Maintenance prédictive IoT : de la corrective à la conditionnelle

La maintenance prédictive IoT permet de passer d’une maintenance subie à une maintenance pilotée par l’état réel des équipements. Au lieu d’attendre la panne ou de remplacer des pièces selon un calendrier fixe, les capteurs de vibration, température, courant, pression et variables process détectent les dérives progressives. Eziwan collecte ces données terrain, les contextualise, alerte les équipes maintenance et alimente la GMAO pour déclencher les bonnes interventions au bon moment.

Le problème

L’industrie est souvent prise entre deux approches imparfaites. La maintenance corrective attend la panne avant d’agir. Elle peut provoquer des arrêts non planifiés, des interventions d’urgence, des pertes de production, des achats de pièces en express et une pression forte sur les équipes terrain. La maintenance préventive systématique améliore la situation, mais elle repose sur des intervalles fixes qui ne reflètent pas toujours l’état réel de la machine.

La maintenance conditionnelle, basée sur l’état mesuré des équipements, apporte un compromis plus robuste. Elle nécessite cependant des données fiables, collectées régulièrement, interprétées correctement et reliées aux processus de maintenance existants.

Les difficultés sont concrètes.

• Les arrêts non planifiés coûtent cher, mais leur impact dépend fortement du secteur, du type de ligne, du taux de charge, du coût matière et de la durée d’indisponibilité.

• La maintenance préventive systématique peut remplacer des composants encore utilisables ou, à l’inverse, intervenir trop tard sur un équipement qui s’est dégradé rapidement.

• Les équipes manquent de visibilité sur l’état réel des machines entre deux rondes ou deux visites planifiées.

• Les signaux faibles comme vibration excessive, surchauffe, déséquilibre de courant, cavitation ou dérive de pression ne sont pas toujours détectés sans instrumentation adaptée.

• Les techniciens sont mobilisés en urgence pour des pannes qui présentaient parfois des signes précurseurs depuis plusieurs jours ou semaines.

• La GMAO est souvent alimentée après l’intervention, alors qu’elle devrait aussi recevoir des données terrain pour prioriser et planifier.

• Les stocks de pièces de rechange sont dimensionnés avec prudence, faute de visibilité sur l’état réel des équipements critiques.

• Les données process, comme la charge, le débit, la pression ou la température ambiante, sont rarement corrélées avec les signaux de dégradation.

• Les systèmes de monitoring basiques génèrent parfois trop d’alertes, ce qui conduit les opérateurs à les ignorer.

• L’expertise vibratoire est précieuse, mais elle est difficile à généraliser à tout un parc sans outils d’aide à la décision et capitalisation interne.

L’enjeu n’est donc pas seulement de poser des capteurs. Il faut créer une chaîne complète : mesure, connectivité, analyse, alerte, validation, ordre de travail, retour d’expérience et amélioration continue.

Corrective, préventive, conditionnelle et prédictive

Les termes sont souvent confondus. Pour structurer une démarche maintenance, il faut distinguer les niveaux de maturité.

Type de maintenance	Déclencheur	Avantage	Limite
Corrective	Panne constatée	Simple à comprendre	Arrêt subi, urgence, coût élevé
Préventive systématique	Calendrier ou heures de fonctionnement	Planifiable	Peut remplacer trop tôt ou trop tard
Conditionnelle	État mesuré de l’équipement	Interventions mieux ciblées	Nécessite capteurs et seuils fiables
Prédictive	Modèle de dérive et horizon de panne probable	Anticipation plus fine	Demande historique, qualité de données et validation
Prescriptive	Recommandation d’action optimisée	Aide à la décision avancée	Requiert maturité process et intégration GMAO

Dans beaucoup d’usines, le meilleur point de départ n’est pas un modèle prédictif complexe. C’est une maintenance conditionnelle robuste, avec des mesures fiables, des tendances compréhensibles et des alertes exploitables.

