Cours de maintenance prédictive

Leçon 1 • Paysage des stratégies de maintenance

Oppose les philosophies de maintenance réactive, préventive et prédictive à l'aide de mesures de coût et de fiabilité. Fournit le contexte stratégique pour toutes les décisions subséquentes en PdM.

Leçon 2 • Analyse de rentabilisation des programmes de PdM

Quantifie le retour sur investissement (ROI), la réduction des temps d'arrêt et les avantages en matière de sécurité pour justifier l'adoption de la PdM. Équipe les apprenants pour présenter des propositions fondées sur des données aux parties prenantes.

Leçon 3 • Notions de base en ingénierie de la fiabilité

Présente le MTBF, le MTTR, la disponibilité et les distributions de fiabilité comme fondements quantitatifs. Ces mesures servent de référence pour l'efficacité du programme de PdM tout au long du cours.

Leçon 1 • Thermographie et surveillance thermique

Explique les principes de la thermographie infrarouge et la détection des anomalies thermiques pour les actifs électriques et mécaniques. Établit l'élévation de température comme indicateur précurseur de défaillance.

Leçon 2 • Ultrasons et émission acoustique

Présente les ultrasons aériens et structuraux pour détecter les fuites, les défauts de palier et les décharges électriques. Complète les méthodes de vibration et thermiques pour une couverture exhaustive.

Leçon 3 • Principes de l'analyse des vibrations

Couvre les concepts de fréquence, d'amplitude et de forme d'onde essentiels à l'interprétation des signaux vibratoires. Relie les motifs vibratoires à des défauts mécaniques spécifiques identifiés au chapitre 1.

Leçon 4 • Analyse de l'huile et des lubrifiants

Enseigne le comptage de particules, les essais de viscosité et l'analyse spectrométrique pour évaluer la santé du lubrifiant et des composants. Lie l'état de l'huile aux modèles de progression de l'usure du chapitre 1.

Leçon 1 • Réseaux de capteurs sans fil et IoT

Aborde le déploiement de capteurs sans fil, la gestion de l'alimentation et la topologie de réseau pour les actifs distants ou rotatifs. Présente la connectivité IIoT comme un catalyseur de la surveillance continue.

Leçon 2 • Conditionnement et filtrage des signaux

Explique les techniques d'amplification, de filtres anti-repliement et de réduction du bruit qui garantissent l'intégrité du signal. Prépare les apprenants à produire des données propres pour l'analyse dans les chapitres suivants.

Leçon 3 • Matériel et protocoles d'acquisition de données

Couvre les cartes DAQ, les automates programmables (PLC) et les protocoles de communication industriels pour le transfert fiable des données de capteurs. Relie les choix matériels à l'évolutivité du système et aux exigences d'intégration.

Leçon 4 • Calibrage et entretien des capteurs

Établit les calendriers de calibrage, la correction de la dérive et la vérification de l'état des capteurs pour maintenir la qualité des données. Assure la fiabilité des mesures comme fondement d'un diagnostic précis.

Leçon 1 • Étiquetage et annotation des données

Couvre les stratégies d'étiquetage des défauts, les flux de travail d'annotation par des experts et la gestion du déséquilibre des classes dans les ensembles de données de maintenance. Prépare les ensembles de données d'apprentissage supervisé utilisés au chapitre 5.

Leçon 2 • Intégration de données provenant de sources multiples

Fusionne les flux de capteurs avec les ordres de travail du GMAO, les historiques de procédés et les données environnementales pour un contexte plus riche. Permet l'analyse multivariée et les comparaisons entre actifs.

Leçon 3 • Architectures de stockage de données industrielles

Compare les bases de données de séries temporelles, les historiens de données et le stockage dans le nuage pour les données de capteurs à haute fréquence. Aligne la stratégie de stockage sur les besoins de rapidité de récupération et d'évolutivité.

Leçon 4 • Nettoyage des données et gestion des valeurs aberrantes

Enseigne l'imputation des valeurs manquantes, la détection des valeurs aberrantes et la suppression des doublons pour les flux de données de capteurs. Améliore directement l'exactitude des modèles dans les chapitres suivants sur l'apprentissage automatique.

Leçon 1 • Détection d'anomalies non supervisée

Applique le regroupement (clustering), l'ACP et les autoencodeurs pour identifier les écarts sans données de défauts étiquetées. Aborde le défi industriel courant du manque d'exemples de défaillance.

