Tirer parti de l’IA pour augmenter les processus de maintenance industrielle

La maintenance, et plus particulièrement dans le domaine industriel, est au cœur des opérations. La qualité et la fiabilité de ces activités sont clés dans la performance et la maximisation de la production, l’optimisation des ressources, le respect des normes et processus, et la maitrise des risques. Dans toutes les industries, ces opérations sont de plus en plus sous-tendues par des outils et leviers IT et digitaux, à tel point qu’on peut considérer qu’ils sont devenus des prérequis essentiels et clés pour soutenir la performance de l’activité (« core business capability »). Les évolutions récentes des modèles d’IA et d’IA Génératives ont permis ces derniers mois d’en étendre et d’en diffuser très largement l’usage dans le grand public et certaines entreprises, notamment à travers la recherche de cas d’usage concrets, porteurs de valeur, et implémentables. On entrevoit mieux les possibilités offertes par ces outils, et la nécessité d’en traduire les promesses dans le monde réel du quotidien. Dans le cas des processus de maintenance, L’IA et l’IA Générative peuvent, sans les dénaturer, venir augmenter les process existants et ainsi répondre à certains enjeux clés liés aux opérations de maintenance au sens large. Ces processus de maintenance peuvent être de type correctif, préventif, conditionnel ou systématique, et peuvent concerner tous types d’industrie (énergie, biens manufacturés, automobile, pharmaceutique, BTP etc.) et tous types d’équipements (usines, centrales de production, chaines de montage, réseaux, etc.). L’IA peut ainsi simplifier les opérations (automatisation des tâches, etc), améliorer l’opérabilité (fiabiliser, respecter, tracer, exploiter), et finalement améliorer la capitalisation (sur les données, les savoirs, l’amélioration continue etc.) tout au long de la chaîne de valeur de la maintenance : avant, pendant et après les opérations.

Pour une planification plus efficace

 Habituellement, l’équipe de maintenance planifie les interventions sur le terrain en fonction d’un plan de maintenance prédéterminé et propre aux équipements, ou en réponse à des problèmes et anomalies signalés, automatiquement ou non, en s’appuyant notamment sur les gammes de maintenance.Pour aller plus loin, une IA peut aussi analyser les données historiques du système ERP, et de la GMAO, et, en fonction des plans de maintenance préconisés, des pannes remontées et des calendriers de production, optimiser la planification des interventions de maintenance. En prenant également en compte des facteurs tels que la criticité des équipements et les fenêtres de disponibilité, une IA peut recommander le calendrier de maintenance le plus efficace pour minimiser les interruptions de production tout en maximisant la fiabilité des actifs. Il s’agit concrètement d’élaborer des propositions de scénarios tactiques.L’IA peut également permettre d’optimiser l’allocation des ressources en favorisant une assignation adéquate des ressources sur les tâches à accomplir en croisant les compétences et certifications des techniciens stockées dans le système RH avec lequel elle est interfacée, et les opérations à venir.D’un point de vue plus long terme, les équipes RH pourront s’appuyer sur un modèle d’IA pour optimiser le portefeuille de compétences en croisant référentiels des habilitations et compétences avec les besoins métier, également mieux anticiper le renouvellement des certifications, qui est aujourd’hui un processus chronophage avec de forts enjeux. Ce planning optimisé est ensuite communiqué automatiquement au superviseur du technicien pour validation, puis vers le technicien en question fournissant l’ensemble des détails nécessaires à son intervention (tâches, équipements requis, etc.). 

Une préparation mieux alignée avec les besoins opérationnels

 Avant que le technicien ne commence la visite, il doit rassembler l’équipement, les outils et la documentation nécessaires à son intervention. Cela peut inclure des procédures, des équipements de sécurité, des pièces de rechange ou encore des instruments de diagnostic. Normalement, ces éléments sont documentés dans les gammes de maintenance. Dans le cadre notamment d’un correctif, une IA peut, via la GMAO générer automatiquement une liste de contrôle des équipements (checklist), des outils et de la documentation requis en fonction de l’intervention prévue. Si elle est correctement interfacée avec le SI logistique (stocks entrepôts et stocks en véhicules d’intervention), elle peut éventuellement aller jusqu’au déclencher un ordre de réapprovisionnement en adéquation avec les interventions prévues si la gestion des stocks n’est pas déjà intégrée avec la GMAO. 