Notre approche

Eziwan aide à construire une chaîne de maintenance conditionnelle IoT en connectant les équipements critiques à une plateforme de supervision et d’analyse. Les capteurs peuvent mesurer vibration, température, courant, pression ou autres grandeurs pertinentes selon les machines. Les données sont collectées par une gateway industrielle, transmises de façon sécurisée, analysées dans le temps et transformées en alertes ou rapports exploitables.

Les équipements typiquement concernés sont :

• Moteurs électriques.

• Pompes centrifuges.

• Compresseurs.

• Ventilateurs industriels.

• Réducteurs.

• Convoyeurs.

• Broyeurs.

• Groupes froids.

• Machines tournantes critiques.

• Équipements isolés ou difficiles d’accès.

L’objectif est de classer les équipements par niveau de risque, détecter les dérives, expliquer les alertes et alimenter la GMAO avec des recommandations opérationnelles.

Architecture d’une maintenance conditionnelle IoT

Une architecture efficace combine capteurs, acquisition locale, connectivité, plateforme d’analyse, alertes et intégration GMAO. Chaque maillon doit être fiable, sinon l’ensemble devient difficile à exploiter.

Le buffer local est important sur les sites où la connectivité peut être instable. Il évite de perdre des données critiques pendant une coupure temporaire.

Données à collecter selon les équipements

Toutes les machines ne nécessitent pas les mêmes capteurs. Une bonne stratégie commence par les modes de défaillance probables.

Équipement	Mesures utiles	Défauts détectables
Moteur électrique	Courant, température, vibration	Déséquilibre, surcharge, défaut roulement
Pompe centrifuge	Vibration, pression, débit, température	Cavitation, désalignement, roulement, colmatage
Ventilateur	Vibration, courant, vitesse	Balourd, encrassement, désalignement
Réducteur	Vibration, température carter, huile	Usure engrenage, lubrification, roulement
Compresseur	Vibration, température, pression, courant	Fuite, échauffement, défaut mécanique
Convoyeur	Courant, vibration, vitesse	Frottement, surcharge, désalignement

La pertinence vient de la combinaison. Une vibration qui augmente peut être normale si la charge process a augmenté. Elle devient suspecte si elle augmente à charge constante, avec température roulement en hausse et courant moteur instable.

Monitoring vibration 3 axes

La vibration est l’un des signaux les plus utiles pour les machines tournantes. Un accéléromètre 3 axes mesure les vibrations selon plusieurs directions, ce qui aide à distinguer les défauts de balourd, désalignement, jeu mécanique, défaut de roulement ou problème de fixation.

Les indicateurs courants incluent :

• Niveau RMS de vibration.

• Pic de vibration.

• Facteur de crête.

• Évolution par axe.

• Comparaison avec la vitesse de rotation.

• Tendance sur plusieurs jours ou semaines.

• Dépassement de seuil selon criticité machine.

Le monitoring vibration doit être interprété dans son contexte. Un seuil universel n’est pas toujours fiable : une petite pompe, un gros ventilateur et un broyeur n’ont pas les mêmes comportements mécaniques.

Analyse spectrale FFT

La FFT, ou transformée de Fourier rapide, permet de passer du signal temporel au spectre fréquentiel. Elle aide à identifier les fréquences caractéristiques d’un défaut.

Exemples d’indices analysés :

• Fréquence de rotation.

• Harmoniques liées au désalignement.

• Fréquences de défaut de roulement, comme BPFI, BPFO, BSF ou FTF lorsque la géométrie du roulement est connue.

• Signatures de balourd.

• Bruit large bande.

• Apparition de bandes latérales.

La FFT est puissante, mais elle demande des données de bonne qualité : fréquence d’échantillonnage adaptée, capteur bien posé, vitesse de rotation connue et historique suffisant.

L’analyse spectrale doit être associée à une validation métier. Une alerte n’est pas une conclusion automatique : elle indique une probabilité de défaut à confirmer selon le contexte.

