Maintenance prédictive : pourquoi commencer par les données, pas par l’algorithme

La maintenance prédictive promet d’anticiper les pannes. Les modèles et les tableaux de bord sont désormais largement disponibles dans les plateformes du marché. Pourtant, beaucoup de projets s’arrêtent au stade du pilote. La raison est rarement l’algorithme : c’est presque toujours la donnée.

Les écueils les plus fréquents

• Des données sans contexte : une température sans savoir quelle machine, quel produit, quel état de marche.
• Une fréquence inadaptée : une mesure par minute ne voit pas une vibration qui se dégrade en quelques secondes.
• Pas d’historique de pannes : sans événements de défaillance documentés, un modèle n’a rien à apprendre.
• Des trous de collecte : passerelles instables, horodatage incohérent, données perdues lors des arrêts.

La bonne séquence

1. Raccorder les équipements existants, sans modifier les automates (voir OPC UA ou MQTT).
2. Contextualiser : rattacher chaque mesure à une ligne, une machine, un état.
3. Surveiller avec des seuils et des tendances simples, validés par la maintenance.
4. Documenter les événements : pannes, interventions, remplacements de pièces.
5. Alors seulement, entraîner des modèles de prédiction sur un historique fiable.

Ce que nous faisons, et ce que nous ne vendons pas seul

Nous intégrons l’analytique à notre offre de raccordement des données industrielles, mais nous ne la vendons pas isolément : sa valeur dépend entièrement de la qualité de la collecte. Un pilote sur une seule ligne permet de le vérifier rapidement.