Une meilleure gestion des risques HSE

 La sécurité est primordiale dans toute activité de maintenance. Généralement et en fonction de la nature de l’intervention, mais aussi des pratiques propres à l’entreprise et à la règlementation, un briefing de sécurité a lieu, mettant en évidence les dangers potentiels dans l’environnement de l’usine ou du site (travaux sous tension, travail en hauteur, environnement ATEX, matières dangereuses etc.), rappelant les protocoles de sécurité et les règles. Dans ce cadre, une IA générative peut préparer des briefings de sécurité personnalisés aux techniciens en fonction de leur rôle, de leur niveau d’expérience et des dangers spécifiques présents dans l’environnement d’intervention. On peut ainsi adapter de manière dynamique le contenu du briefing pour mettre en évidence les protocoles de sécurité et les procédures d’urgence pertinents. Ensuite, durant d’intervention, ce contenu restera accessible, et le technicien pourra poser des questions ou demander des informations de sécurité supplémentaires grâce à une interaction vocale avec un agent conversationnel (chatbot), motorisé par une IA générative, qui pourra rappeler les procédures à suivre dans telle ou telle situation. 

Guider le technicien et améliorer la prise de décision

 Lors de son intervention, le technicien visite l’usine et inspecte systématiquement divers actifs tels que les machines, les équipements et les infrastructures. Il inspecte visuellement les signes d’usure, de dommages, relève des métriques et des indicateurs afin de détecter d’éventuelles anomalies et d’agir en conséquence. Grâce aux données de la GMAO, du SIG (Système d’Information Géographique) et de la surveillance en temps réel des capteurs IoT installés sur les équipements, l’IA peut optimiser ces itinéraires d’inspection, en prenant en compte la répartition spatiale des actifs, les priorités de maintenance et les contraintes d’accessibilité. Tout au long de sa tournée d’inspection, le technicien est ainsi guidé dans son intervention par une IA qui orchestre le processus d’intervention, en lien avec les procédures, règles métier, et les outils tels que la GMAO. L’IA permet ainsi de recalculer en temps réel le meilleur itinéraire en fonction des aléas et re priorisations basées sur les données des différents systèmes. Le technicien peut demander une assistance au diagnostic à l’agent conversationnel, qui fournit des instructions sur base de la documentation et des procédures réunies en phase de préparation. Il peut s’agir de vérifier la valeur d’un couple de serrage, de comparer un relevé de pression ou de tension avec la valeur nominale attendue, etc. Le technicien peut également et toujours, dans des situations plus spécifiques, obtenir le support d’un expert ou de pairs, à distance en direct pour résoudre des problèmes plus complexes ou en cas d’anomalies non ou mal documentées. Certains modèles d’IA spécifiques au traitement de l’image peuvent aider le technicien à analyser des photos ou vidéos prises avec son smartphone ou sa tablette durcie, notamment en les comparant avec la documentation ou un historique de maintenance sur l’équipement en question. Plus globalement, une IA qui s’appuie sur des données historisées de bonne qualité peut aider à optimiser les processus prédictifs. L’IA peut analyser les données des capteurs en temps réel pour détecter les premiers signes de dégradation des équipements ou de pannes imminentes. De plus, en appliquant des algorithmes d’apprentissage automatique aux données historiques des capteurs, l’IA peut identifier des modèles indiquant des modes de défaillance spécifiques. L’IA fournit ensuite des recommandations au technicien pour les tests de diagnostic basés sur les symptômes observés, le guidant tout au long du processus de dépannage et interprétant les résultats en temps réel. 

Un meilleur suivi des procédures pour fiabiliser les opérations sur site

 Au cours de la visite, le technicien peut identifier des problèmes mineurs qui peuvent être résolus immédiatement.S’appuyant sur la base de connaissances, les spécifications des équipements et les procédures de maintenance qui sont parfois accessibles en ligne ou hébergées sur des serveurs internes à l’entreprise, l’IA peut fournir des conseils en temps réel aux techniciens pour effectuer des réparations et des réglages mineurs. Elle peut recommander des paramètres optimaux ou des étapes de dépannage en fonction des symptômes observés, permettant ainsi aux techniciens de résoudre les problèmes plus efficacement. L’IA fournit ainsi des instructions étape par étape sur l’appareil mobile du technicien, le guidant dans des tâches de maintenance avec des repères visuels et des annotations. Il peut à tout moment interroger l’IA en langage naturel (chatbot vocal) pour demander des éclaircissements supplémentaires ou de suspendre/reprendre le processus de guidage selon les besoins.

