Photo: LeoWolfert/iStock/Getty Images Plus/Getty Images
Le philosophe grec Héraclite est connu pour avoir dit que « le changement est la seule constante dans la vie ». À son époque, les problèmes auxquels nous sommes confrontés aujourd’hui dans le domaine de la maintenance n’existaient pas. Cependant, tout ce temps plus tard, le dicton reste vrai, et les entreprises qui ne s’adaptent pas au changement permanent resteront à la traîne. Bon nombre des technologies que nous voyons aujourd’hui dans le monde n’ont été vues que dans des films de science-fiction il y a quelques années.
Comme le reste du monde, la maintenance est en constante évolution. De toute évidence, les valeurs fondamentales demeurent, mais la manière dont les choses sont faites continue de changer. Nous assistons à des avancées en matière d’intelligence artificielle (IA), d’utilisation des données et des diagnostics, d’externalisation de la maintenance, de concentration sur la maintenance prédictive et de concentration sur de nombreuses autres nouvelles technologies.
MRO a contacté des experts issus de toute la sphère de la maintenance et de la gestion des actifs, afin d’obtenir un aperçu complet de ce que l’avenir réserve au monde de la maintenance. Parmi eux, Hugh Alley, président de First Line Training Inc, Richard Kunst, président-directeur général de Kunst Solutions, Susan Lubell, consultante principale de Steppe Consulting Inc, James Reyes-Picknell, président et consultant principal de Conscious Asset, et Cliff Williams, auteur et expert en gestion d’actifs.
Dans cinq ans, il y aura davantage de capteurs adaptables qui fourniront des données de diagnostic sur l’état de l’équipement et qui se connecteront sans fil. Certains fabricants d’équipements commenceront à prendre au sérieux la sécurité des données, et de plus en plus d’opérations de maintenance rechercheront une connectivité sécurisée ; le simple fait d’être connecté ne suffira plus.
Dans 10 ans, les fabricants d’équipements et les organisations de services de maintenance proposeront de plus en plus de services de disponibilité, en exploitant les données qu’ils collectent.
Les capteurs sont de moins en moins chers, de plus en plus rapides et leurs capacités sont de plus en plus étendues. Si l’on ajoute à cela la largeur de bande et la vitesse des autoroutes de données, nous assisterons à une migration de la maintenance préventive vers la maintenance prédictive grâce à la détection précoce d’anomalies subliminales permettant des réparations plus rapides, moins coûteuses et plus faciles. Il est désormais très rentable de construire plusieurs couches de redondance au sein d’un système automatisé, et les réparations peuvent être effectuées sans qu’il y ait de temps d’arrêt réel du traitement. L’aspect le plus intéressant est que nous serons conscients d’un problème potentiel avant même de nous en rendre compte physiquement.
Au cours des cinq prochaines années, nous continuerons à assister à des changements radicaux dans l’utilisation de la maintenance prédictive pour la surveillance de l’état des actifs. Les capteurs et la surveillance des conditions devenant moins chers à installer et pouvant être placés dans des environnements plus dangereux, nous recueillerons davantage de données sur l’état des actifs en temps réel, 24 heures sur 24, 7 jours sur 7 et 365 jours par an. Cette analyse éclairera nos décisions en matière d’exploitation, de réparation et de remplacement des actifs physiques, en nous fournissant les informations nécessaires pour décider du moment de la maintenance des actifs physiques et de l’étendue de la réparation.
Compte tenu des progrès réalisés au cours des dernières années, il est impossible de prédire dans dix ans quelles nouvelles données et informations les technologies futures permettront d’obtenir.
À court terme, les pressions concurrentielles poussent à la productivité et, à l’exception des nouvelles installations et des nouveaux équipements, les entreprises sont confrontées à des problèmes de fiabilité. C’est la raison pour laquelle l’accent est mis sur la fiabilité à l’heure actuelle. Au cours des cinq prochaines années, nous assisterons à une remise à zéro, à un retour aux sources en matière de fiabilité (tactiques de maintenance) et de pratiques de gestion du travail. Des processus et des systèmes sont en place, mais ils sont souvent mal utilisés et peu efficaces. La main-d’œuvre a perdu beaucoup d’expérience avec le départ à la retraite d’un grand nombre de personnes pendant et peu après la conférence COVID-19. Alors qu’il reste relativement peu de baby-boomers et que, dans la plupart des cas, aucune tentative n’a été faite pour capter leurs connaissances, les entreprises réalisent à quel point elles dépendaient d’eux. Elles répètent d’anciennes erreurs et se rendent compte que leurs méthodes ne sont pas aussi systématiques qu’elles le pensaient.
