Améliorer la fiabilité des presses hydrauliques grâce à la maintenance prédictive, aux systèmes experts basés sur des règles et au machine learning
C’est précisément là que la maintenance prédictive apporte une valeur mesurable. En analysant les données des équipements et en identifiant le moment optimal pour intervenir, les stratégies prédictives réduisent les arrêts non planifiés, prolongent la durée de vie des actifs et rendent les procédures de maintenance plus rentables. Résultat : une efficacité accrue, moins de gaspillage et des économies significatives transformant la maintenance d’une dépense réactive en un avantage stratégique proactif.
La demande mondiale de « smart factories » stimule une croissance rapide de la maintenance prédictive. Selon un rapport de Research Nester (8 mai 2025), le marché atteindra 14,04 milliards USD en 2025, contre 11,24 milliards USD en 2024. Plus impressionnant encore, il devrait dépasser 379 milliards USD d’ici 2037, avec un taux de croissance annuel composé (CAGR) de 31 %.
La maintenance prédictive sur le terrain
À quoi cela ressemble-t-il en pratique ? Prenons la presse hydraulique, un élément essentiel de la production automobile. Ces systèmes sont sujets à divers problèmes : fuites d’huile, instabilité de la pression, surchauffe, niveaux de fluide insuffisants, lenteur, usure des joints, pompes et filtres — autant de facteurs qui peuvent provoquer des arrêts coûteux s’ils ne sont pas détectés à temps.
Lors de la conception d’une stratégie de maintenance prédictive, une question clé se pose : quelles données mesurer, et comment révèlent-elles les premiers signes d’usure ? Dans les systèmes hydrauliques, l’usure est l’une des plus grandes préoccupations, mais elle est difficile à mesurer directement. Les fabricants s’appuient donc sur des indicateurs indirects recueillis par de multiples capteurs.
Exemples :
- Les fuites dans les pompes et moteurs peuvent être détectées à l’aide de capteurs de débit, mais les mesures doivent être croisées avec la pression, la vitesse et la température pour obtenir une vision précise de l’état de santé des équipements.
La cavitation, causée par des bulles d’air ou de contaminants dans le fluide hydraulique, peut être détectée par des capteurs de vibration et de son. Non traitée, elle endommage les composants et réduit la durée de vie des équipements. Détectée tôt, elle permet d’intervenir avant toute défaillance grave.
L’approche hybride d’ADISRA
C’est ici qu’intervient l’approche hybride d’ADISRA. Sur les lignes de presses hydrauliques, ADISRA SmartView utilise un système expert basé sur des règles, déployé en périphérie (« edge »), exploitant les données capteurs pour identifier et signaler des problèmes connus tels qu’une hausse de température d’huile, une vibration anormale ou une perte de pression.
En parallèle, KnowledgeView utilise le cloud et le machine learning pour analyser des données historiques et en temps réel afin de détecter des schémas de défauts subtils que les seules règles ne peuvent pas identifier.
Ensemble, ils forment une stratégie de maintenance prédictive puissante :
- Les règles fournissent des alertes immédiates et exploitables directement sur le terrain.
- Le machine learning affine les prédictions à long terme et améliore continuellement les performances du système.
Règles vs. Machine Learning
Traditionnellement, le diagnostic des pannes se divise en deux grandes catégories :
- Systèmes experts basés sur des règles
Ces systèmes s’appuient sur des conditions prédéfinies pour détecter les anomalies. Très efficaces pour les problèmes connus (seuils de vibration, limites de température…), ils sont toutefois moins flexibles face à de nouvelles défaillances imprévues. - Algorithmes de Machine Learning
Ils excellent dans la détection de schémas cachés dans les données, offrant des insights plus puissants que les simples règles. Cependant, ils nécessitent de grandes quantités de données historiques, souvent indisponibles aux premières étapes de la vie des équipements.
ADISRA combine ces deux mondes. Avec SmartView, les diagnostics basés sur des règles sont disponibles en temps réel sur site, tandis que KnowledgeView, via le cloud, exploite le machine learning pour identifier des tendances émergentes et affiner la précision prédictive.
KnowledgeView pour l’analytique prédictive des presses hydrauliques
Tandis que SmartView gère le diagnostic immédiat en périphérie, KnowledgeView ajoute une intelligence cloud alimentée par le machine learning. Plutôt que de s’appuyer uniquement sur des règles fixes, KnowledgeView apprend en continu à partir de grands ensembles de données pour détecter des signaux faibles annonciateurs de défaillances.
Exemple d’insight :
Une pompe hydraulique affiche des mesures de vibration et de pression qui semblent normales isolément. Mais, au fil du temps, le modèle ML de KnowledgeView révèle que lorsqu’une fréquence de vibration spécifique (220 Hz) coïncide avec une légère chute de pression (5 %) lors de cycles rapides, des défaillances de joints de pompe surviennent dans les 3 semaines suivantes, avec une probabilité de 87 %.
Cet insight permet de :
- Révéler des corrélations invisibles par simple surveillance.
- Anticiper les interventions et remplacer les joints lors d’un arrêt planifié.
Améliorer continuellement la précision des prédictions grâce à l’accumulation des données.
Conclusion : une maintenance plus intelligente pour une meilleure fiabilité
Le coût des arrêts est trop élevé pour être négligé. La maintenance prédictive, grâce à une combinaison hybride de systèmes experts basés sur des règles et de machine learning, permet aux industriels de réduire les temps d’arrêt, prolonger la durée de vie des équipements et optimiser les performances.
Avec ADISRA SmartView en périphérie pour le diagnostic en temps réel, et KnowledgeView dans le cloud pour des analyses adaptatives, ADISRA offre aux fabricants le meilleur des deux mondes : rapidité, précision, adaptabilité et anticipation.
