Comment l'entretien à base d'énergie a réduit les temps d'arrêt et les coûts dans la fabrication de pneus

Cet article présente une étude de cas de machines lourdes appelées machines de mélange de caoutchouc (mélangeur Banbury). Le mélange du caoutchouc est un procédé énergivore: de gros moteurs et systèmes hydrauliques mélangent le caoutchouc brut avec des additifs à haute température. 

Ces mélangeurs sont la bouée de vie d'une usine de pneus et tout arrêt imprévu peut être très coûteux. En même temps, ils consomment d'énormes quantités d'énergie et sont connus pour leur gaspillage d'énergie excessif lorsqu'ils ne fonctionnent pas de manière optimale. 

Cela en faisait un candidat idéal pour tester l'approche EBM: en exploitant leurs signaux énergétiques, il est possible de détecter les inefficacités et les défauts plus tôt que les méthodes traditionnelles. 

L'étude de cas suivante démontre comment la surveillance de l'énergie – dans ce cas, de l'énergie hydraulique – combinée à l'analyse par apprentissage automatique a conduit à des améliorations significatives des résultats et de l'efficacité de la maintenance.

Mise en œuvre de l’EBM

L'équipe a équipé le mélangeur de capteurs pour enregistrer en continu les indicateurs d'énergie primaire (pression et débit hydrauliques), qui représentent ensemble la consommation d'énergie de la machine dans son circuit hydraulique. Ces relevés suivent efficacement la quantité d'énergie utilisée par le système hydraulique à tout moment. 

Les données étaient collectées via le système SCADA de la machine et des capteurs dédiés, diffusant un ensemble riche d'informations sur chaque cycle de mélange (niveaux de pression, débits, temps de cycle, etc.).

Il ne s’est pas agi de simplement collecter des données énergétiques, mais de les analyser. En utilisant des algorithmes d'apprentissage automatique (ML), l'équipe pouvait passer au crible les données pour trouver des schémas corrélés entre un fonctionnement normal et un fonctionnement défectueux. 

Comme il existe de nombreuses caractéristiques potentielles que l'on peut déduire des signaux d'énergie brute, nous avons appliqué l'élimination des caractéristiques récursives (RFE), une technique qui sélectionne automatiquement les caractéristiques les plus informatives. RFE a permis de déterminer quels aspects du signal de puissance hydraulique (par exemple, certains pics de pression ou fluctuations de débit) étaient les meilleurs indicateurs de problèmes de santé de la machine. 

Une fois ces caractéristiques clés identifiées, nous avons entraîné des modèles ML (y compris des méthodes comme la forêt d'arbres décisionnels et les réseaux de neurones) pour reconnaître la différence entre un fonctionnement sain et diverses conditions de défaut. 

Résultats

Détection des pannes et prédiction des pannes: La mise en œuvre de l'EBM sur la table de mixage a donné des résultats impressionnants. Les modèles ML ont appris à détecter de subtils changements dans la signature de puissance hydraulique qui signalaient le développement de problèmes. Le système détectait ces anomalies dès leur démarrage, permettant aux techniciens de maintenance d'intervenir avant qu'un blocage majeur ou une panne ne survienne. 

Cela marque une nette amélioration dans la détection des défauts: des problèmes qui auparavant auraient pu passer inaperçus jusqu'à un arrêt ont été signalés tôt par un changement de comportement énergétique. 

L'étude de cas a ainsi démontré des capacités accrues de diagnostic des pannes par l'approche EBM.

Efficacité, économies et durabilité

La véritable mesure du succès de toute initiative de maintenance réside dans les bénéfices tangibles. Dans le cas des mélangeurs en caoutchouc, le passage à une approche basée sur l'énergie a apporté des améliorations claires et quantifiables. 

Voici les principaux résultats et les raisons pour lesquelles ils sont importants pour les PME manufacturières :

• Amélioration de la détection des pannes: L'EBM a pu identifier des défauts que la surveillance traditionnelle pourrait manquer. Par exemple, elle a détecté les premiers signes d'une fuite hydraulique car la pompe a commencé à consommer un peu plus d'énergie pour maintenir la pression. Il identifiait également les événements de brouillage dans le fonctionnement de la console en remarquant une consommation d'énergie irrégulière lors d'une étape du processus qui aurait dû être régulière. 
   En comparant les profils d'énergie, le système différenciait avec grande précision les variations normales des anormales. Cela signifiait moins de problèmes « cachés » – presque chaque anomalie dans les performances de la machine laissait une trace d'énergie que l'EBM pouvait détecter. 
  Les équipes de maintenance disposaient ainsi d'une connaissance bien plus approfondie de l'état de la machine en permanence.
• Prédiction précoce des pannes: Au-delà de simplement signaler les problèmes, l'EBM peut prévoir les pannes avant qu'elles ne provoquent des interruptions. 
   Par exemple, un résultat est la capacité de prédire la dégradation de la pompe plusieurs heures de fonctionnement à l'avance en analysant le schéma de consommation d'énergie. Cette prédiction précoce est inestimable : elle transforme un temps d'arrêt imprévu en temps d'arrêt planifié. 
  Les prévisions précoces de défaillance évitent des dommages secondaires (puisque les composants étaient entretenus avant une défaillance catastrophique) et réduisent les effets d'entraînement sur les calendriers de production. Essentiellement, le mélangeur en caoutchouc recevait une sorte de «rapport de santé» qui prévoyait les problèmes futurs, permettant à la direction d'agir stratégiquement. 
• Réduction des gaspillages d’énergie: L'un des avantages les plus marquants est une baisse directe de la consommation d'énergie une fois la mise en place de l’EBM. En identifiant et corrigeant des conditions d'inefficacité énergétique (même les plus mineures comme une vanne mal réglée ou un filtre nécessitant un nettoyage), la machine consommait moins d'énergie pour la même sortie.
  Au cours de l'étude, le procédé de mélange du caoutchouc a permis une réduction d'environ 3 à 7% de la consommation d'énergie par rapport à l'exploitation précédente.
• Impact sur la durabilité (réduction des émissions de CO₂): Les économies d'énergie se traduisent par des bénéfices environnementaux. Utiliser moins d'énergie signifie moins d'émissions de gaz à effet de serre pour chaque tonne de caoutchouc produite (surtout si l'électricité provient des combustibles fossiles). 
  Dans notre cas, cette réduction énergétique de 3 à 7% équivaut directement à une réduction de 3 à 7% de l'empreinte carbone pour le processus de mélange.
• Valeur stratégique et financière: Pour une PME, le résultat le plus convaincant de l'EBM est sans doute été l'amélioration des résultats financiers et la gestion stratégique des risques. 
  Moins de pannes inattendues signifiaient moins de temps d'arrêt imprévu, ce qui améliore la production globale et la livraison à temps pour les commandes clients. 

Les économies d'énergie ont réduit les coûts d'exploitation ; l'entretien est devenu plus un investissement qu'une dépense. En convertissant les données énergétiques en termes monétaires, la direction pourrait voir les euros économisés sur la facture d'énergie et éviter des réparations coûteuses ou des lots abandonnés résultant de détections tardives.

Conclusions

Cette étude de cas montre que pour les PME manufacturières, les implications sont claires: l’EBM n'est pas un concept surévalué, mais une stratégie viable qui peut être lancée avec des capteurs et plateformes de données existants (comme les systèmes SCADA) et un certain support en data science. 

Le résultat est une opération de maintenance plus prédictive, efficace et alignée sur les objectifs de l'entreprise.