Analyse de signature de courant moteur

L’analyse de signature de courant moteur, souvent appelée MCSA, exploite le courant électrique pour détecter certains défauts mécaniques ou électriques. Elle peut être utile lorsque l’ajout de capteurs de vibration est difficile ou lorsque l’on veut compléter le diagnostic.

Elle peut aider à identifier :

• Déséquilibre d’alimentation.

• Surcharge.

• Variation anormale de charge.

• Défaut rotor selon les cas.

• Anomalie mécanique visible dans la consommation.

• Dérive de rendement ou frottement accru.

L’avantage est de s’appuyer sur une mesure électrique parfois plus simple à installer. La limite est que l’interprétation dépend fortement du type de moteur, de la charge, du variateur et du régime de fonctionnement.

Température, pression et contexte process

La température seule ne suffit pas toujours à prédire une panne, mais elle devient très utile lorsqu’elle est croisée avec les autres signaux. Une hausse de température de roulement, de carter réducteur ou d’enroulement moteur peut indiquer un défaut de lubrification, une surcharge, un frottement ou une ventilation insuffisante.

Les variables process permettent de réduire les faux positifs.

Signal	Interprétation brute	Contexte à vérifier
Vibration en hausse	Défaut mécanique possible	Charge, vitesse, débit
Température roulement en hausse	Frottement ou lubrification	Température ambiante, durée de marche
Courant moteur élevé	Surcharge possible	Consigne, produit, pression
Pression instable	Problème hydraulique possible	Vanne, débit, filtre, cavitation
Débit réduit	Colmatage ou usure possible	Consigne process, état ligne

La corrélation multi-capteurs est essentielle pour distinguer une vraie dégradation d’une variation normale liée aux conditions d’exploitation.

Scoring de santé des équipements

Un score de santé simplifie la priorisation. Il ne remplace pas l’expertise maintenance, mais il aide à classer les équipements selon leur niveau de risque.

Un score peut combiner plusieurs dimensions :

• Dérive vibration.

• Température anormale.

• Instabilité du courant.

• Historique d’alertes.

• Criticité de l’équipement.

• Temps depuis dernière intervention.

• Conditions de fonctionnement.

• Confirmation par plusieurs capteurs.

Exemple de logique de scoring :

score_sante:
  base: 100
  penalites:
    vibration_hausse_7j: 15
    temperature_roulement_haute: 20
    courant_instable: 10
    alerte_recurrente: 15
    equipement_critique: 10
  niveaux:
    vert: "80-100"
    jaune: "60-79"
    orange: "40-59"
    rouge: "0-39"

Les seuils doivent être adaptés à l’usine et validés avec les équipes. Un score mal calibré génère de la défiance ; un score expliqué devient un outil de planification.

Intégration GMAO bidirectionnelle

La valeur opérationnelle apparaît lorsque les alertes IoT déclenchent un processus de maintenance, pas seulement une notification. L’intégration GMAO relie la détection terrain à l’ordre de travail.

Une intégration utile peut couvrir :

• Création automatique d’une demande d’intervention.

• Association de l’alerte à l’équipement GMAO.

• Priorité selon criticité et score de santé.

• Ajout des courbes de tendance en pièce jointe.

• Affectation à une équipe ou un contrat.

• Retour d’expérience après clôture.

• Enrichissement du modèle avec le diagnostic réel.

Le retour d’expérience est souvent négligé. Pourtant, il permet de savoir si une alerte correspondait vraiment à un défaut de roulement, un désalignement, une surcharge process ou un faux positif.

Rapports maintenance automatiques

Les rapports automatiques donnent une vision régulière de l’état du parc et facilitent les réunions de planification. Ils doivent être lisibles par la maintenance, la production et la direction industrielle.

Un rapport utile inclut :

• Classement des équipements par niveau de risque.

• Évolution des scores de santé.