À plus long terme (10 ans), nous assisterons à une évolution vers l’externalisation de la maintenance dans les petites, moyennes et grandes entreprises industrielles. Les tentatives de résolution des problèmes susmentionnés ne seront pas entièrement couronnées de succès en raison du manque de volonté d’investir suffisamment dans la maintenance et de l’épuisement continu de l’expérience. Se rendant compte qu’ils ne sont pas aussi bons qu’ils le voudraient en matière de maintenance et qu’ils sont apparemment incapables de gérer les changements, ils se tourneront vers une expertise extérieure – non pas en matière de conseil, mais pour déléguer l’ensemble de la fonction. Cela ouvrira la porte à un grand changement, en particulier en Amérique du Nord, où l’externalisation n’a pas été populaire, de la gestion interne de la maintenance et de la fiabilité à la dépendance à l’égard de spécialistes externes qui la traitent comme une activité, et pas seulement comme un centre de coûts gênant.
Il est évident que l’IA et l’apprentissage automatique constitueront des avancées – la question est de savoir dans quelle mesure ils seront efficaces dans le cadre de la maintenance et de la fiabilité courantes. Nombreux sont ceux qui n’ont pas les bases d’une bonne maintenance et d’une bonne fiabilité, qui n’apprécient pas ou n’utilisent pas les données qu’ils ont – ou qu’ils devraient avoir – et qui sont donc sceptiques quant à la manière dont ils tireront profit des avancées. Lors de la conférence de la Society for Maintenance & Reliability Professionals (SMRP), les vendeurs de technologies d’IA étaient les plus nombreux, mais ils ne vendaient que la technologie et pas nécessairement les solutions. Celles-ci dépendront de la connaissance et de la compréhension de ce qui produit des résultats dans les organisations de maintenance et de fiabilité. Cela impliquera également beaucoup de changements dans les approches, les rôles, les responsabilités, et nous avons prouvé à maintes reprises que nous n’étions pas à la hauteur en matière de gestion du changement.
L’IA concerne la reconnaissance de modèles multidimensionnels. Elle exige de très grands ensembles de données, qui ne seront disponibles que pour les organisations gérant de grandes quantités d’équipements. Cela posera des problèmes aux petites entreprises, qui n’auront pas la capacité d’analyse ou la quantité de données nécessaires. Les services de maintenance spécialisés auront donc la possibilité de regrouper les données et, grâce à la meilleure compréhension qu’ils en tireront, ils seront en mesure d’offrir une meilleure disponibilité aux petites entreprises. Les fabricants auront également la possibilité de fournir des services de surveillance et d’agréger les données de performance des équipements qu’ils construisent, ce qui leur permettra de déterminer les points à améliorer et de fournir de meilleures indications sur les besoins de maintenance. Les fabricants seront donc en mesure de développer des flux de revenus continus en partageant avec eux les résultats des données d’un client.
Si nous évaluons nos efforts de maintenance en termes de fréquence et de gravité, je pense que la gravité diminuera considérablement grâce à une meilleure détection précoce des problèmes potentiels, avant qu’ils n’entraînent des conséquences catastrophiques telles qu’une panne de machine. Toutefois, il serait raisonnable de s’attendre à ce qu’un plus grand nombre de demandes de maintenance mineure soient effectuées.
Les énormes quantités de données collectées sont stupéfiantes. Nous aurons besoin de techniques d’IA pour élaborer des modèles et des cadres analytiques afin d’exploiter et d’analyser les données, de les transformer en informations et de nous permettre de prendre des décisions commerciales. L’espace des opérations de maintenance n’est pas différent. La collecte croissante de données de surveillance de l’état des actifs doit être analysée pour être utile aux décisions commerciales, ce qui nécessitera l’utilisation de l’IA.
