Maintenance prédictive: science des données au service des utilities

Lorsque vous pensez à la science des données géospatiales, vous pensez peut-être à de grandes idées novatrices émanant de rêveurs avant-gardistes, qui oublient parfois un instant qu'il faut utiliser les données à des fins pratiques. La maintenance prédictive est un exemple d'application pratique extrêmement utile de la science des données. Dans ce blog, je vous en dirai plus sur la gestion des actifs basée sur des informations prédictives.

UNE GESTION DES ACTIFS BASÉE SUR DES PRÉVISIONS

Une gestion efficace des actifs bénéficie de bonnes prévisions de maintenance. Lorsque vous gérez des dizaines de milliers de biens répartis dans plusieurs provinces et situés au-dessus, au-dessous ou sur le sol, il est impossible d'assurer la maintenance sans une planification de haut niveau. Je vois de grands classeurs à l'époque où les ordinateurs n'existaient pas. Et des camionnettes avec des agents de maintenance qui "allaient voir comment ça allait" sur la base d'un échantillonnage aléatoire. Je n'étais pas là, donc je n'en suis pas sûr. Mais je peux imaginer qu'en 1979, la gestion des actifs nécessitait beaucoup de travail.

La maintenance prédictive est née de l'idée qu'il n'y a tout simplement pas de temps ni d'argent pour envoyer des équipes de maintenance avec un risque de "fausse alerte". En outre, les organisations dont le travail se déroule principalement à l'extérieur aspirent de plus en plus à ce que "l'extérieur soit à l'intérieur". Le temps où les jumeaux numériques affichent l'état de tous vos actifs en temps réel n'est pas encore arrivé, mais le monde des SIG évolue rapidement dans cette direction.

TABLEAU DE BORD D'ANALYSE DES FUITES (FICTIF)

En d'autres termes, il s'agit de la gestion prédictive des actifs ou de la maintenance prédictive. J'aime rendre le phénomène concret à l'aide d'un exemple : un tableau de bord avec un score d'alerte qui indique en un coup d'œil le risque de défaillance d'un pipeline. Ainsi, les équipes de maintenance savent où aller en priorité et ne doivent pas déterminer la plus grande urgence sur la base d'une évaluation (partiellement) subjective.

Image 1 : tableau de bord de maintenance prédictive pour l'entretien des pipelines. Le texte se poursuit sous l'image.

Ce tableau de bord n'est pas basé sur un modèle de données réelles, mais sur un modèle prédictif. Lorsque vous créez un tableau de bord basé sur des données réelles, le risque d'être à la traîne est plus grand.

J'ai créé ce modèle prédictif à l'aide de PyCaret, une bibliothèque d'apprentissage automatique à code bas qui vous permet de créer des flux de travail d'apprentissage automatique sophistiqués. Dans PyCaret, j'ai créé un modèle prédictif pour chaque attribut qui alimente le tableau de bord. En outre, j'ai mis en place une alerte par courrier électronique pour tous les pipelines dont le score d'alerte est excessif. Ainsi, lorsque c'est le cas, l'équipe de maintenance concernée reçoit immédiatement un courriel indiquant l'emplacement de la canalisation.

Dans le monde des SIG, on dit souvent qu'une ligne est une ligne. C'est également le cas dans le domaine de la maintenance prédictive. Vous pouvez également utiliser ce tableau de bord pour afficher l'état des lignes électriques, des conduites de gaz ou d'autres actifs en un coup d'œil. Techniquement, le principe est le même. Tensing est un spécialiste reconnu des réseaux d'utilité publique d'Esri (un modèle de données ArcGIS avancé pour les entreprises de services publics, de télécommunications et d'infrastructure, entre autres). Je suis donc dans une position privilégiée : si je souhaite obtenir des informations spécifiques sur un type d'actif particulier, j'ai toujours à ma disposition un collègue possédant des connaissances spécifiques.

LA VALEUR DE LA MAINTENANCE PRÉDICTIVE AUGMENTE

Le nombre d'actifs à gérer augmente depuis des années chez presque tous nos clients dans différents secteurs d'activité. En raison des travaux de construction en cours, le nombre de biens et la quantité totale de données sur les biens augmentent constamment. En outre, le marché de l'emploi reste tendu et les organisations cherchent constamment des moyens d'accomplir plus de travail avec des services plus restreints.

Enfin, il y a l'impact du changement climatique. Les municipalités, les provinces, l'État, les services publics : tous innovent pour contribuer à un monde durable. En outre, le changement climatique a également un impact direct sur la durée de vie des actifs.

Image 2 : L'entretien de l'asphalte peut varier d'un pays à l'autre, voire d'une région à l'autre. Le texte se poursuit sous l'image.

Prenons l'exemple de l'asphalte. La composition de l'asphalte est différente au Moyen-Orient et en Laponie, car les conditions climatiques différentes exigent des méthodes de production et d'entretien différentes. Je peux imaginer (je suis un scientifique des données géospatiales, pas un ingénieur des routes, je précise) que ce type de facteurs supplémentaires augmente encore la demande en matière d'utilisation intelligente des données.

Strategic Market Research, un cabinet d'études de marché américain, conclut que la valeur totale du marché de la maintenance prédictive des machines industrielles aux États-Unis va passer de 4,32 billions de dollars à 45,75 billions de dollars entre 2021 et 2030. Si la croissance relative de la valeur du marché de la maintenance prédictive des actifs ne représente ne serait-ce qu'une fraction de ces chiffres, nous parlons déjà d'une petite révolution.

Le monde devient de plus en plus complexe et encombré. Je suis certain que la maintenance prédictive n'en est qu'à ses débuts et que les organisations ont beaucoup à gagner dans ce domaine. Vous souhaitez explorer les possibilités de la maintenance prédictive ? N'hésitez pas à nous contacter !