• Alertes générées et traitées.

• Interventions planifiées ou réalisées.

• Équipements en dérive lente.

• Sites sans données ou capteurs silencieux.

• Recommandations d’inspection.

• Synthèse des gains ou évitements, lorsque les données permettent de les justifier.

Il faut éviter les économies estimées sans base claire. Les gains doivent être calculés à partir de l’historique réel : arrêts évités, durée d’indisponibilité réduite, interventions groupées, baisse des urgences ou meilleure disponibilité.

Détection de cavitation et déséquilibre hydraulique

Les pompes centrifuges sont des candidates naturelles à la maintenance conditionnelle. La cavitation, le déséquilibre hydraulique, le colmatage, la recirculation ou l’usure de roue peuvent se manifester par vibration, bruit, instabilité de pression, variation de débit et échauffement.

La détection doit croiser plusieurs signaux.

• Vibration haute fréquence.

• Variation de pression.

• Instabilité du débit.

• Courant moteur fluctuant.

• Température roulement ou corps de pompe.

• Conditions de fonctionnement hors plage nominale.

Une alerte cavitation doit être interprétée avec les données process. Une pompe qui fonctionne loin de son point de rendement optimal peut générer des symptômes proches d’une dégradation mécanique.

Réduire les faux positifs

Un système qui alerte trop devient inutile. Les opérateurs finissent par ignorer les notifications, même lorsqu’une vraie panne se prépare. La réduction des faux positifs est donc un objectif central.

Bonnes pratiques :

• Définir des seuils par type d’équipement.

• Utiliser des seuils dynamiques selon charge ou vitesse.

• Corréler plusieurs capteurs avant d’émettre une alerte critique.

• Distinguer alerte informative, alerte à surveiller et alerte urgente.

• Ajouter une temporisation pour éviter les pics isolés.

• Comparer avec l’historique de la machine, pas seulement avec un seuil générique.

• Intégrer le retour d’expérience des techniciens.

• Réviser les seuils après les premières semaines d’exploitation.

Une alerte doit être actionnable : elle doit expliquer ce qui dérive, depuis quand, avec quel niveau de risque et quelle action est recommandée.

Déploiement progressif sur un parc industriel

Un projet de maintenance prédictive IoT doit démarrer par les équipements critiques, pas par tout le parc. Le déploiement progressif permet de valider les capteurs, la connectivité, les seuils et l’intégration GMAO.

Étape	Objectif	Résultat attendu
Cartographie	Identifier les équipements critiques	Liste priorisée
Analyse modes de défaillance	Choisir les mesures utiles	Capteurs adaptés
Pilote	Instrumenter quelques machines	Validation terrain
Seuils initiaux	Détecter les dérives simples	Alertes exploitables
Intégration GMAO	Relier alerte et intervention	Processus opérationnel
Extension	Déployer par famille d’équipements	Parc supervisé
Optimisation	Réduire faux positifs	Modèle plus fiable

Cette approche évite de produire beaucoup de données sans usage maintenance clair.

Sécurité et connectivité des données maintenance

Les données de maintenance peuvent révéler des informations sensibles : disponibilité machine, rythme de production, recettes, charge, incidents récurrents ou criticité des équipements. Leur collecte doit donc être sécurisée.

Bonnes pratiques :

• Utiliser une gateway industrielle sécurisée.

• Chiffrer les flux entre site et plateforme.

• Segmenter les capteurs, automates et systèmes IT.

• Limiter les droits d’accès aux données.

• Journaliser les accès et modifications.

• Prévoir un fonctionnement local en cas de coupure réseau.

• Intégrer la supervision avec les politiques cybersécurité OT.

Cette sécurité est particulièrement importante lorsque la maintenance implique des prestataires, OEM ou contrats de service connectés.