Leçon 2 • Classification supervisée des défauts

Entraîne des arbres de décision, des forêts aléatoires et des SVM sur des ensembles de données étiquetées pour classifier des types de défauts spécifiques. S'appuie sur l'ingénierie des caractéristiques et les données étiquetées du chapitre 4.

Leçon 3 • Maîtrise statistique des procédés pour les données de condition

Utilise des cartes de contrôle, le réglage de seuils et la gestion des alarmes pour signaler un comportement anormal de l'équipement. Établit la détection basée sur des règles comme base de référence avant les modèles avancés.

Leçon 4 • Validation et déploiement des modèles

Couvre la division entraînement-test, la validation croisée et le déploiement en production des modèles de diagnostic. Assure que les modèles généralisent au-delà des données d'entraînement avant l'utilisation opérationnelle.

Leçon 1 • Quantification de l'incertitude dans les pronostics

Applique les méthodes bayésiennes, la simulation de Monte Carlo et la prédiction conforme pour encadrer les estimations de RUL. Convertit les prédictions ponctuelles en intervalles de confiance pour des décisions éclairées par le risque.

Leçon 2 • Concepts de modélisation de la dégradation

Présente la construction d'un indice de santé, la modélisation de la trajectoire de dégradation et la définition du seuil de défaillance. Fait le pont entre la détection des défauts du chapitre 5 et l'estimation pronostique prospective.

Leçon 3 • Modèles hybrides de données avec contraintes physiques

Combine les contraintes physiques avec les architectures de réseaux de neurones pour améliorer la généralisation et l'interprétabilité. Représente l'état actuel de l'art en matière de pronostics industriels.

Leçon 4 • Modèles de prédiction de la RUL fondés sur les données

Entraîne des modèles de régression, le renforcement de gradient (gradient boosting) et des réseaux LSTM pour prédire la RUL à partir de trajectoires de capteurs. Tire parti des ensembles de données étiquetées de défaillance jusqu'à la rupture préparés au chapitre 4.

Leçon 1 • Intégration au GMAO et automatisation des ordres de travail

Relie les alertes PdM aux plateformes GMAO pour générer automatiquement des ordres de travail et planifier les tâches des techniciens. Boucle la boucle entre la prédiction et l'action de maintenance physique.

Leçon 2 • Évolutivité et architecture du système

Aborde les microservices, la conteneurisation et le déploiement natif dans le nuage pour faire évoluer la PdM sur de grands parcs d'actifs. Assure que la plateforme croît avec les besoins organisationnels.

Leçon 3 • Intégration du jumeau numérique

Synchronise les données des actifs physiques avec les modèles de jumeau numérique pour simuler des scénarios de défaillance et optimiser les interventions. Étend la PdM de la surveillance à l'expérimentation virtuelle.

Leçon 4 • Tableaux de bord opérationnels et visualisation

Conçoit des tableaux de bord en temps réel affichant les scores de santé des actifs, les alertes et les tendances de RUL pour les opérateurs et les gestionnaires. Traduit les sorties des modèles en formats visuels intuitifs pour les utilisateurs non techniques.

Leçon 1 • Conformité réglementaire et préparation aux audits

Aligne les registres de PdM, les journaux d'inspection et les preuves de maintenance avec les normes de sécurité et de qualité de l'industrie. Prépare les organisations aux audits externes et aux examens de certification.

Leçon 2 • Amélioration continue et réentraînement des modèles

Établit des boucles de rétroaction, des calendriers de réentraînement des modèles et des processus d'examen des causes profondes pour maintenir l'exactitude de la PdM. Empêche la dégradation des modèles à mesure que l'équipement et les conditions d'exploitation évoluent.

Leçon 3 • KPI et mesure du rendement

Définit les KPI avancés et retardés — OEE, taux de fausses alarmes, évitement des coûts — pour suivre la santé du programme. Fournit le cadre de mesure pour les cycles d'amélioration continue.

Leçon 4 • Gestion du changement organisationnel

Aborde la formation des techniciens, la résistance culturelle et la collaboration interfonctionnelle nécessaires à l'adoption de la PdM. Reconnaît que le succès technologique dépend de l'alignement des personnes et des processus.