La qualité des données s’améliorera au fur et à mesure que les entreprises s’orienteront vers l’installation de capteurs et la collecte de données non humaines. Cela permettra une performance plus fiable des outils de prédiction/pronostic qui sont actuellement entravés par des données de maintenance de mauvaise qualité, qui manquent souvent de la granularité nécessaire pour être utilisées pour l’analyse de la fiabilité. Les algorithmes déterministes actuellement utilisés gagneront en valeur à mesure que la qualité des données qui les alimentent s’améliorera. qualité des données qui les alimentent.
Avec davantage de capteurs et de données, la porte s’ouvrira aux scientifiques des données qui pourront appliquer des outils analytiques plus généraux pour trouver des relations, des corrélations, et aider à identifier où nous pouvons trouver la causalité de ces corrélations. Nous devrons toujours intervenir pour prendre ces dernières décisions, car les outils d’analyse ne « savent » pas ce qui se passe en dehors des données numériques.
à part les données numériques. Tout cela permettra d’évoluer vers une plus grande dépendance à l’égard de la maintenance conditionnelle et pourrait révéler à ceux qui restent sceptiques aujourd’hui la corrélation entre l’excès de travaux d’inspection et de révisions et la baisse de la fiabilité. On aura de plus en plus besoin d’ingénieurs en fiabilité qui, à leur tour, auront besoin d’une formation plus poussée en analyse et en science des données. d’une meilleure formation en analyse et en science des données.
Les activités de surveillance de routine deviendront moins nécessaires car il devient moins cher et plus facile de connecter des capteurs sans fil. La maintenance préventive basée sur le temps sera remplacée par une maintenance prédictive basée sur l’état.
Si nous évaluons nos efforts de maintenance en termes de fréquence et de gravité, je pense que la gravité diminuera considérablement grâce à une meilleure détection précoce des problèmes potentiels, avant qu’ils n’entraînent des conséquences catastrophiques telles qu’une panne de machine. Cependant, il serait raisonnable de s’attendre à ce qu’un plus grand nombre de demandes de maintenance mineure soient effectuées.
Plus vous fournissez de données à l’IA, plus celle-ci vous aidera efficacement. À l’instar de l’usinage CNC, où vous pouvez entrer un « paramètre d’usure de l’outil » pour que la machine vous indique quand remplacer un outil spécifique. Nous devons jeter un regard neuf et développer des paramètres que nous ne surveillons pas activement, comme les températures, l’ampérage et les vibrations, nous disposons de la technologie de détection, mais nous n’avons pas créé de limites de contrôle supérieures et inférieures. Nous disposons de la technologie de détection, mais nous n’avons pas créé de limites de contrôle supérieures et inférieures.
L’accent étant mis de plus en plus sur la maintenance prédictive et la surveillance de l’état des actifs en temps réel et en continu, les activités de maintenance vont évoluer vers davantage d’analyse et d’interprétation des données et des informations. La compréhension et l’exécution fondamentales des activités de maintenance ne disparaîtront pas, mais l’accent et le temps passé seront davantage consacrés à l’interprétation analytique et à la prise de décision sur la manière de réagir, suivies de stratégies de réparation plus ciblées.
Nous constatons déjà une diminution de la tendance à effectuer des réparations au niveau des composants et des assemblages, au profit de l’échange de pièces et d’assemblages. Certains assemblages sont encore réparés, mais moins par les ateliers internes. Cette tendance va se poursuivre avec deux résultats possibles. Pour ceux qui investissent dans la capacité et les connaissances nécessaires pour effectuer un dépannage efficace, les délais de réparation sont susceptibles de diminuer, ce qui pourrait contribuer à une baisse de la charge de travail globale.
Pour ceux qui n’investissent pas dans ces capacités et ces connaissances, cela conduira à une utilisation accrue des pièces et des assemblages, car ils seront remplacés sans savoir s’ils ont besoin de l’être. C’est déjà le cas dans le domaine de l’électronique, où les cartes de circuits et les modules sont remplacés pour accélérer les réparations, sans savoir s’ils sont défectueux. Ce phénomène s’étendra au monde de la mécanique, en raison de la perte d’expérience et d’expertise qui est en cours aujourd’hui. Malheureusement, ce qui disparaîtra dans de nombreux cas, c’est la capacité de dépanner efficacement. capacité à résoudre les problèmes de manière efficace.
