Pour la maintenance des installations de production, le groupe BMW a choisi d’utiliser des capteurs, l’analyse de données et l’intelligence artificielle (À LA). Ainsi, plutôt que de suivre l’approche précédente axée sur une maintenance basée sur des règles à intervalles réguliers, la maintenance prédictive est effectuée en fonction des conditions actuelles de l’usine. Cela évite non seulement les temps d’arrêt imprévus, mais affecte également positivement la durabilité et l’utilisation efficace des ressources, garantissant une disponibilité optimale du système. Les solutions innovantes de maintenance prédictive basés sur le cloud sont actuellement déployés dans l’ensemble du réseau de fabrication mondial.
La numérisation croissante de la maintenance a rendu l’approche prédictive de plus en plus importante. Surveillance du matériel et les paramètres actuels, la maintenance prédictive peut prédire les défaillances avant qu’elles ne surviennent. Les données sont utilisées pour optimiser la maintenance de l’usine et déterminer quand remplacer les composants par précaution, afin d’éviter les interruptions inutiles. De plus, la maintenance prédictive améliore l’efficacité et la durabilité en garantissant que les pièces encore intactes ne sont pas remplacées prématurément.
La maintenance prédictive utilise une plate-forme cloud de pointe pour obtenir des alertes précoces sur les pannes de production potentielles. Les données proviennent directement des usines de production elles-mêmes, qui ne sont connectés au cloud qu’une seule fois via un portail, pour une surveillance et une transmission constante des données – qui se produit généralement une fois par seconde. Les modules logiciels individuels au sein de la plate-forme peuvent être activés et désactivés de manière flexible, selon les besoins, pour s’adapter immédiatement aux spécifications constamment mises à jour. De plus, grâce au degré élevé de standardisation entre les composants individuels, le système est accessible dans le monde entier, hautement évolutif et vous permet de mettre en œuvre facilement de nouveaux scénarios d’application et d’activer rapidement les solutions existantes.
La maintenance prédictive permet d’effectuer activités d’entretien et de réparation sur la base des conditions réelles de l’usine dans le cadre des arrêts de production déjà planifiés. Les réparations peuvent être plus précises et plus efficaces en termes de coûts et de ressources. Aussi, l’allongement des temps de fonctionnement prolonge considérablement le cycle de vie des instruments et des implants. Le principe directeur de ces solutions est : « développé une fois, déployé souvent » [sviluppato una volta, implementato spesso] – dans tout le réseau de production de BMW Group.
Les systèmes flexibles et hautement automatisés de fabrication de transmissions mécaniques produire un moteur conventionnel ou un carter pour un moteur électrique par minute. Dans le but de maintenir ces machines en bon état, la maintenance prédictive utilise des modèles statistiques simples – ou des algorithmes d’IA prédictive, dans les cas les plus complexes – pour détecter toute anomalie. Des avertissements visuels ou des panneaux sont ensuite émis pour informer les employés lorsqu’un entretien est nécessaire.
Dans les départements de carrosserie, les soudeurs effectuent environ 15 000 soudures par jour. Pour éviter les temps d’arrêt potentiels, les données relatives aux machines à souder dans le monde sont collectées par un logiciel spécialement développé. Ils sont ensuite transmis au cloud pour être comparés et analysés à l’aide d’algorithmes. Toutes les données sont affichées sur un tableau de bord pour faciliter les processus de maintenance dans le monde entier.
Lorsqu’il s’agit d’assemblage de véhicules, la maintenance prédictive facilite la prévention des temps d’arrêt de bandes transporteuses. Dans l’usine BMW de Ratisbonne, par exemple, les unités de contrôle des systèmes de transport fonctionnent 24 heures sur 24, 7 jours sur 7 pour transmettre des données sur différents domaines – tels que l’électricité, la température et les emplacements – au cloud, où elles seront constamment analysées. Les spécialistes des données peuvent alors vérifier à tout moment l’emplacement, l’état et les activités de chaque élément du transporteur. Les modèles d’IA prédictifs utilisent des données pour détecter les anomalies et identifier les problèmes techniques.