dépassé sur un indicateur d'état	Capteurs + seuils	Ne dit pas quand la panne arrivera
Prédictive	Une prédiction de défaillance avec préavis	Capteurs + historique de pannes + modèle	Exige des cas de panne documentés
Prescriptive	La prédiction plus une recommandation d'action	Tout ce qui précède + connaissance métier	Encore rare en pratique

La maintenance prédictive est donc une maintenance conditionnelle à laquelle on ajoute une dimension temporelle : non seulement « ce roulement se dégrade », mais « il atteindra le seuil de défaillance dans environ trois semaines, planifiez le remplacement au prochain arrêt ».

La courbe P-F : pourquoi le préavis existe

Le concept vient de la maintenance basée sur la fiabilité (RCM, Nowlan & Heap, 1978). Entre le moment où une défaillance devient détectable (point P, « potential failure ») et le moment où l'équipement ne remplit plus sa fonction (point F, « functional failure »), il s'écoule un intervalle P-F. Tout l'enjeu de la maintenance prédictive est de détecter P le plus tôt possible et d'agir avant F.

Deux conséquences pratiques : l'intervalle P-F dépend du mécanisme de dégradation (des semaines pour un roulement qui s'use, des minutes pour une rupture fragile — sur ce dernier cas la prédiction est vaine) ; et la fréquence de mesure doit être nettement plus courte que l'intervalle P-F, ce qui plaide pour la surveillance continue plutôt que pour les rondes mensuelles.

Quels capteurs pour quelle défaillance

Grandeur	Capteur	Défaillances détectées	Équipements types
Vibration	Accéléromètre (analyse spectrale)	Roulements, balourd, désalignement, engrenages	Moteurs, pompes, ventilateurs, broches, réducteurs
Courant / puissance	Pince ampèremétrique, analyse de signature	Surcharge, usure mécanique entraînée, défauts rotor	Tout équipement motorisé — souvent le capteur le plus simple à poser
Température	Sonde, caméra infrarouge	Frottement, lubrification, défauts électriques	Paliers, armoires, connexions
Ultrasons	Capteur ultrasonore	Fuites, décharges partielles, lubrification	Air comprimé, électrique, roulements lents
Huile	Analyse en laboratoire ou en ligne	Usure des pièces, contamination	Réducteurs, hydraulique
Données process et cycle	Automate, capteurs de production existants	Dérive de temps de cycle, micro-arrêts en hausse	Toute ligne suivie en TRS — signal souvent négligé

La dernière ligne mérite attention : un allongement du temps de cycle ou une hausse des micro-arrêts est souvent le premier symptôme d'une dégradation, et il est déjà capté par un système de suivi de production. Avant d'acheter des accéléromètres, regardez ce que disent les données de production.

Le rôle réel du machine learning

Trois niveaux, du plus robuste au plus exigeant :

• Seuils et règles. Alarme quand la vibration dépasse une valeur (normes ISO 10816/20816 pour les niveaux vibratoires des machines tournantes). Simple, explicable, suffisant pour beaucoup d'actifs.
• Détection d'anomalies. Le modèle apprend l'enveloppe « normale » d'un équipement et signale les écarts, sans avoir besoin d'exemples de panne. C'est le niveau le plus accessible en machine learning et souvent le plus utile : il capte des dégradations inconnues à l'avance.
• Prédiction de défaillance / durée de vie résiduelle. Le modèle apprend, à partir de pannes passées, à estimer le temps restant. Il exige des dizaines de cas du même mode de défaillance — ce qui n'existe que pour les équipements nombreux ou les pannes fréquentes. Sur une panne rare, aucun modèle n'apprendra.

Règle pratique : si vous ne pouvez pas citer dix pannes du même type sur les deux dernières années, visez la détection d'anomalies, pas la prédiction.

Les prérequis et les KPI

Avant le modèle : un inventaire des actifs critiques (ceux dont la panne arrête la production ou met en danger), un historique des pannes et des interventions dans la GMAO avec les modes de défaillance, des capteurs installés en continu sur ces actifs, et un destinataire clair pour chaque alerte. Les KPI qui prouvent le résultat : MTBF (temps moyen entre défaillances) en hausse, MTTR (temps moyen de réparation) en baisse parce que l'intervention est planifiée, part des arrêts non planifiés en baisse dans la disponibilité du TRS, taux de fausses alertes maîtrisé — un système qui crie trop est débranché.

Démarche de déploiement réaliste

• Classer les actifs par coût d'une panne (production perdue + réparation + sécurité). Les 10 à 20 % du haut suffisent pour commencer.
• Exploiter d'abord les données existantes : historique GMAO, temps de cycle et micro-arrêts du suivi de production.
• Instrumenter les actifs critiques avec le capteur adapté au mode de défaillance dominant (souvent vibration ou courant).
• Démarrer en conditionnel (seuils, détection d'anomalies) et brancher les alertes sur la GMAO : une alerte doit devenir un ordre de travail.
• Passer au prédictif uniquement sur les modes de défaillance documentés et fréquents.
• Mesurer MTBF, MTTR, arrêts non planifiés et fausses alertes chaque mois, et élaguer ce qui n'apporte rien.

Questions fréquentes

Quelle est la différence entre maintenance préventive et prédictive ?

La maintenance préventive intervient à intervalle fixe (calendrier, heures, cycles) quel que soit l'état réel de l'équipement. La maintenance prédictive intervient sur la base d'une prédiction de défaillance issue de mesures d'état (vibration, courant, température) et d'un historique, avec un préavis qui permet de planifier.

Quelle est la différence entre maintenance conditionnelle et prédictive ?

La conditionnelle déclenche l'intervention quand un indicateur d'état dépasse un seuil ; la prédictive ajoute une estimation du délai avant défaillance (durée de vie résiduelle). La prédictive est une conditionnelle avec une dimension temporelle.

Quels capteurs pour la maintenance prédictive ?

Accéléromètres (vibration) pour roulements, balourd et engrenages ; pinces de courant pour les équipements motorisés ; sondes et caméras de température ; ultrasons pour fuites et lubrification ; analyse d'huile ; et les données de cycle et de micro-arrêts déjà captées par le suivi de production.

Le machine learning est-il indispensable ?

Non. Beaucoup d'actifs se surveillent bien avec des seuils normalisés. Le machine learning apporte la détection d'anomalies (sans exemples de panne) et, lorsque l'historique de pannes est suffisant, la prédiction de durée de vie résiduelle.

Comment mesurer le succès de la maintenance prédictive ?

MTBF en hausse, MTTR en baisse, part des arrêts non planifiés en baisse dans la disponibilité du TRS, et taux de fausses alertes maîtrisé.

Par où commencer ?

Par les actifs dont la panne coûte le plus, en exploitant d'abord l'historique GMAO et les signaux de production existants, puis en instrumentant ces actifs et en démarrant en maintenance conditionnelle avant de passer au prédictif sur les modes de défaillance documentés.