Non, j’espère que non, nous voyons encore des organisations qui ne font pas ce qu’elles devraient faire, l’espoir est que nous n’éliminions aucune activité, mais que nous progressions vers l’utilisation des bonnes activités pour la situation spécifique.
Il s’agit avant tout de former le personnel. Le personnel de maintenance aura toujours besoin de compétences techniques, mais il devra aussi savoir comment exploiter les informations fournies par de grandes quantités de données. Il est peu probable que ces compétences soient disponibles « dans la rue ». Il était plus facile de recruter les compétences dont vous avez besoin il y a 30 ans, lorsque les commandes de la plupart des machines et des équipements étaient mécaniques. Si vous saviez comment fonctionnaient les systèmes hydrauliques et mécaniques, vous pouviez réparer à peu près tout. Dans les années à venir, cela ne fonctionnera plus ; les besoins spécifiques de chaque entreprise seront différents parce que leur combinaison spécifique d’équipements et de produits sera unique. Par conséquent, les entreprises devront être en mesure d’acquérir ces compétences en les appliquant à chacune de leurs machines spécifiques. Elles devront également être en mesure de conserver et d’enseigner ce qu’elles ont appris au fur et à mesure que le personnel évolue.
Cela signifie que les responsables de la maintenance devront devenir de meilleurs instructeurs et mieux maîtriser les compétences nécessaires au développement de la pensée scientifique. Ce sont là des compétences que les entreprises peuvent commencer à développer dès maintenant et qui seront presque immédiatement rentables. Pour les dirigeants qui possèdent ces capacités, les nouvelles technologies offriront de nombreuses opportunités.
Transformez votre manuel d’utilisation en empreinte numérique et assurez-vous que toutes les actions correctives sont enregistrées numériquement. Bien entendu, la construction de votre base de données nécessite toujours une intervention manuelle. Ainsi, les contrôles quotidiens de la maintenance productive totale (TPM) et l’enregistrement des anomalies constituent le fondement de la création d’une IA plus efficace.
La gestion des actifs et des informations de maintenance est l’un des domaines qui commence à susciter le plus d’intérêt. Nous devons réfléchir aux questions auxquelles nous voulons répondre dans trois ou cinq ans et structurer nos données de manière à pouvoir le faire. Demandez-vous si votre registre des actifs est complet. Savez-vous quels sont les biens que vous possédez ? Connaissez-vous la valeur qu’ils apportent à votre organisation ? Tenez compte des coûts, des risques et des performances en termes de sécurité, de santé, d’environnement, d’économie, d’obligations réglementaires, d’aspects sociaux et de gouvernance. L’information est un actif en soi et doit être gérée comme tel. La collecte de données sans but précis devient rapidement difficile à gérer et est souvent ignorée.
En ce qui concerne les connaissances et les compétences en matière de technologies de l’information et de télécommunications, la plupart des opérations en disposent déjà. Nombre d’entre elles ont déjà déployé des technologies qui sont sous-utilisées ou pas du tout utilisées. Les technologies disponibles ont, dans de nombreux cas, dépassé la capacité à les utiliser de manière efficace. En fait, ces systèmes génèrent souvent du travail rien que pour se maintenir en activité. Le danger auquel nous sommes confrontés ne réside pas dans le manque de capacités techniques, mais plutôt dans le fait de sauter sur des solutions technologiques avant de savoir vraiment ce qu’on va en faire.
Je constate qu’il y a un peu de « prêt, tirez, visez ». Il faut viser davantage et plus tôt, avant de décider de la technologie et de son déploiement. Il sera nécessaire de trouver et/ou de développer une certaine expertise dans les processus de production, les équipements et les systèmes industriels (pas seulement l’informatique), en collaboration avec les responsables de la maintenance, les opérateurs et les ingénieurs de fiabilité, afin d’aider à orienter la nécessité et le déploiement de la technologie là où elle peut être utile.
