Le modèle fonctionne, la démonstration convainc, et puis rien. La cause est presque toujours en amont de l'algorithme.
La maintenance prédictive est la promesse la plus vendue et la moins déployée de l'industrie connectée. Les pilotes réussissent souvent ; les généralisations, rarement. Les raisons tiennent en trois points, et aucun n'est technique.
Un historique de pannes inexploitable
Un modèle prédictif apprend sur des défaillances passées, correctement datées et qualifiées. Or dans la plupart des GMAO, l'intervention est saisie trois jours après, le code de panne est choisi par défaut, et la cause réelle reste dans la tête du technicien.
Avant d'instrumenter davantage, nous fiabilisons donc la saisie : moins de codes, mieux définis, saisis au moment de l'intervention. Six mois de données propres valent mieux que trois ans de données douteuses.
Aucune action prévue derrière l'alerte
Une alerte prédictive annonce une défaillance probable dans dix à quinze jours. Si le processus de planification de la maintenance ne sait pas insérer une intervention dans cette fenêtre, l'alerte devient du bruit. Le projet échoue alors pour une raison d'organisation, pas de modèle.
Un périmètre choisi pour sa facilité technique
On instrumente souvent l'équipement le plus simple à équiper, pas celui dont l'arrêt coûte le plus cher. Le gain démontré reste donc marginal, et le dossier d'extension ne passe pas en comité d'investissement.
Choisissez l'équipement par le coût d'un arrêt, pas par la facilité de pose du capteur.
Une progression en trois paliers
Nous recommandons un chemin plus lent et beaucoup plus sûr : fiabiliser la saisie et calculer MTBF et MTTR, puis passer au conditionnel sur quelques grandeurs simples et bien comprises, et seulement ensuite introduire des modèles statistiques. Chaque palier produit un gain mesurable et finance le suivant.
Retour au blog