Mise en oeuvre des essais accélérés et de la maintenance prédictive

Mise en œuvre des essais accélérés et de la maintenance prédictive

La maintenance prédictive constitue le Graal des opérateurs de systèmes car elle permet à la fois de réduire les coûts d'exploitation, d'améliorer la sécurité et la disponibilité du service et de respecter l'environnement en diminuant la production de déchets et la consommation de ressources. Mais sa mise en oeuvre peine à se concrétiser.

Les techniques issues du Big data (réseaux de neurones, apprentissage automatique...), ont permis d'améliorer le suivi de l'état des matériels (diagnostic) en sachant détecter des signaux faibles ou des signatures caractéristiques d'un état de dégradation. Mais l'estimation d'un potentiel restant (pronostic) s'avère plus difficile car elle nécessite l'apprentissage préalable de tous les états de dégradation possibles avant défaillance, dans des conditions d'utilisation et d'environnement variées.

La maintenance prédictive ne peut donc se suffire de l'intelligence artificielle que pour des produits relativement simples ou dotés d'un long retour d'expérience dans un marché de masse. Elle implique l'emploi d'un modèle prédictif capable de décrire l'évolution des produits dans diverses conditions de stress (température, vibration, humidité, sollicitation...), afin de pouvoir élaborer un pronostic à partir de l'état courant.

Un tel modèle est également utilisé dans le cadre des essais accélérés d'endurance ou de fiabilité servant à démontrer la capacité d'un produit à réaliser sa mission. Celui-ci permet de réduire la durée des essais et/ou le nombre de pièces à tester en augmentant les niveaux de stress par rapport aux niveaux subis pendant la vie opérationnelle.

Aussi est-il apparu opportun de rassembler les essais accélérés et la maintenance prédictive dans ce livre didactique qui vulgarise leurs fondements théoriques et propose des guides d'application pratique.