En ce qui concerne les initiatives de l’IoT (Internet des objets) et le Big Data (Masse de données), la plupart des entreprises sont encore en phase de conception ou d’adoption anticipée, ce qui rend difficile l’obtention d’un solide retour sur investissement (ROI). Il est donc rafraîchissant de partager l’histoire d’une entreprise offrant un ROI réel à ses clients en augmentant considérablement la collecte de données et l’analyse de la maintenance prédictive.
La Division Marine de Caterpillar sert les exploitants de flottes de remorqueurs et navires de transport pour lesquels la consommation de carburant impacte fortement la rentabilité. James Stascavage, directeur de la technologie de l’intelligence chez Caterpillar Marine, a servi dans l’US Navy pendant 28 ans avant de rejoindre ESRG, qui a été acquis par Caterpillar en 2015. « Souvent, quand les gens regardent les données, ils s’attendent à un grand saut – à une chose qui va leur permettre d’économiser des dizaines ou des centaines de milliers de dollars. En réalité, ce sont les petites améliorations qui peuvent donner lieu à d’importantes économies de dollars à travers de nombreux navires », a-t-il partagé.
Lorsque que des entreprises se lancent dans une transformation numérique basée sur les données, elles s’attendent que le projet révèle une forme de graal – la découverte qui les guidera vers la croissance. Stascavage a partagé de nombreuses découvertes « phares » que les clients ont faites en utilisant la plate-forme Asset Intelligence de Caterpillar, construite sur la plate-forme d’analyse et d’intégration de données de Pentaho.
Prouver le ROI du Big Data
Les capteurs embarqués surveillent tout, des générateurs, aux moteurs, au GPS, aux systèmes de climatisation et aux compteurs de carburant. Pour exemple, Caterpillar est en mesure d’identifier que les lectures de compteur de carburant sont corrélées avec la quantité d’énergie utilisée par les conteneurs réfrigérés. Ces données peuvent maintenant être utilisées pour déterminer les paramètres de fonctionnement optimum, simplement en modifiant la puissance de sortie des générateurs.
En effectuant une analyse de maintenance prédictive multivariée dans Pentaho, le client a découvert que le fait d’exploiter plus de générateurs à faible puissance était une approche plus efficace que d’en maximiser quelques-uns.
Les économies réalisées étaient estimées à environ 30 $/l’heure, ce qui peut paraître petit, mais les économies cumulées pour une flotte de 50 navires exploités 24 heures sur 24 et 26 semaines par an généreraient plus de 650 000 $ d’économies.
Un autre exemple d’exploitation a révélé des gains d’efficacité qui pourraient être obtenus en optimisant le nettoyage de la coque. Quand un navire vogue, sa coque est inévitablement contaminée par la corrosion de l’eau salée et des mers agitées, et attaquée par des bernacles, des algues et autres formes de vie des océans.
Un client savait que cela influait sur la performance de sa flotte, mais n’avait aucun moyen de savoir son impact réel, ni si leur budget de nettoyage de coque de près de $ 20,000 par an était réellement efficace.
Les données recueillies à partir des capteurs de bord de navire alors que la flotte a effectué des manœuvres dans une variété de circonstances et de conditions – coques nettoyées et non nettoyées – a été utilisé pour identifier la corrélation entre le montant dépensé pour le nettoyage et les améliorations de performance.
Stascavage confirme : « Quand nous avons regardé leur consommation de carburant, notre recommandation a été qu’ils devaient réaliser le nettoyage beaucoup plus fréquemment – à un intervalle d’environ 6,2 mois par opposition à tous les deux ans auparavant. Ils savaient que le nettoyage plus fréquent, par exemple, quadruplerait le coût du nettoyage de leur coque, mais ce qu’ils n’arrivaient pas à savoir, était l’impact sur les coûts de ne pas faire le nettoyage. »
Dans ce cas, les analyses indiquent que, sur l’ensemble de la flotte de 8 navires du client, les inefficacités causées par les coques sales coûtaient jusqu’à 5 millions de dollars par an et, en optant pour un programme de nettoyage optimisé, elles pouvaient économiser jusqu’à 400 000 $ par navire.
Analyse de maintenance prédictive
Des initiatives comme celles-ci sont d’excellents exemples de déploiements pratiques de l’Internet des Objets (IoT) dans l’industrie – une tendance aussi appelée l’Internet Industriel ou IoT Industriel. Des analyses de maintenance prédictive à l’aide de modèles d’apprentissage de machines construits par des chercheurs de données utilisant R, Python ou Weka, comme ceux utilisés par Caterpillar Marine, sont utilisées dans tous les domaines de l’industrie, dans la mesure où la valeur de la mesure et de l’enregistrement de données, autant que possible, devient plus évidente.
Stascavage précise : « Je pense que la meilleure leçon que nous ayons appris, c’est que vous ne pouvez pas recueillir trop d’informations. Je sais qu’il y a parfois une hésitation – ‘pourquoi allons-nous recueillir cela ? Pourquoi en avons-nous besoin ? Mais les jours de stockage de données étant coûteux s’en sont allés. »
« ll existe des relations entre les données que l’œil humain ne peut voir – des relations sur les relations entre les relations. Et si vous ne collectez pas les données, n’enregistrez pas les données et n’analysez pas les données, vous pourriez ne jamais trouver ces relations. »
La technologie IoT industriel facilitera de plus en plus la croissance et renforcera l’efficacité dans tous les domaines de l’entreprise, ce qui implique aussi les équipements et les machines. Cela entraînera moins de temps d’arrêt, car la maintenance prédictive et la correction des erreurs deviennent courantes avec moins de gaspillage, ce qui entraîne un impact positif sur les facteurs environnementaux tels que la pollution et la production de déchets, ainsi que la rentabilité des résultats financiers.
D'après un entretien avec Bernard Marr.
Commentaires récents