CAS-01
Industrie
Data, Vision & Prédictif
Scénario illustratif · chiffres à confirmer
Maintenance prédictive industrielle : comment un industriel a réduit ses arrêts imprévus
- CLIENT
- [Nom du client] — ETI de la mécanique de précision, [350] salariés, 2 sites
- SECTEUR
- Industrie
- DURÉE
- [5 mois]
- EXPERTISES
- Data, Vision & Prédictif
- FORMAT
- Déploiement
-30 %
d'arrêts non planifiés
48 h
d'anticipation moyenne des pannes
9 mois
pour atteindre le ROI
Le défi
L'entreprise subissait régulièrement des pannes imprévues sur ses centres d'usinage. Chaque arrêt désorganisait la production, retardait les livraisons et générait des heures supplémentaires. Les machines étaient pourtant équipées de capteurs, mais leurs données n'étaient ni centralisées ni exploitées.
OUR APPROACH
Approche V-U-L-Y-X
V
VisionAteliers avec la direction industrielle et la maintenance pour choisir 6 machines critiques et fixer l'objectif : anticiper au moins 24 h avant une panne.
U
Unified IntelligenceConnexion des données capteurs et de l'historique GMAO dans une base unique, nettoyage de [18 mois] d'historique.
L
LogicModèle de détection d'anomalies validé avec les techniciens pour chaque alerte : quel capteur, quelle dérive.
Y
YieldSuivi mensuel des arrêts évités et du coût de maintenance, comparé à l'année précédente.
X
eXperimentationPilote de 6 semaines sur une ligne, ajustement des seuils, puis extension au second site.
La solution
Un tableau de bord atelier affiche l'état de santé de chaque machine (vert, orange, rouge). Lorsqu'une dérive est détectée, le technicien reçoit une alerte avec la cause probable et l'historique comparable.
TECHNOLOGIES · Capteurs existants (vibrations, température), détection d'anomalies, tableau de bord atelier
CAPTURE D'ÉCRAN · SCHÉMA D'ARCHITECTURE
Et maintenant ?
Extension à [20] machines supplémentaires et couplage avec la planification de production.
Démarrer un projet similaire →