Checklist avant de lancer un projet

Contrôle	Question	Priorité
Criticité	Les machines prioritaires sont-elles identifiées ?	Haute
Modes de panne	Les défauts attendus sont-ils connus ?	Haute
Capteurs	Les mesures choisies correspondent-elles aux défauts ?	Haute
Connectivité	Les données peuvent-elles remonter de façon fiable ?	Haute
Historique	Existe-t-il des données de panne ou d’intervention ?	Moyenne
GMAO	Les équipements sont-ils correctement référencés ?	Haute
Alertes	Les seuils sont-ils actionnables ?	Haute
Retour terrain	Les techniciens peuvent-ils qualifier les alertes ?	Haute
Sécurité	Les flux sont-ils chiffrés et segmentés ?	Haute
Pilotage	Un responsable du déploiement est-il identifié ?	Haute

La réussite dépend autant de l’organisation maintenance que de la technologie.

Indicateurs de performance à suivre

Pour mesurer l’efficacité de la maintenance conditionnelle IoT, il faut suivre des indicateurs dans la durée.

Indicateur	Objectif
Nombre d’arrêts non planifiés	Mesurer la réduction des pannes subies
MTBF	Suivre le temps moyen entre pannes
MTTR	Mesurer le temps moyen de réparation
Taux de faux positifs	Améliorer la qualité des alertes
Taux d’alertes confirmées	Valider la pertinence du modèle
Délai entre alerte et intervention	Évaluer la réactivité
Équipements en zone rouge	Prioriser la maintenance
Interventions planifiées grâce aux alertes	Mesurer l’usage réel
Disponibilité machine	Relier maintenance et production
Coût de maintenance par équipement	Suivre l’impact économique

Les gains doivent être calculés à partir de ces indicateurs, pas annoncés sans référence propre au site.

Comment Eziwan aide à passer à la maintenance conditionnelle

Eziwan apporte les briques nécessaires pour connecter les équipements industriels, collecter les données utiles, détecter les dérives et relier les alertes aux processus de maintenance.

Besoin	Réponse Eziwan	Bénéfice
Collecter les mesures	Capteurs et gateway industrielle	Données terrain fiables
Connecter les sites	Télémétrie sécurisée	Supervision multi-sites
Détecter les dérives	Analyse de tendances	Alertes avant panne probable
Prioriser	Score de santé	Planification plus claire
Réduire les faux positifs	Corrélation multi-capteurs	Alertes plus pertinentes
Agir	Intégration GMAO	Ordres de travail exploitables
Suivre	Rapports automatiques	Pilotage maintenance
Sécuriser	Tunnels et contrôle d’accès	Protection des données OT

Cette approche peut s’appuyer sur la gateway Eziwan, la supervision via le cloud Eziwan et les architectures de connectivité industrielle.

Conclusion

La maintenance prédictive IoT ne commence pas par un algorithme magique. Elle commence par une maintenance conditionnelle fiable : capteurs bien choisis, données régulières, contexte process, seuils compréhensibles, alertes actionnables, intégration GMAO et retour d’expérience terrain. C’est cette chaîne complète qui permet de passer progressivement de la correction d’urgence à l’intervention planifiée.

Eziwan accompagne cette transition en collectant les signaux faibles des machines critiques, en analysant les tendances, en classant les équipements par niveau de risque et en déclenchant les bonnes actions dans les outils de maintenance. Pour les industriels, l’enjeu est clair : réduire les arrêts subis, mieux planifier les interventions et capitaliser sur les données terrain pour améliorer durablement la fiabilité du parc.

Pour aller plus loin

• Maintenance prédictive IIoT — déployez une stratégie de maintenance prédictive sur vos équipements industriels
• Télidiagnostic industriel — diagnostiquez vos équipements à distance pour réduire les interventions terrain
• Monitoring équipements industriels — surveillez en continu l’état de santé de vos machines
• Data logger industriel cloud — enregistrez et historisez les données vibration, température et courant
• Supervision et téléassistance — combinez supervision distante et assistance technique en temps réel