Maintenance prédictive optimisée : fiabilité et économie accrues !
La défaillance soudaine des composants d'un véhicule entraîne souvent des rendez-vous d'entretien et de maintenance non programmés, ce qui augmente les coûts de service et oblige les entreprises à maintenir des réserves de véhicules. En matière de data science, les modèles mathématiques peuvent aider à prévoir de manière fiable les défaillances potentielles. Ce faisant, l'entretien et la réparation peuvent être optimisés, ce qui réduit les coûts de maintenance. Découvrez ce cas client !
Bénéfices principaux
- Prévision des pannes et des dysfonctionnements des composants individuels du véhicule
- Identification des causes de défaillance (cause et effets) de manière sûre
- Optimisation des processus de service
- Surveillance en direct de l'état du véhicule
Situation initiale
La maintenance est un facteur de coût essentiel dans le secteur des transports. Bien que les véhicules soient équipés de plus de capteurs que par le passé, les données sont à peine utilisées pour planifier et contrôler la maintenance et l'entretien. Par conséquent, les pannes et les dommages aux équipements conduisent toujours à des mesures de maintenance non programmées. Cela a pour conséquences :
- Une diminution de la qualité du transport
- Des coûts supplémentaires
- L'obligation de prévoir une réserve de véhicules
Le but du projet était d'optimiser les coûts totaux en utilisant un modèle mathématique holistique, grâce auquel la maintenance et les réparations peuvent être planifiées et contrôlées de manière optimisée.
Approche retenue
Les constructeurs automobiles fournissent des informations sur le véhicule via les données du bus CAN (Controller Area Network) FMS (Fleet Management System), mais sont rarement familiarisés avec les procédures opérationnelles. C'est pourquoi l'analyse a utilisé les données du bus CAN à haute résolution (8 Hz) ainsi que les données d'exploitation, les horaires et les données de maintenance. Un processus complexe de préparation des données a été employé pour identifier les modèles de données qui conduisent à une défaillance, et reconnaître une multitude de variables d'influence ainsi que leurs effets. Afin d'optimiser les processus ultérieurs, plusieurs méthodes mathématiques ont été combinées et transformées en un modèle holistique (par exemple, la réduction des dimensions et l'ingénierie des caractéristiques).
La prévision était basée sur un modèle d'apprentissage automatique de type "forêt aléatoire", qui a été programmé puis utilisé. Ensuite, la pertinence des variables d'influence a pu être déterminée et, grâce à un backtest, la qualité de la prévision a pu être évaluée. En fin de compte, l'optimisation des coûts de maintenance et de réparation a été réalisée grâce à l'intégration des méthodes de recherche opérationnelle.
Bénéfice supplémentaire
Avec Visual Analytics et R, il a été possible d'intégrer le modèle dans l'infrastructure du client. Aujourd'hui, l'entreprise peut prédire avec précision les pannes imminentes et réduire le nombre de rendez-vous d'entretien. La prévision détaillée des composants défectueux permet également de déterminer à l'avance les erreurs qui provoqueront la panne. Ainsi, les pièces nécessaires pour une future maintenance peuvent être commandées en temps utile. La planification et le contrôle optimisés de la maintenance et de l'entretien sont considérés comme une mesure stratégique pour accroître durablement le succès économique.
