Télématique des équipements et IA : prédire quand votre excavatrice a besoin d'un entretien
Une excavatrice immobilisée sur un chantier de construction coûte environ 180 $ par heure en coûts de possession, qu'elle creuse ou non. Lorsqu'elle tombe en panne de manière imprévue, ajoutez les coûts de réparation, la prime sur les pièces d'urgence, la mobilisation d'une machine de remplacement et l'effet en cascade des retards sur les activités qui dépendaient de cette excavatrice. Une seule panne imprévue sur une activité du chemin critique peut facilement coûter entre 15 000 $ et 30 000 $ en impact total sur le projet. La maintenance prédictive utilisant la télématique et l'IA vise à éliminer la plupart de ces pannes imprévues.
Ce que révèlent les données télématiques
Les équipements de construction modernes génèrent d'énormes quantités de données de capteurs. Une excavatrice de dernière génération transmet la température du moteur, la pression hydraulique, la température de l'huile, les niveaux de liquide de refroidissement, le taux de consommation de carburant, les régimes moteur, les temps de cycle hydraulique et des dizaines d'autres paramètres. Ces données sont transmises en continu à la plateforme télématique du fabricant, généralement à des intervalles de 15 secondes à 1 minute.
Individuellement, chaque point de données n'est pas très informatif. Une pression hydraulique de 3 200 PSI est dans la plage normale. Mais lorsque la pression hydraulique a progressivement augmenté de 2 800 à 3 200 PSI au cours des 3 dernières semaines sans aucun changement dans le type de travail effectué, cette tendance indique un problème en développement dans le système hydraulique. Un filtre obstrué, une pompe usée ou une fuite de joint naissante pourraient tous causer cette augmentation progressive de la pression.
Les modèles d'IA entraînés sur les données historiques des équipements apprennent ces schémas de défaillance. Ils identifient les combinaisons spécifiques de relevés de capteurs qui précèdent différents types de pannes mécaniques. Les données d'entraînement proviennent de milliers de machines sur l'ensemble de leur durée de vie, y compris les données de capteurs précédant chaque événement de réparation.
Précision des prédictions et délai d'anticipation
La précision de la maintenance prédictive par IA varie selon le type de défaillance. Les pannes du système hydraulique, qui représentent environ 30 % des temps d'arrêt des excavatrices, sont prédites avec une précision de 80 à 85 % avec un délai d'anticipation de 2 à 3 semaines. Les pannes de moteur sont prédites avec une précision de 70 à 75 % avec un délai de 1 à 2 semaines. Les pannes du système électrique sont les plus difficiles à prédire, avec une précision d'environ 55 à 60 %, car les défauts électriques se développent souvent soudainement plutôt que progressivement.
Ces chiffres de précision se comparent favorablement à l'alternative, qui est l'absence totale de prédiction. Une probabilité de 75 % de détecter un problème moteur 2 semaines avant qu'il ne provoque une panne est nettement mieux qu'aucune prédiction suivie d'une panne un mardi matin lorsque la machine est nécessaire pour une excavation critique.
Un gestionnaire de flotte au Texas disposant de 45 engins lourds a mis en œuvre la maintenance prédictive par IA et suivi les résultats sur 24 mois. Les événements d'arrêt imprévu ont diminué de 38 %. Les coûts moyens de réparation par événement ont baissé de 22 % car les problèmes détectés tôt sont moins coûteux à réparer que ceux qui évoluent jusqu'à la panne. La disponibilité totale des équipements, soit le pourcentage d'heures d'exploitation planifiées pendant lesquelles les machines étaient effectivement disponibles, est passée de 87 % à 94 %.
L'impact sur la planification de la maintenance
La maintenance prédictive ne se contente pas de vous dire que quelque chose va casser. Elle vous indique quand planifier la réparation pour minimiser l'impact sur le projet. Si l'IA prédit une défaillance de la pompe hydraulique dans les 2 à 3 prochaines semaines, le responsable des équipements peut planifier la réparation pour le week-end suivant lorsque l'excavatrice n'est pas nécessaire, commander les pièces au tarif normal avec une livraison standard et organiser une machine de secours pour la période de réparation.
