Anticiper les pannes d’un parc d’équipements logistiques grâce à la data
- Consultants data et IA mobilisés
- 9
- Équipements de manutention connectés à la plateforme
- 150
- De réduction des arrêts non planifiés sur le périmètre pilote
- 20 %
01Contexte
Contexte
Pour un acteur majeur de la logistique portuaire, chaque heure d’immobilisation d’un équipement de manutention se traduit par des retards en chaîne et des coûts importants. La maintenance reposait jusqu’ici sur des interventions planifiées et sur l’expérience des techniciens.
ACENSI a été sollicité pour exploiter les données issues des capteurs et des historiques de maintenance afin d’anticiper les pannes et d’optimiser la planification des interventions.
Valoriser des données industrielles hétérogènes
Les données disponibles provenaient de sources multiples : capteurs embarqués, systèmes de supervision, outil de GMAO et rapports d’intervention, avec des formats et des niveaux de qualité très variables.
L’enjeu était de construire un socle data fiable, puis des modèles de prédiction suffisamment robustes et explicables pour être adoptés par les équipes de maintenance.
02Le rôle d’ACENSI
Les équipes ACENSI ont assuré
- 01Le cadrage des cas d’usage avec les équipes maintenance et exploitation
- 02La collecte et l’ingestion des données capteurs en quasi temps réel
- 03La construction d’un socle data unifié et documenté
- 04Le développement de modèles de détection d’anomalies et de prédiction de pannes
- 05La mise en production des modèles et leur suivi dans la durée (MLOps)
- 06La conception de tableaux de bord pour les responsables maintenance
- 07L’intégration des alertes dans l’outil de GMAO existant
03Approche
Démarrer petit, prouver la valeur, industrialiser
La démarche a débuté par un pilote sur une famille d’équipements, afin de valider la qualité des données et la pertinence des prédictions avec les techniciens.
Une fois les gains confirmés, la plateforme a été industrialisée et étendue à l’ensemble du parc, avec une attention particulière portée à l’explicabilité des alertes pour faciliter leur appropriation sur le terrain.
04Expertises & technologies
- Python
- Azure Data Lake
- Databricks
- Spark
- IoT & données capteurs
- Machine Learning
- MLOps
- Power BI
- API REST
- Agile
05Résultats
Des résultats mesurables
- Moins d’arrêts non planifiés sur les équipements critiques
- Interventions de maintenance mieux planifiées
- Vision consolidée de l’état du parc d’équipements
- Adoption des alertes prédictives par les équipes terrain
La réussite du projet tient autant à la qualité des modèles qu’à leur appropriation par les techniciens : une alerte n’a de valeur que si elle est comprise et suivie d’effet.
Un enjeu comparable ? Parlons-en.
Nous contacter