Le big data pour prédire
Par abus de langage, on parle de prédiction, car il s’agit là de prévisions tellement poussées qu’on s’approche de la divination. Mais il n’en est en fait rien : il s’agit simplement d’utiliser des sources de données très importantes et des algorithmes précis pour définir le meilleur moment pour effectuer la maintenance.

En traitant de très nombreux cas, on arrive a savoir quel sera le moment où la panne surviendra et ainsi prévoir le remplacement de l’équipement juste avant les dysfonctionnements, et ce afin d’éviter toute interruption involontaire qui entraînerait des surcoûts importants. On utilise déjà ce genre de méthodes dans différents cas de figure et on affine tout le temps les prévisions avec les nouveaux cas.

La maintenance prédictive en France

En France, on est souvent en retard sur les autres pays quand il s’agit de nouvelles technologies. Mais pour une fois, nous avons quelques pionniers qui sortent du lot quand on en vient à parler de maintenance prédictive. Certains d’ailleurs n’hésitent pas à dire qu’ils peuvent prédire l’avenir tellement ils ont confiance dans cette technologie, mais d’autres restent plus humbles et proposent simplement des solutions complètes.

Saagie est l’un d’entre eux avec une offre proposant aux entreprises de se lancer dans l’aventure clé en main. Le big data de Saagie permet de réaliser des travaux de maintenance prévisionnelle. Ils se proposent de gérer, du début à la fin, la mise en place de maintenance prédictive grâce à un système de Big Data adapté à l'entreprise.

maintenance

D’où viennent les données ?

Les données utilisées dans la plupart des cas sont simplement celles dont dispose déjà l’entreprise, mais au lieu de les laisser chacune dans leur coin, on va les rassembler en un ensemble appelé « lac de données », ou « data lake » en anglais. Exemple de lac de données utilisé pour une plateforme collaborative.

Dans ces données on va retrouver, par exemple, toutes les données des différents capteurs présents sur les machines industrielles et, quand on rassemble toutes les données de toutes les machines, il devient bien plus facile de définir les défaillances à venir des différentes pièces et procéder à la maintenance avant la panne. Ainsi, aucune perte de temps - et donc de budget - n'est créée.