Maintenance prédictive : définitions, modèles et pièges

La maintenance prédictive consiste à surveiller l’état réel d’un équipement pour intervenir avant la panne, sans immobiliser une machine qui pouvait encore tourner. Le principe est simple. Sa mise en oeuvre échoue pourtant assez souvent pour que la plupart des projets ne dépassent jamais le prototype.

Ce guide décrit ce que la technologie sait faire, ce qu’elle ne sait pas faire, et les conditions dans lesquelles un projet passe en production.

La norme reconnaît deux types de maintenance, pas trois

La plupart des guides annoncent trois types de maintenance. La norme NF EN 13306, qui fait référence en France, n’en reconnaît que deux.

La maintenance corrective intervient après la défaillance. Elle se divise en maintenance palliative, un dépannage provisoire qui remet l’équipement en service sans traiter la cause, et en réparation définitive. Le mot « curative », courant dans les ateliers, n’a aucune valeur normative.

La maintenance préventive intervient avant. Elle se divise à son tour en deux. La maintenance systématique s’exécute à intervalles fixes, tous les six mois ou toutes les mille heures, sans contrôle préalable de l’état du bien. La maintenance conditionnelle se déclenche quand la surveillance révèle un écart : température, vibration, pression, analyse d’huile.

La maintenance prédictive est une sous-famille de la conditionnelle, pas une troisième catégorie. Elle ajoute à la surveillance une projection dans le temps : au lieu de réagir au franchissement d’un seuil, elle estime quand ce seuil sera franchi.

Une précision de vocabulaire qui explique bien des malentendus. « Conditionnelle » traduit l’anglais condition-based, qui signifie « fondée sur l’état de la machine ». Le mot français laisse entendre « soumise à des conditions », ce qui n’a rien à voir.

Ce que la prédiction dit, et ce qu’elle ne dit pas

Trois questions différentes se cachent derrière le mot « prédictif », et elles ne donnent pas les mêmes projets.

La détection d’anomalie signale un comportement inhabituel par rapport au fonctionnement normal. Elle ne dit ni la cause, ni la gravité, ni l’échéance. Une pompe qui vibre autrement que d’habitude déclenche une alerte, sans qu’on sache si la panne survient dans trois jours ou dans six mois.

La prédiction de défaillance estime la probabilité qu’un événement précis survienne dans une fenêtre de temps donnée. Elle projette, avec une notion de gravité.

L’estimation de durée de vie résiduelle, désignée par l’acronyme anglais RUL, répond à la question du temps restant avant intervention.

Aucune des trois ne dit quoi faire. Un modèle qui annonce une défaillance de pompe sous 72 heures laisse entière la question de savoir s’il faut changer le roulement, rééquilibrer l’arbre ou resserrer une fixation. C’est le travail du diagnostic, et c’est là que beaucoup de déploiements calent : l’alerte arrive, l’équipe de maintenance ne sait pas quoi en faire, et l’outil tombe en désuétude au bout de quelques mois. Le même écart se retrouve en prédiction d’attrition client, où savoir qui va partir ne dit pas encore qui contacter.

Un dispositif utile associe donc la prédiction à une aide au diagnostic, et s’intègre à la GMAO pour déclencher un bon d’intervention plutôt qu’un courriel de plus.

Trois familles de modèles, selon les données dont vous disposez

La question qui décide de l’approche n’est pas le budget ni la technologie. C’est de savoir si vos pannes passées sont documentées.

Sans historique de pannes étiqueté : la détection non supervisée

C’est le cas le plus fréquent, et la première objection que soulèvent les responsables maintenance : nous n’avons pas assez de pannes enregistrées pour entraîner quoi que ce soit.

Les modèles non supervisés apprennent le comportement normal de la machine et signalent les écarts, sans avoir jamais vu de panne. Isolation forest, autoencodeurs et machines à vecteurs de support à une classe font partie des approches courantes. Elles ne nomment pas le mode de défaillance, mais elles détectent qu’il se passe quelque chose.

Avec un historique documenté : la classification supervisée

Quand les pannes passées sont enregistrées, datées et qualifiées, le modèle apprend à reconnaître les signaux qui les ont précédées. Forêts aléatoires, gradient boosting et réseaux de neurones prédisent alors la probabilité de défaillance dans les prochaines heures, et parfois la classe de défaillance probable.

Cette approche suppose deux choses. Un volume d’historique suffisant, de quelques mois pour des événements fréquents à plusieurs années pour des événements rares. Et que le mode de défaillance à prédire ait déjà été observé : un modèle ne prédit pas une panne dont il n’a jamais vu d’exemple.

Pour aller plus loin : la durée de vie résiduelle

Les modèles de séries temporelles et de survie estiment le temps de fonctionnement restant avant intervention. Ils demandent des données de dégradation continues, pas seulement des dates de panne, ce qui les réserve aux équipements bien instrumentés.

Les chiffres circulent, et ils ne s’accordent pas

Les gains annoncés varient d’un facteur dix selon la source.

