Maintenance prédictive : de la donnée industrielle à la décision

Dans les environnements industriels, la maintenance prédictive vise à utiliser les données disponibles pour anticiper les défaillances et améliorer la prise de décision de maintenance. L’enjeu n’est toutefois pas de « prédire pour prédire », mais de produire une information suffisamment fiable, interprétable et exploitable pour soutenir une décision opérationnelle.

1. De la maintenance conditionnelle à la prédiction

La maintenance prédictive s’inscrit dans une logique de surveillance de l’état des équipements et d’anticipation des modes de défaillance. Elle mobilise des données issues des équipements, capteurs, historiques d’intervention et systèmes industriels, puis applique des méthodes statistiques ou d’apprentissage automatique afin d’estimer un risque de défaillance ou un état futur.

Cette approche ne supprime ni l’expertise métier ni la maintenance préventive. Elle ajoute une capacité de décision fondée sur les données, qui doit être intégrée dans une stratégie globale de fiabilité et de gestion des actifs.

2. La donnée industrielle est le premier modèle

Un modèle d’apprentissage automatique ne peut compenser durablement une donnée mal définie, incomplète ou incohérente. Avant toute modélisation, il faut donc caractériser les variables, leurs unités, leur fréquence d’acquisition, leur qualité et leur relation avec le phénomène physique observé.

Le jeu de données AI4I 2020 a été conçu comme un jeu synthétique représentant des situations de maintenance prédictive industrielle. Il comprend 10 000 observations et plusieurs variables de fonctionnement. Le jeu AI4I-PMDI, publié en 2024, reprend cette base en y introduisant notamment des données manquantes et des acquisitions irrégulières afin de se rapprocher de contraintes rencontrées dans des contextes industriels plus réalistes.

3. Traduire le problème industriel en problème de Data Science

La formulation du problème est une étape déterminante. Pour une tâche de classification binaire, par exemple, l’objectif peut consister à estimer si un équipement se trouve dans un état de défaillance ou non. Cette traduction implique de définir précisément la variable cible, l’horizon de prédiction, les variables explicatives disponibles au moment de la décision et les contraintes d’utilisation du modèle.

Il faut également éviter les fuites de données : aucune information indisponible au moment réel de la prédiction ne doit être utilisée pendant l’entraînement. Un modèle performant sur le papier mais alimenté par des informations qu’il ne disposerait pas en exploitation n’a pas de valeur opérationnelle.

4. Préparer les données avant de modéliser

La préparation peut inclure le contrôle des types, la gestion des données manquantes, le traitement des valeurs aberrantes, l’encodage des variables catégorielles, la normalisation lorsque nécessaire et la séparation rigoureuse entre jeux d’entraînement et de test.

Dans les données industrielles, l’irrégularité temporelle constitue une difficulté particulière. Les données peuvent être absentes, collectées à des rythmes différents ou dépendre des états de fonctionnement. Ces irrégularités doivent être considérées comme une caractéristique du système d’information industriel, et non simplement comme un défaut statistique à effacer.

5. Évaluer selon le coût réel des erreurs

L’exactitude globale d’un classifieur peut être trompeuse lorsqu’une défaillance est rare. Les métriques doivent être choisies en fonction du risque opérationnel : précision, rappel, F1-score, courbes ROC et Precision-Recall, ainsi que l’analyse détaillée de la matrice de confusion.

Dans un contexte de maintenance, un faux négatif peut correspondre à une défaillance non détectée, tandis qu’un faux positif peut générer une intervention inutile. Ces deux erreurs n’ont généralement ni le même coût ni les mêmes conséquences. Le seuil de décision devrait donc être calibré en fonction des contraintes métier, de la criticité des équipements et de la stratégie de maintenance.

6. L’interprétabilité est une exigence opérationnelle

Dans un environnement industriel, une prédiction isolée est rarement suffisante. L’utilisateur doit pouvoir comprendre quels facteurs contribuent à une alerte, confronter le résultat à son expertise et décider d’une action.

Les travaux de Matzka sur l’IA explicable appliquée à la maintenance prédictive soulignent précisément l’intérêt de rendre les décisions des modèles plus compréhensibles. Cette exigence est particulièrement importante lorsqu’une prédiction peut entraîner une intervention coûteuse, un arrêt de production ou une décision de sécurité.

7. Du prototype au système industriel

Le modèle n’est qu’un composant d’une architecture plus large. Une solution de maintenance prédictive opérationnelle suppose généralement une chaîne comprenant l’acquisition terrain, la transmission, le stockage, la préparation, l’inférence, la visualisation et l’intégration avec les processus de maintenance.

Dans une architecture distribuée, l’IIoT, l’Edge Computing et le Cloud peuvent intervenir à différents niveaux. Le choix dépend notamment de la latence, de la disponibilité des communications, de la criticité des données, de la cybersécurité et des exigences de souveraineté.

Conclusion

La maintenance prédictive ne doit pas être réduite à une compétition entre algorithmes. Sa valeur se construit sur toute la chaîne : compréhension du processus industriel, qualité et gouvernance des données, formulation correcte du problème, évaluation adaptée, interprétabilité et intégration dans les processus de décision.

C’est à cette condition que le Machine Learning peut devenir un véritable outil d’amélioration de la disponibilité, de la fiabilité et de la résilience des actifs industriels.