Plus de données, moins de pannes… avec le Big Data

Le Big Data dévoile tout son potentiel dès lors qu’il est associé à la communication machine-to-machine et à l’analyse des données. Prenons l’exemple de la « maintenance prédictive » : des capteurs permettent de connaître l’usure des pièces et, après analyse d’un volume important de données, de savoir quand les changer.

Le temps, c’est de l’argent. Lorsqu’un train, un camion ou une voiture tombe subitement en panne à cause d’une défaillance de son moteur ou de toute autre pièce, les conséquences sont nombreuses… cela peut être toute la chaîne d’approvisionnement qui s’arrête, entraînant des retards en cascade. La solution ? La maintenance prévisionnelle ou « predictive maintenance » qui utilise des méthodes, des outils d’analyse et de diagnostic ainsi que les données de capteurs pour identifier une défaillance avant qu’elle ne survienne. Le potentiel de ce principe, mais aussi la quantité de données à analyser, est énorme.

Un projet pilote intégrant une solution de maintenance prédictive a été mis en place, depuis quelques mois déjà, par une société ferroviaire européenne. Elle permet d’analyser environ un téraoctet de données, bien qu’à peine un demi pour cent des locomotives de cette société soit équipé de capteurs et d’émetteurs. Pendant le voyage, les données du système électronique de la locomotive sont analysées et comparées avec celles obtenues juste avant des travaux de maintenance ou une panne précédente. Les informations, comme par exemple une hausse de la température sur l’un des capteurs, sont intégrées et comparées aux scenarii existants et permettent d’alerter et de prévenir une défaillance potentielle.

Recoupement de données issues de différentes sources

Des données issues de différentes sources – réseau ferroviaire, stations météo ou réseau électrique – sont nécessaires pour réaliser la modélisation et l’analyse. En cas de dysfonctionnement ou de divergence, les rapports d’erreur consignés sont comparés avec les données remontées pour déterminer si et quand une panne risque de  survenir. L’entreprise ferroviaire sait ainsi à l’avance quelles pièces sont usées et nécessitent d’être remplacées. Ce système permet de réduire les frais d’entretien et de maintenance, d’éviter les fermetures de voies liées à des locomotives en panne et, de manière générale, d’augmenter la fluidité du transport des personnes et des marchandises. Les données et informations acquises peuvent, en outre, servir aux constructeurs de locomotives en vue de prochains développements de produits.

Une idée simple pour de nombreux scénarii d’utilisation

Comme le trafic ferroviaire, l’industrie automobile peut aussi tirer parti de la maintenance prédictive. Des capteurs placés sur une voiture peuvent ainsi prévoir des défaillances potentielles ou l’état d’usure des pièces d’un appareil de commande en s’appuyant sur différents paramètres de fonctionnement, tels que la vitesse, la température voire le bruit émis. Ces données sont transmises au Cloud de maintenance prédictive en vue d’être analysées. Dès que les informations des capteurs suggèrent la survenue d’une défaillance, des mesures sont prises pour éviter que la pièce concernée ne tombe en panne. Selon le scénario, un message peut être automatiquement envoyé au propriétaire, au technicien de maintenance ou au garage. Ainsi, le propriétaire reçoit par exemple un courriel ou un appel de son garage lui indiquant la pièce défaillante et le degré d’urgence des réparations. Le garage peut de son côté attendre d’obtenir un ou plusieurs messages avant de commander des pièces de rechange et ainsi optimiser le stock, l’approvisionnement, les plannings et les coûts liés à l’intervention de ses collaborateurs… pour la plus grande satisfaction des clients.

A l’instar de la maintenance prédictive les domaines d’application sont très variés et l’idée de base reste la même. La communication machine-to-machine à l’aide de capteurs et d’unités d’émission est associée au traitement d’un grand volume de données et à leur analyse en temps réel. Le processus doit être entièrement numérisé et scénarisé de bout en bout.

Lire aussi : l’interview de Patrick Darmon, Directeur Practice Big Data – Keyrus 

Comment T-Systems peut-il vous accompagner ?

Filiale de Deutsche Telekom, T-Systems s’appuie sur l’expertise de ses 50 000 collaborateurs et sur son infrastructure mondiale de data centers et de réseaux pour soutenir votre transformation IT.

Contactez-nous

Répondre