Mieux documenter les interventions

 Tout au long de l’inspection, le technicien documente ses conclusions et enregistre ses observations, les mesures réalisées et les résultats des tests. Ces données fournissent des informations précieuses sur l’état des actifs et aident à prendre des décisions de maintenance éclairées. L’IA peut compléter et automatiser ce processus de documentation en extrayant les informations pertinentes des manuels de maintenance, des spécifications des équipements et des enregistrements de maintenance historiques. Elle peut également y ajouter les enregistrements vocaux du technicien convertis en textes grâce aux algorithmes de traitement du langage naturel (NLP), un résumé de ses notes, ainsi qu’une analyse des photos et des vidéos jointes. Elle peut générer des propositions de rapports structurés résumant les conclusions de l’inspection, les résultats des tests et les recommandations du technicien renseignés tout au long de la tournée, et réduisant ainsi le temps consacré à la saisie manuelle des données et garantissant la cohérence et l’exactitude de la documentation. 

Mieux anticiper et optimiser les futures opérations de maintenance

 Les données collectées pendant l’intervention permettent de formuler des recommandations pour anticiper les futures opérations, fonction des défauts, des usures constatées, des plans de maintenance. Sur base de ces données, une IA peut factualiser cette analyse et générer des propositions de recommandations personnalisées pour les tâches de maintenance préventive, l’optimisation des stocks de pièces de rechange et les mises à niveau des équipements. Elle peut hiérarchiser ces recommandations basées sur une analyse coûts-avantages, une évaluation des risques et des considérations de conformité réglementaire, permettant ainsi aux planificateurs de maintenance de prendre des décisions éclairées pour optimiser la fiabilité et les performances des actifs. Dans le cas d’une entreprise qui exploiterait plusieurs sites semblables en termes de procédés ou de typologies, une IA générative peut également favoriser le déploiement et l’harmonisation de bonnes pratiques via l’analyse et la synthèse de comptes-rendus d’interventions de même typologie, de retours d’expériences croisés, et enrichir les boucles d’amélioration Cela est notamment possible grâce à la réalisation d’un benchmark interne des différentes méthodes utilisées et performances de maintenance afin d’encourager l’amélioration continue de tous les acteurs. Suivant la même logique, l’IA Générative peut faciliter la mise à jour et l’évolution des gammes et programmes de maintenance, ainsi que l’ensemble des référentiels techniques, procédures, des actifs.

A travers différents cas d’usage, des modèles d’IA peuvent faciliter et motoriser les processus existants. Dans ce cas précis de la maintenance, avant, pendant et après les opérations, qu’il s’agisse d’automatiser certaines tâches, d’analyser plus rapidement, de mieux planifier, ou encore de mieux interroger les systèmes. Même si une IA est en mesure de formuler des propositions, d’établir des diagnostics et de fluidifier certaines opérations quotidiennes, la décision revient toujours à l’humain. Il est indispensable que la proposition soit systématiquement revue, validée ou corrigée, et endossée par les collaborateurs et leur management. Les processus internes de l’entreprise, y-compris ceux liés à la gouvernance, doivent préalablement être clairs, documentés et partagés par tous. L’accessibilité de l’IA aux données et systèmes ne doit d’ailleurs pas être un facteur limitant, et dépend plus directement de la nature des opérations de l’entreprise, de ses politiques internes, règles de cybersécurité et de confidentialité de la donnée au sens large. De plus, il est important de noter que cette mise en œuvre requiert que la qualité des données d’entrée soit satisfaisante (données des systèmes), et que l’ensemble des procédures, méthodologies, règles métier soient suffisamment documentées pour fournir une base de travail solide aux différents modèles d’IA. Il est également important de noter que l’optimisation de ces processus de travail apporte obligatoirement son lot de changements, et les plus impactés sont les techniciens sur le terrain. Un accompagnement au changement de ces populations est donc essentiel pour une mise en œuvre réussie de ces technologies, et en maximiser l’adoption. Plus largement, des opérations fluides et outillées au bon niveau constituent un facteur d’attractivité certain pour les entreprises qui s’investissent pleinement dans cette démarche.