Les cabinets d’analyse citent le bas de la fourchette, les fournisseurs de solutions le haut. Retenez l’ordre de grandeur des premiers pour construire un business case.

Deux cas nommés donnent un point d’appui plus solide. Bosch a connecté 120 000 contrôleurs de machines dans ses usines et rapporte une baisse de 25 % de ses coûts de maintenance. Nissan surveille plus de 9 000 équipements de trente types différents et annonce une réduction de moitié des arrêts de production.

Côté délai de retour, comptez douze à trente-six mois dans le ferroviaire, moins d’un an sur des équipements simples et nombreux comme les pompes. IBM chiffre le coût des immobilisations imprévues à environ 11 % du chiffre d’affaires pour les entreprises du Fortune Global 500, ce qui donne une idée de l’enjeu sur des actifs critiques.

Quatre raisons pour lesquelles ces projets restent au stade du prototype

Aucune n’est algorithmique.

L’historique de pannes n’existe pas, ou pas sous une forme exploitable

Les interventions ont été saisies en texte libre, les causes ne sont pas codifiées, les dates d’arrêt et les dates de réparation se confondent. Le modèle supervisé devient impossible. La solution existe, c’est la détection non supervisée, mais elle suppose de l’accepter dès le cadrage plutôt que de le découvrir au troisième mois.

Les données sont cloisonnées

SAP le reconnaît sur sa propre page consacrée au sujet : beaucoup de programmes échouent parce que les données d’équipement sont incomplètes, incohérentes ou enfermées dans des systèmes qui ne communiquent pas. Les capteurs sont d’un côté, la GMAO de l’autre, l’historique de production dans un troisième outil, et les référentiels d’équipements ne portent pas les mêmes identifiants.

L’alerte arrive sans la conduite à tenir

Un technicien qui reçoit une alerte sans indication de la pièce à contrôler cherche, ne trouve rien, et cesse de faire confiance au système. Le taux de fausses alertes compte davantage que la précision globale du modèle : trois alertes injustifiées suffisent à disqualifier l’outil auprès d’une équipe de terrain.

Le prototype n’a pas été conçu pour passer à l’échelle

Un modèle qui tourne sur un jeu de données extrait à la main, sur un poste isolé, ne devient pas un service industriel par simple extension. Le passage en production demande des flux de données automatisés, une supervision des performances du modèle, une gestion des dérives et un recalibrage périodique. Ces exigences se traitent au cadrage, pas après la démonstration.

Par où commencer, dans l’énergie et le transport

Ces deux secteurs réunissent les conditions favorables : des actifs nombreux et comparables, des cycles d’usage réguliers, un coût d’immobilisation élevé, et souvent une instrumentation déjà en place.

Dans le ferroviaire, les portes de rame s’ouvrent et se ferment plusieurs centaines de fois par jour, ce qui produit un volume d’événements suffisant pour apprendre en quelques mois. Les organes de roulement, les compresseurs et les systèmes de climatisation présentent le même profil.

Dans l’énergie, les transformateurs de poste, les turbines et les pompes de circulation cumulent une instrumentation ancienne et un coût de défaillance qui justifie l’investissement.

Quatre étapes, dans cet ordre.

1. Choisir une famille d’équipements, pas un équipement. Un modèle entraîné sur cent pompes identiques apprend plus vite que sur une machine unique.
2. Inventorier les données réellement disponibles avant de parler de modèle : signaux de capteurs, historique GMAO, comptes rendus d’intervention, conditions d’exploitation. C’est cet inventaire qui détermine l’approche.
3. Fixer le critère de réussite avant de modéliser. Combien d’alertes par semaine l’équipe peut-elle traiter, et quel taux de fausses alertes reste acceptable ? Sans cette limite, aucun modèle n’est déclaré prêt.
4. Prévoir l’intégration à la GMAO dès le départ, pour que l’alerte produise un bon d’intervention et non un tableau de bord de plus.

La réussite tient aussi à l’appropriation par les équipes de maintenance. C’est ce que traite notre formation IA en entreprise, sur mesure et adaptée à votre secteur.

Un projet cadré ainsi produit un premier résultat mesurable en quelques mois. Un projet qui commence par le choix de la plateforme met un an à découvrir que l’historique n’était pas exploitable.

Si vous voulez confronter votre parc à cette grille, notre équipe modélisation prédictive cadre ce type de projet et le mène jusqu’à la production.

À propos de l’auteur

Charles GERARD est Directeur IA chez Atheïa, cabinet de conseil en data et intelligence artificielle. Il conçoit des modèles prédictifs et des systèmes d’IA pour des grands comptes de la banque, de l’assurance, de l’énergie et du transport, avec une pratique de la prévision par séries temporelles et de la détection d’anomalies. En 2025, il est intervenu sur l’intelligence artificielle appliquée à la maintenance prédictive devant une communauté d’utilisateurs de GMAO.