Prédire le résultat d'une opération de maintenance

Problématiques

Eviter le déplacement inutile d’une équipe de maintenance sur site

Optimiser le planning d’intervention des collaborateurs 

Mise en place d'outils

Algorithme de prédiction du résultat d’une opération de maintenance

Définition de l’optimum technico-économique

Résultat

%

Part des interventions de maintenance non concluantes évitées

Eviter les interventions de maintenance sans valeur ajoutée

La maintenance réalisée dans le cadre de ce projet pouvait être effectuée soit sur site par des équipes de maintenance pour les interventions les plus légères, soit en centre de maintenance pour les intervention les plus lourdes.

Notre client souhaitait disposer d’un système prédictif permettant d’éviter d’envoyer une équipe de maintenance intervenir de façon non concluante sur un équipement qui nécessiterait un passage en centre de maintenance après coup. Il souhaitait également éviter que des machines soient démontées et envoyées en centre de maintenance alors qu’elles auraient pu être remises en service directement chez le client.

Notre client : Leader de la maintenance industrielle.

 comprendre quels facteurs influent sur le résultat d’une opération de maintenance

Notre client réalise des opérations de maintenance sur des équipements très divers exploités dans des conditions très différente en fonction du client concerné.

Pour construire un système prédictif répondant à sa problématique il était confronté à trois problématiques :

création d'un ensemble de données exploitable

Avant de construire un système prédictif il fallait assembler plusieurs sources de données au sein d’un ensemble cohérent pour pouvoir y appliquer un algorithme prédictif.

apprentissage automatique

Pour construire un système prédictif il fallait adapter un algorithme pour lui permettre d’apprendre la structure des interventions de maintenance afin de prédire la réussite des interventions.

optimum technico-économique

Enfin pour valoriser ce résultat au quotidien il fallait définir un seuil de décision permettant de réaliser un choix de stratégie de maintenance optimal.

Conscient qu’il n’arrivera pas à surmonter seul ces difficultés, notre client nous choisit pour l’aider à analyser ses données.

UN SAVOIR-FAIRE UNIQUE COUPLÉ À L’UTILISATION D’OUTILS DE POINTE

Après avoir analysé les données à disposition nous avons rapidement confirmé notre capacité à atteindre les objectifs fixés.

1. modelisation du phénomène étudié à l'aide des données à disposition

Nous avons commencé par étudier les données à disposition du client pour faire ressortir les indicateurs permettant d’alimenter un algorithme prédictif. Nous avons également interviewé plusieurs interlocuteurs chez notre client pour identifier les paramètres les plus à même d’influer le résultat final.

2. construction d'un algorithme prédictif

Une fois la base de données constituée, nous avons appliqué à cette base de données un algorithme de prédiction permettant de calculer une probabilité de réussite d’une intervention de maintenance sur site dès qu’une panne était signalée chez un client.

3. définition d'une stratégie de maintenance personnalisée

Nous avons accompagné notre client dans le paramétrage de l’algorithme prédictif afin de lui permettre de proposer une stratégie de maintenance personnalisée à ses clients.

Notre client a ainsi été capable de proposer à ses clients soit de privilégier la maintenance sur site quitte à intervenir parfois sans succès, soit de privilégier la maintenance en centre quitte à parfois ne pas tenter une intervention sur site qui se serait révélée concluante.

Quelque soit la stratégie choisie par l’exploitant des équipements 87% des interventions sur site non concluantes ont été évitées, augmentant ainsi la satisfaction de l’exploitant.

4. réduction des coûts opérationnels

En plus d’augmenter la satisfaction de l’exploitant cette technologie prédictive a également permis d’éviter les frais liés au déplacement d’une équipe de maintenance dont l’intervention aurait été non concluante. Cette réduction des coûts a permis à notre client de dégager des marges supplémentaires sur certains contrats ou d’augmenter sa competitivité sur d’autres.

Des gains opérationnels et financiers

Les gains générés par cette analyse ont donc d’abord été opérationnels : notre système prédictif a permis à notre client de proposer une stratégie de maintenance personnalisée et plus efficace à ses clients. Cette stratégie a permis de réduire de près de 90% les interventions de maintenance non concluantes.

Mais les gains ont également été financiers car éviter des opérations de maintenance non concluantes a permis d’économiser les déplacements des équipes, occasionnant une réduction immédiate et massive des coûts.

Vous souhaitez échanger sur vos problématiques industrielles ?

Ensemble, créons vos projets

N’hésitez pas à nous contacter si vous souhaitez nous faire part de vos projets ou simplement obtenir plus de détails sur nos compétences et nos méthodologies.

Nos coordonnées
12 rue Emilie Landrin, 92100 Boulogne
+33 6 10 58 45 91 / +33 6 07 28 29 46
contact@polynom.io
Rencontrez-nous sur place
Missions

Croissance top-line

Réduction des coûts

Compétences

Conseil en stratégie

Data, Cloud & Software

Clients et secteurs

Industrie

Distribution B2B

Distribution B2C

Mode et Luxe

Nos coordonnées

12 rue Emilie Landrin, 92100 Boulogne

+33 6 10 58 45 91

contact@polynom.io

Nos réseaux sociaux

Missions

Croissance top-line

Réduction des coûts

Compétences

Conseil en stratégie

Data, Cloud & Software

Clients et Secteurs

Industrie

Distribution B2B

Distribution B2C

Mode et Luxe