La maintenance prédictive (Predictive Maintenance PdM) combinée au contrôle de l’état des structures (Structural Health Monitoring SHM) révolutionne la gestion des infrastructures essentielles telles que les ponts, les barrages et les pipelines, au vu des défis à relever pour assurer la longévité et la sécurité tout en s’adaptant au changement climatique. Ces technologies avancées permettent de prévoir les besoins de maintenance, de réduire les temps de fermeture imprévus et coûteux et d’améliorer la durabilité des structures vitales. Cet article explore l’application de la PdM et de la SHM dans les infrastructures, en détaillant leurs mécanismes opérationnels, leurs avantages et les stratégies pour un déploiement réussi.
Comprendre la maintenance prédictive
La maintenance prédictive (PdM) est une stratégie de maintenance proactive qui utilise l’analyse de données pour prédire le moment où une panne d’équipement pourrait se produire, de sorte que la maintenance puisse être planifiée en fonction de l’état réel de l’équipement. Cette approche permet d’éviter les pannes inattendues et de réduire les activités de maintenance préventive inutiles.
La maintenance préventive implique l’utilisation de différents types de capteurs pour collecter des données sur l’état de l’équipement. Ces données peuvent inclure les vibrations, la température, la pression et d’autres types d’informations susceptibles d’indiquer des problèmes potentiels. Des analyses et des algorithmes avancés sont ensuite utilisés pour identifier des schémas dans les données qui peuvent être le signe d’une défaillance future.
Les premières étapes : La maintenance prédictive existe depuis le début des années 1990. Au départ, son application était limitée en raison du manque de capteurs sophistiqués et de puissance de calcul. La maintenance prédictive traditionnelle était spécifique à l’industrie et se concentrait sur les machines avec des modèles complexes et personnalisés.
L’avènement de l’IoT et de l’informatique en nuage (cloud computing) : L’avènement de l’internet des objets (IoT), de l’informatique en nuage, de l’analyse des données et de l’apprentissage automatique (machine learning) a considérablement élargi l’aspect pratique et l’applicabilité de la maintenance prédictive. L’IoT a permis de collecter de vastes quantités de données à partir de divers capteurs installés sur l’infrastructure. L’informatique en nuage a fourni l’infrastructure nécessaire au stockage et au traitement de ces données.
Rôle de l’analyse des données et de l’apprentissage automatique : L’analyse des données et l’apprentissage automatique ont révolutionné la maintenance prédictive, la faisant passer d’une approche réactive à une approche proactive. En analysant de vastes ensembles de données et des schémas, ces technologies permettent de détecter rapidement les problèmes liés aux équipements, d’optimiser la maintenance, d’améliorer la fiabilité et de prolonger la durée de vie des infrastructures. Les algorithmes d’apprentissage automatique, après avoir subi un entraînement rigoureux sur des données historiques comprenant des relevés de capteurs, des actions de maintenance et des défaillances antérieures, évoluent pour devenir des experts virtuels capables de reconnaître les signes précurseurs de pannes.
Le contrôle de l’état des structures (SHM) est un processus utilisé pour identifier les dommages dans une structure. Les systèmes SHM peuvent fournir des informations en temps réel sur l’intégrité structurelle des ponts, des bâtiments et d’autres structures. Ces informations peuvent être utilisées pour prendre des décisions éclairées sur les réparations et la maintenance nécessaires, améliorant ainsi la sécurité et l’efficacité opérationnelle.
Le SHM implique l’utilisation de capteurs pour surveiller une structure au fil du temps. Les données recueillies par ces capteurs sont ensuite analysées afin d’identifier tout changement susceptible d’indiquer un dommage ou une dégradation structurelle. Il peut s’agir de changements dans les propriétés des matériaux, la géométrie et les conditions limites de la structure.
