Le logisticien intralogistique TGW anticipe les problèmes avec la maintenance prédictive

• TGW mise sur la surveillance de l’état avec le robot de prélèvement primé Rovolution

• Jumeau numérique comme innovation centrale à l’ère de l’industrie 4.0

(Marchtrenk) Dans le cadre du développement de l’industrie 4.0, les temps d’arrêt des installations intralogistiques devraient appartenir au passé, car l’état des composants importants est surveillé. L’art consiste à optimiser en permanence la disponibilité des installations, souligne le Dr Maximilian Beinhofer, responsable du développement des systèmes cognitifs chez le spécialiste de l’intralogistique TGW, dans un entretien :

Quels sont les inconvénients lorsque les travaux de maintenance ne sont effectués que lorsque un composant ne fonctionne plus ?

Dr. Maximilian Beinhofer : Dans ce cas, nous parlons de maintenance corrective. Cela peut entraîner un arrêt partiel ou complet d’une machine ou d’une installation. Cela signifie que la disponibilité est réduite, ce qui peut entraîner des inconvénients économiques pour l’utilisateur. Un autre problème : il faut peut-être d’abord rechercher la panne, ce qui coûte un temps précieux.

On peut alternativement simplement remplacer les pièces d’usure régulièrement…

Oui, c’est ce qu’on appelle la maintenance préventive. Cela consiste à établir, sur la base d’expériences, des cycles de maintenance ou de remplacement spécifiques. Cela garantit une très haute disponibilité des installations. L’inconvénient : les coûts sont plus élevés, car des pièces sont également remplacées alors qu’elles ont encore une certaine durée de vie. L’art consiste à trouver le moment idéal – tant pour le donneur d’ordre de maintenance que pour le récepteur de maintenance. Une bonne solution est donc la surveillance de l’état, ainsi que la maintenance prédictive. Sur la base de ce qu’on appelle des jumeaux numériques, elle est considérée comme l’une des innovations centrales dans le domaine de l’industrie 4.0.

Comment fonctionne la maintenance prédictive ?

Grâce à la surveillance de l’état des composants via des capteurs, il est possible de représenter dans le logiciel si un problème se profile. Idéalement, cela se fait en temps réel ou avec un minimum de retard. Le cœur de notre approche est le suivant : avec une algorithmique intelligente, c’est-à-dire des méthodes issues du domaine de l’apprentissage automatique et de la science des données, nous connectons ou fusionnons chez TGW les données déjà existantes des capteurs de manière si intelligente que nous pouvons faire des déclarations très précises sur l’état ou l’usure des composants. Cela permet d’économiser des coûts, car nous n’avons pas besoin d’installer des capteurs supplémentaires.

Avez-vous un exemple pratique ?

 Dans notre robot de prélèvement primé Rovolution, nous mesurons l’état du vide dans le dispositif de préhension. Si, par exemple, en raison de la poussière ambiante, il y a une perte de pression, nous le voyons immédiatement et pouvons réagir.

Comment gérer les installations plus anciennes qui ne disposent pas des capteurs nécessaires ?

On peut installer des capteurs supplémentaires, par exemple pour mesurer les vibrations. Selon la taille de l’installation, il peut être nécessaire d’utiliser de quelques capteurs à plus de cent, ce qui nécessite au préalable une analyse de rentabilité. En principe, il est cependant vrai que même les installations intralogistiques existantes peuvent être modernisées.

Quelle est la différence entre la maintenance prédictive et la maintenance prescriptive ?

Les deux approches se complètent. Pour la maintenance prédictive, il faut la surveillance de l’état. Il ne suffit pas de savoir si un capteur est occupé ou non. Il s’agit de savoir à quel point l’usure a progressé. Une fois ces données disponibles, il est possible de créer une prévision à l’aide d’un logiciel de maintenance prédictive, indiquant qu’un composant, à partir d’une certaine valeur, par exemple, tiendra encore environ trois mois. La maintenance prescriptive donne ensuite le conseil de faire ceci ou cela dans trois mois.

Quels sont les principaux avantages de la maintenance prédictive ?