Planifier les remplacements sur la base des dernières technologies – comprendre ce que la technologie peut apporter et comment elle s’intègre dans l’organisation – identifier les opportunités par des mesures de référence de la situation actuelle et fixer des objectifs à atteindre grâce à la technologie. Former et informer toutes les personnes concernées et gérer le changement.
Alors que notre appétit pour les données ne cesse de croître, nous devons augmenter notre capacité sans fil dans nos locaux. Pour de nombreuses entreprises, cela nécessitera probablement une révision de leurs politiques électroniques, car les smartphones continuent d’être une extension de la capacité humaine, les empêcher d’accompagner les gens dans les environnements de travail limitera l’utilisation efficace de l’IA et l’amélioration de l’efficacité des employés.
Notre capacité « industrielle de base » (usines et équipements anciens) comporte beaucoup d’infrastructures vieillies. Les investissements dans ces industries de base ont été largement dirigés vers l’étranger, ce qui a permis à notre capacité de vieillir et de se dégrader. L’impact de COVID-19 sur la chaîne d’approvisionnement a été un signal d’alarme concernant la mondialisation, la trop grande dépendance à l’égard du « juste à temps » et l’excès de « lean ». Le monde est beaucoup moins stable qu’il y a quelques années. Pour maintenir nos capacités, afin d’être moins vulnérables aux calamités et aux perturbations mondiales, nous devons maintenir cette capacité industrielle de base et une partie de sa capacité.
Dans le plus pur style de la gestion des actifs, il s’agirait des systèmes que nous utilisons, des processus que nous employons, des mesures que nous prenons et de la culture que nous construisons – tout est une question de personnes. Mettre à jour l’équipement tout en employant des pratiques défectueuses ne fonctionnera pas, ne pas avoir les bonnes données ou avoir un moyen de transformer ces données en connaissances et finalement en sagesse devrait être le point de départ où nous pouvons alors, en toute confiance, comprendre l’actif qui a besoin d’être mis à jour – et pas avant.
Comme de nombreux secteurs, le monde de la maintenance est en train de perdre un grand nombre de techniciens extrêmement compétents en raison du départ à la retraite des baby-boomers. Un grand nombre de connaissances est en train de s’envoler. Pour de nombreuses entreprises dotées de systèmes de gestion de la maintenance limités, cette perte peut être considérable. Chez un de mes clients, l’ensemble du personnel de maintenance a été remplacé en deux ans et le nouveau superviseur doit reconstruire l’ensemble de la base de connaissances de l’établissement.
Les organisations qui peuvent capturer ces connaissances avant qu’elles ne partent auront une longueur d’avance sur la concurrence. Si les nouvelles technologies peuvent être utiles, la discipline sous-jacente de développement du travail standard dépend des dirigeants qui sont engagés dans l’objectif de fournir un temps de fonctionnement fiable et qui sont capables de convaincre les chefs d’entreprise de la nécessité de bien entretenir leurs actifs.
Nous assistons à des progrès considérables dans l’utilisation des technologies, des capteurs et de l’analyse des données pour faire avancer la maintenance prédictive et la surveillance de l’état des actifs. Il est important de prendre des décisions réfléchies sur la nature et la manière dont nous utiliserons les données collectées, sur la manière dont nous les analyserons et sur les décisions de maintenance qu’elles permettront de prendre. Sinon, nous serons noyés dans les données et affamés d’informations, alors que nous voulons être en mesure de collecter des données sur la maintenance et les actifs et de les transformer en informations qui permettent de prendre des décisions commerciales.
L’histoire se répète parce que les organisations n’ont pas su tirer les leçons du passé. Ne sous-estimez pas l’impact de la démographie sur votre main-d’œuvre, votre expertise interne, vos compétences et votre capacité. Attendre trop longtemps pour saisir les connaissances restantes prolongera la douleur d’une capacité réduite et augmentera la probabilité d’erreurs répétées. La jeune main-d’œuvre est intelligente, compétente en matière de technologie et désireuse d’apprendre, mais elle perd rapidement les conseils expérimentés dont vous pouvez encore disposer.
Laisser un commentaire