Comparez cela au scénario de panne imprévue : la pompe tombe en panne un mercredi, la pièce n'est pas en stock localement, l'expédition express coûte 800 $ de plus, le mécanicien fait des heures supplémentaires le jeudi pour l'installer, et l'équipe d'excavation est restée inactive pendant un jour et demi. L'approche prédictive coûte moins cher pour la réparation, élimine le temps d'arrêt et évite la perturbation du calendrier.
Les gestionnaires de flotte utilisant l'analyse des équipements de construction pilotée par l'IA rapportent que le passage de la maintenance réactive à la maintenance prédictive transforme toute leur stratégie de gestion des stocks de pièces. Au lieu de stocker une large gamme de pièces pour les réparations d'urgence, ils peuvent commander les pièces en juste-à-temps en fonction des fenêtres de défaillance prédites. Cela réduit les coûts de stockage tout en maintenant la disponibilité des équipements.
Intégration avec la planification de projet
Les données de maintenance prédictive prennent encore plus de valeur lorsqu'elles sont connectées aux calendriers de projet. Si l'IA prédit que l'Excavatrice n° 7 aura besoin d'un entretien hydraulique dans les 2 prochaines semaines, et que le calendrier du projet montre que l'Excavatrice n° 7 est essentielle pour une excavation de fondation débutant dans 10 jours, l'équipe de projet peut soit entretenir la machine avant l'activité critique, soit prévoir une machine de remplacement en attente.
Sans cette intégration, l'équipe des équipements et l'équipe de projet prennent des décisions indépendamment. L'équipe des équipements pourrait planifier une maintenance préventive à un moment qui entre en conflit avec une activité critique. Ou elle pourrait reporter la maintenance pour garder la machine disponible, sans réaliser que les données de l'IA suggèrent qu'une panne est imminente.
Optimisation de flotte multi-machines
Pour les entrepreneurs disposant de grandes flottes, la télématique par IA permet une optimisation à l'échelle de la flotte. Le système prend en compte l'état de santé de chaque machine, les besoins de travail sur tous les projets actifs et le calendrier de maintenance pour recommander des affectations optimales des machines. Une machine approchant d'un événement de maintenance prédit est affectée à un projet avec plus de flexibilité dans le calendrier, tandis qu'une machine récemment entretenue est affectée au projet du chemin critique.
L'IA identifie également les machines sous-utilisées. Les données de temps d'inactivité issues de la télématique révèlent les machines qui sont sur le chantier mais ne travaillent pas, ce qui indique soit une mauvaise planification, soit un excès d'équipements sur le projet. Une analyse de l'utilisation de la flotte sur 45 machines a montré que 8 d'entre elles fonctionnaient en moyenne moins de 3 heures par jour, suggérant qu'elles pourraient être démobilisées ou partagées entre les projets.
Qualité des données et limites pratiques
La précision de la maintenance prédictive dépend de la qualité des capteurs et de la fiabilité de la transmission des données. Les équipements plus anciens avec moins de capteurs produisent moins de données et permettent des prédictions moins précises. Les équipements opérant dans des zones à faible couverture cellulaire peuvent présenter des lacunes dans leurs données télématiques qui réduisent la capacité de l'IA à détecter les problèmes en développement.
Les modèles nécessitent également suffisamment de données d'entraînement pour chaque modèle et configuration d'équipement. Un modèle d'excavatrice courant avec des milliers d'unités transmettant des données disposera d'un modèle prédictif bien entraîné. Un équipement spécialisé avec seulement quelques dizaines d'unités dans la flotte aura un modèle moins précis simplement parce qu'il y a moins de données de défaillance pour l'apprentissage.
Pour la plupart des flottes de construction commerciale, qui sont principalement composées de modèles courants des grands fabricants, la qualité des données télématiques et la précision des modèles sont suffisantes pour apporter une valeur significative. La technologie a dépassé le stade expérimental et est bien entrée dans le stade de l'application pratique, avec des améliorations claires en termes de coûts et de disponibilité pour les entrepreneurs qui la mettent en œuvre systématiquement dans l'ensemble de leurs flottes.