En principe, il s’agit d’optimiser la disponibilité des installations à des coûts les plus bas. De plus, la boucle de rétroaction est continuellement améliorée. Les algorithmes garantissent que le système auto-apprenant s’optimise en permanence.

Dans quels domaines la maintenance prédictive est-elle utile ?

En principe, partout dans une installation. Cependant, les éléments connecteurs sont les plus intéressants. Par exemple, si l’un des dix postes de travail de prélèvement tombe en panne, 90 % de la capacité de prélèvement reste disponible. Mais si un système de tri tombe en panne, par lequel tous les biens passent, cela signifie un arrêt immédiat.

Quels sont les défis de la maintenance prédictive ?

D’une part, il s’agit de générer le plus grand levier avec le moindre effort. D’autre part, le défi technique consiste à utiliser les réseaux de l’installation de manière à ce que les données nécessaires puissent être transférées au logiciel de maintenance prédictive. Le troisième défi concerne les boucles de rétroaction. Si des problèmes surviennent dans la technologie de transport, les techniciens sur place doivent le signaler. En tant que fabricant, il faut développer des méthodes intelligentes pour que le retour d’information soit à la fois immédiat et également analysable par machine.

Comment cela est-il garanti ?

Pour pouvoir entraîner les algorithmes, il faut savoir exactement quand une maintenance a eu lieu et ce qui a été fait exactement. Sinon, le système croira qu’une amélioration s’est produite d’elle-même. Ce rapport ne doit cependant pas être un texte libre formulé par le technicien. Il doit s’agir de réponses standardisées provenant d’un menu déroulant, car il faut des données lisibles par machine pour pouvoir entraîner le système d’apprentissage automatique. En même temps, la boucle de rétroaction doit être rapide et facile à utiliser, afin que le technicien de maintenance puisse donner rapidement son retour d’information.

Pour quels modules TGW développe-t-il la maintenance prédictive ?

Pour le robot de prélèvement Rovolution, la surveillance de l’état est déjà disponible. Parallèlement, nous développons une solution cloud spéciale pour la collecte et le traitement des données. En principe, il s’agit de s’assurer que toutes les données, de la mécatronique à l’informatique, soient collectées à l’avenir – bien entendu, les réglementations du RGPD et de la sécurité des données seront respectées. Nous collectons les données de plusieurs clients. Cela a l’avantage qu’un nouveau client bénéficie des données des clients existants et reçoit des conseils de la part du logiciel sur ce qu’il doit faire pour optimiser son installation. À la fin du processus, il y a le jumeau numérique. Cela permet non seulement d’analyser en mode replay ce qui s’est passé, mais aussi de voir en temps réel ce qui se passe actuellement. Dans une étape ultérieure, il est également possible de regarder vers l’avenir et de faire des prévisions.

Comment la demande de solutions dans le domaine de la maintenance prédictive va-t-elle évoluer ?

Le sujet est actuellement populaire. Je m’attends à ce que dans cinq à dix ans, seules des installations offrant ce service soient vendues. Pour les grandes machines individuelles, il est déjà courant d’utiliser un capteur de vibration. Pour les installations intralogistiques largement connectées, il existe encore différentes stratégies pour le moment.

Les clients voient-ils le bénéfice et sont-ils prêts à payer pour de tels services ?

Je crois qu’à long terme, les modèles commerciaux derrière les contrats de maintenance vont évoluer. Les nouveaux outils et services offrent des avantages aux clients – et ces avantages seront finalement visibles dans l’analyse des coûts totaux (TCO, Total Cost of Ownership). En conséquence, nous adapterons également nos modèles commerciaux.

Photo de titre : © TGW / Légende de l’image : PickCenter Rovolution de TGW : la surveillance de l’état garantit une haute disponibilité du robot de prélèvement primé.

Dr. Maximilian Beinhofer dirige le domaine des systèmes cognitifs au siège de TGW Logistics Group à Marchtrenk, en Autriche. Il a étudié les mathématiques aux universités d’Aix-la-Chapelle et de Fribourg et a obtenu son doctorat dans le domaine de l’informatique en robotique probabiliste. En 2014, le scientifique a commencé sa carrière chez TGW en tant que consultant en logistique et en informatique. Depuis 2016, il dirige l’équipe de développement dans le domaine des systèmes cognitifs.