La maintenance prédictive (PdM) et le contrôle de l’état des structures (SHM) sont en quelque sorte les médecins de nos infrastructures. Ils surveillent de près la santé de nos bâtiments, de nos ponts et d’autres structures, tout comme un médecin surveillerait les signes vitaux d’un patient.
Voici comment ils travaillent ensemble :
Voici quelques exemples de la manière dont la maintenance prédictive et le contrôle de l’état des structures peuvent être mis en œuvre dans divers types d’infrastructures.
Les ponts sont des éléments vitaux des réseaux de transport et leur défaillance peut avoir de graves conséquences. La PdM et la SHM peuvent améliorer de manière significative la maintenance des ponts. Des capteurs tels que les accéléromètres et les jauges de contrainte peuvent surveiller les vibrations et les niveaux de contrainte, fournissant ainsi des données en temps réel sur l’état de santé du pont. Par exemple, les accéléromètres peuvent détecter des vibrations inhabituelles indiquant des faiblesses structurelles, tandis que les jauges de contrainte mesurent la tension sur les composants du pont, ce qui permet d’effectuer des réparations en temps utile.
Exemple : Le Golden Gate Bridge de San Francisco utilise un système complet de contrôle de l’état des structures (SHM) comprenant plus de 300 capteurs pour surveiller la vitesse du vent, la température et les contraintes exercées sur les composants du pont. Ce système aide les ingénieurs à détecter rapidement les problèmes potentiels et à planifier efficacement les activités de maintenance.
Les barrages sont essentiels pour l’approvisionnement en eau, le contrôle des inondations et l’énergie hydroélectrique. La PdM et la SHM peuvent contribuer à garantir leur intégrité structurelle. Les capteurs peuvent surveiller la pression de l’eau, les infiltrations et les déformations structurelles. Par exemple, les piézomètres mesurent la pression de l’eau à l’intérieur du barrage et les fissuromètres suivent l’évolution des fissures. L’analyse de ces données permet de détecter rapidement des problèmes potentiels tels que des fuites ou des faiblesses structurelles, et d’éviter ainsi des défaillances catastrophiques.
Exemple : Le barrage Hoover utilise un vaste réseau de plus de 500 capteurs pour surveiller l’intégrité de la structure, en mesurant des facteurs tels que la pression de l’eau, les infiltrations et la température du béton. Ces données sont essentielles pour analyser et prédire les problèmes potentiels et garantir la sécurité et la fonctionnalité du barrage.
Les pipelines transportent des ressources essentielles telles que l’eau, le pétrole et le gaz. La PdM et la SHM peuvent prévenir les défaillances qui entraînent des catastrophes environnementales et des pertes économiques considérables. Les capteurs peuvent surveiller la pression, le débit et la température. Des techniques avancées, telles que la surveillance des émissions acoustiques, permettent de détecter les fuites en identifiant les ondes sonores générées par les fluides qui s’échappent. Cela permet des interventions précises et opportunes, garantissant l’intégrité du pipeline.
Exemple : Le pipeline Trans-Alaska utilise la maintenance prédictive (PdM) pour surveiller le débit et la pression du pétrole transporté par le pipeline. Les capteurs acoustiques détectent les fuites en identifiant les ondes sonores générées par le pétrole qui s’échappe, ce qui contribue à prévenir les catastrophes environnementales et à maintenir l’efficacité de l’oléoduc.
La base d’une solution PdM et SHM efficace est une collecte de données solide. Les capteurs placés sur l’infrastructure recueillent des données en temps réel sur divers paramètres. Ces données sont combinées avec les historiques de maintenance et les informations environnementales. Il est essentiel de garantir la précision et la fiabilité de ces données pour élaborer des modèles prédictifs.
Exemple : Dans une éolienne, divers capteurs sont installés pour surveiller son état de santé. Il peut s’agir de capteurs de vibrations, de température, de déformation ou de capteurs acoustiques. Les données collectées par ces capteurs sont ensuite intégrées à d’autres informations pertinentes telles que l’historique de la maintenance (quand et quelle maintenance a été effectuée) et les informations environnementales (vitesse du vent, humidité et température).
