YAZYTEK GROUPE
Blog / Digital & IA
Un industriel marocain nous a sollicités avec un problème simple à énoncer et difficile à résoudre : une ligne de production tombait en panne trop souvent, sans préavis, et les arrêts non planifiés coûtaient cher en production perdue. L'objectif du pôle Digital était de passer d'une maintenance corrective — on répare quand ça casse — à une maintenance prédictive — on intervient avant que ça casse.
La première surprise n'a pas été technique. Elle a été humaine : les équipes de maintenance avaient déjà, dans leur tête, une bonne partie des signaux qui précèdent une panne. Le bruit d'un moteur qui change légèrement, une vibration inhabituelle, un cycle qui met trois secondes de plus que d'habitude. Le vrai travail n'était donc pas seulement de poser des capteurs, mais de traduire ce savoir tacite en données exploitables par un modèle.
Ce projet n'aurait pas fonctionné avec une seule expertise. Le pôle Ingénierie a géré l'installation des capteurs IoT sans interrompre la ligne — la première contrainte imposée par le client était qu'aucun test ne pouvait ralentir la production existante. Le pôle Digital a construit le modèle prédictif à partir des données remontées, mais aussi à partir des entretiens avec les techniciens de maintenance, pour intégrer leur expérience de terrain dans les variables du modèle. Le pôle Academy est intervenu en fin de projet pour former les équipes à lire et à interpréter les alertes du nouveau système — un modèle prédictif que personne ne sait utiliser ne sert à rien.
Deux choses ne se sont pas passées comme prévu. D'abord, le modèle le plus simple (un modèle de seuils statistiques sur trois variables) a capté 70% des cas à lui seul — la tentation d'aller directement vers un modèle plus sophistiqué aurait coûté du temps pour un gain marginal au démarrage. Ensuite, la résistance au changement est venue moins des opérateurs que de l'encadrement intermédiaire, qui craignait qu'un système automatisé remette en question son propre jugement. Le sujet s'est réglé en impliquant les chefs d'équipe dans la définition des seuils d'alerte, pas seulement dans leur réception.
Six semaines après le déploiement initial, le temps d'arrêt machine avait baissé de 18% sur les lignes équipées. Le chiffre a depuis été confirmé sur un trimestre complet de suivi.
Le client a depuis étendu le dispositif à deux lignes supplémentaires, et une partie de son équipe maintenance a suivi notre formation Academy « Maintenance prédictive & IoT industriel » pour être autonome sur la lecture des données au quotidien.