La gestion des actifs et la fiabilité sont d'une importance cruciale dans l'industrie minière, notamment en ce qui concerne la sécurité des employés et l'évitement des coûts élevés liés aux temps d'arrêt. Le principal obstacle à une maintenance de classe mondiale est cependant que la plupart des défaillances d'équipement sont aléatoires et difficiles à détecter avant qu'elles ne se produisent. En fait, on estime que la plupart des défaillances sont de nature aléatoire.
La collecte de données d'équipement dans l'industrie minière a toujours été un défi en raison de la nature cloisonnée et distribuée du processus de production. Les sources de données sont réparties dans l'ensemble de l'installation et des mines, sans réseau unifié clair les reliant à un hub principal. Cela se traduit par une visibilité fragmentée et des flux de travail de données manuels. Les technologies de l'information (IT) et les technologies opérationnelles (OT) existent indépendamment, et les données disponibles manquent souvent de contexte, ce qui rend leur compréhension et leur utilisation difficiles. Ce manque de connectivité limite la capacité à extraire des indicateurs de performance à partir d'équipements industriels spécifiques.
Le manque de connectivité et d'accès aux données rend également difficile la mise en œuvre de solutions de maintenance prédictive à l'échelle de l'entreprise. Un test ponctuel et une validation de principe sur un seul équipement ou un très petit groupe en réseau ne constituent pas une solution de maintenance prédictive fiable et laissent encore une grande part de la maintenance au hasard.
Le besoin d'améliorations significatives
Il est clair que la maintenance doit passer d'un mode réactif à un mode proactif pour améliorer l'efficacité, mais pour y parvenir, il faudra investir dans une infrastructure de maintenance plus complète. La simple planification d'une maintenance régulière ne tient pas compte de l'état réel de l'équipement.
Pour gérer efficacement les actifs, une entreprise minière doit comprendre pourquoi, comment et quand ils tombent en panne. La maintenance, en tant que profession et pratique d'entreprise, a considérablement évolué au cours des 50 dernières années, et la technologie a évolué parallèlement. Cependant, les obstacles à l'adoption de la technologie qui peut offrir une maintenance prédictive dans l'industrie minière sont liés au coût et à la nature dispersée des opérations ; il n'existe pas d'option universelle.
Il faut une solution capable de contextualiser les données à grande échelle et de résoudre les problèmes d'architecture et d'intégration des données qui freinent actuellement les déploiements à grande échelle des solutions de maintenance prédictive. C'est là que les systèmes d'opérations de données industrielles entrent en jeu.
Opérations de données industrielles
Les opérations de données industrielles (DataOps) soutiennent le développement d'une solution de maintenance prédictive pour l'exploitation minière. Les technologies utilisées dans DataOps se concentrent sur la science des données pour développer un modèle prédictif. Elles peuvent automatiser la collecte et la collation des données, un processus manuel qui prenait auparavant beaucoup de temps. En réunissant l'OT et l'IT via un système tel qu'Asset Intelligence for Mining, construit sur la plateforme FactoryTalk® DataMosaix™ de Rockwell Automation, la maintenance prédictive devient réalisable.
Les data scientists auront désormais plus de temps pour lire les données et identifier les tendances en matière de santé et de performance des machines. Ces informations leur permettront ensuite de déterminer la cadence de maintenance appropriée pour chaque équipement et ils pourront mettre ces informations à la disposition du personnel concerné dans toute l'entreprise, sur des tableaux de bord faciles à lire sur des tablettes, des ordinateurs portables ou des ordinateurs de bureau. Des informations précieuses, quasi en temps réel, peuvent atteindre la bonne personne avant qu'un équipement ne tombe en panne et provoque un arrêt coûteux.
Les DataOps industriels ajoutent et gèrent des relations significatives entre des données auparavant disparates, accélérant ainsi le développement et le déploiement d'applications d'apprentissage automatique telles que la maintenance prédictive. En d'autres termes, ils simplifient la manière dont une entreprise minière peut extraire de la valeur de données industrielles complexes.
Tout mettre en place
L'association des données de capteurs en temps réel avec des modèles d'actifs basés sur les principes fondamentaux de l'ingénierie (l'idée que vous pouvez construire des choses complexes à partir de choses plus simples) fournit des modèles préconstruits qui sous-tendent une grande partie du fonctionnement d'Asset Intelligence for Mining. DataOps opérationnalise ces modèles.
La maintenance prédictive peut réduire le temps consacré par le personnel à la maintenance, réduire les temps d'arrêt non planifiés et augmenter la productivité.
En savoir plus sur Industrial DataOps et la solution industrielle de Rockwell Automation – Asset Intelligence for Mining.