Les data scientists utilisent des algorithmes d’apprentissage automatique pour analyser les données collectées et développer des modèles prédictifs. Ces modèles peuvent identifier des schémas indiquant des défaillances potentielles. Par exemple, un modèle peut prédire la probabilité d’une fuite de pipeline en fonction des fluctuations de pression et des changements de température. En affinant continuellement ces modèles à l’aide de nouvelles données, leur précision s’améliore au fil du temps.
Exemple : Les data scientists peuvent utiliser un algorithme d’apprentissage automatique, tel qu’une forêt aléatoire ou un réseau neuronal, pour analyser les données collectées. Ces algorithmes peuvent identifier des schémas complexes dans les données qui pourraient être difficiles à repérer pour un être humain.
Par exemple, le modèle peut découvrir qu’un schéma spécifique de vibrations et d’augmentation de la température d’une machine est souvent suivi d’une panne quelques jours plus tard. Ce schéma serait alors utilisé pour prédire les pannes futures.
Une fois développés, les modèles prédictifs sont déployés pour surveiller l’infrastructure en temps réel. Ces modèles peuvent être exécutés sur des appareils périphériques pour un diagnostic immédiat ou dans le nuage pour une analyse plus complète. L’amélioration continue est essentielle ; au fur et à mesure que des données sont collectées, les modèles sont affinés afin d’améliorer leurs capacités prédictives.
L’adoption de la PdM et de la SHM dans les infrastructures offre de nombreux avantages, notamment :
Les organisations peuvent être confrontées à différents défis lors de la mise en œuvre de la PdM et du SHM. Ces défis sont notamment les suivants :
La maintenance prédictive et le contrôle de l’état des structures révolutionnent la façon dont nous gérons et entretenons nos infrastructures. En exploitant la puissance des données et des analyses sophistiquées, ces systèmes nous permettent d’entretenir de manière proactive des structures vitales telles que les ponts, les barrages et les pipelines, en améliorant leur longévité et en garantissant leur sécurité. En exploitant davantage les capacités de l’internet des objets (IoT), de l’informatique en nuage (cloud computing) et de l’apprentissage automatique (machine learning), la PdM et le SHM sont appelés à devenir des éléments essentiels de la préservation des infrastructures qui sont à la base de notre monde contemporain.
Simultanément, ils remodèlent notre approche de la maintenance des infrastructures. Grâce à la collecte et à l’analyse de données, nous sommes en mesure d’anticiper et de prévenir les défaillances, garantissant ainsi le bon fonctionnement et la sécurité des structures essentielles. Au fur et à mesure des progrès technologiques, la portée et l’impact de ces systèmes ne feront que croître, nous conduisant vers un avenir de pratiques de maintenance de plus en plus intelligentes et efficaces.
Sixense, dans le cadre de la maintenance prédictive et du SHM, intervient sur une partie du cycle avec la mise en œuvre de capteurs permanents, d’auscultations ponctuelles, de solutions digitales et d’analyse de données.
Sixense propose une offre complète de service, l’offre SHM+, dont l’objectif est de maintenir et prolonger la durée de vie des infrastructures, de détecter et prédire leurs défaillances. Sixense surveille à la fois l’ouvrage et son environnement (utilisation, météo, etc.) en intégrant diverses mesures, souvent automatiques, y compris par satellite. L’offre SHM+ est composée de plusieurs solutions dont EverScan, EverSense®, Beyond Monitoring et Beyond Asset par exemple. Elle se décompose en trois parties pour assurer la sécurité et la pérennité de vos structures avec :
Diagnostic et conception : définir les objectifs de l’instrumentation et concevoir le système de monitoring avec :
Monitoring continu : déployer un système de surveillance robuste et intelligent avec :
Aide à la décision : interpréter les données, juger de la situation et accompagner la maintenance prédictive avec :
