Arrêts non planifiés : pourquoi chaque minute de diagnostic coûte de plus en plus cher

Une ligne de production s’immobilise brusquement. En quelques secondes, plusieurs alarmes apparaissent : température trop élevée, débit insuffisant, vibrations inhabituelles, produit hors tolérance.

La panne est détectée presque immédiatement. Pourtant, sa cause demeure inconnue.

Les opérateurs vérifient les paramètres. Les techniciens consultent les historiques d’alarmes, inspectent différents composants et cherchent à joindre un collègue qui connaît bien l’équipement. Pendant ce temps, la production reste interrompue.

Dans de nombreuses usines, le problème n’est donc plus seulement de détecter une anomalie. Il est de comprendre rapidement pourquoi elle s’est produite pour la résoudre et éviter qu’elle ne se reproduise.

La réparation d’une pièce peut parfois prendre quelques minutes. Trouver la bonne pièce à réparer peut nécessiter beaucoup plus de temps. Or, chaque minute consacrée au diagnostic augmente le coût de l’arrêt non planifié.

Quel est le véritable coût d’un arrêt de production?

Le coût d’un arrêt de production ne se limite pas à la valeur des unités qui n’ont pas été fabriquées.

Lorsqu’une ligne s’arrête, plusieurs catégories de dépenses et de pertes peuvent s’accumuler simultanément :

• perte de capacité de production;
• employés et équipements immobilisés;
• mobilisation urgente des équipes de maintenance;
• heures supplémentaires;
• achat accéléré de pièces;
• rebuts ou produits hors tolérance;
• opérations de nettoyage, de recalibration et de redémarrage;
• retards de livraison;
• pénalités contractuelles;
• détérioration de la relation client.

À cela peuvent s’ajouter des conséquences sur la sécurité, l’environnement ou la conformité réglementaire, selon le procédé concerné.

L’ampleur du problème est considérable. Selon le rapport dans le rappor The True Cost of Downtime 2024 de Siemens, les entreprises du Fortune Global 500 perdraient près de 1 400 milliards de dollars américains par année en raison des arrêts non planifiés. Cette somme correspondrait à environ 11 % de leurs revenus.

Une enquête internationale publiée par ABB indique pour sa part que les pertes moyennes associées aux arrêts non planifiés approchent 170 000 dollars américains par heure. Près de la moitié des répondants rapportent des interruptions liées aux équipements au moins une fois par mois.

Ces moyennes varient évidemment selon le secteur, le site et l’équipement. Une heure d’arrêt sur une petite cellule de production n’a pas les mêmes conséquences qu’une heure d’immobilisation dans une usine automobile, une aciérie ou un procédé fonctionnant en continu.

Dans tous les cas, le compteur continue de tourner jusqu’à ce que la production soit revenue à un état stable.

Une panne comporte plusieurs périodes distinctes

Pour comprendre où se créent les pertes, il est utile de décomposer un arrêt industriel en plusieurs étapes.

1. La détection : Un système de contrôle, un capteur ou un opérateur remarque une anomalie (. Une alarme est déclenchée et l’équipement ralentit ou s’arrête. Dans les installations modernes, cette étape peut être presque instantanée.

2. Le diagnostic :L’équipe cherche à déterminer ce qui s’est produit et pourquoi. Elle analyse les alarmes, consulte les données, interroge les opérateurs et inspecte les composants susceptibles d’être en cause. La durée de cette étape est souvent difficile à prévoir.
3. L’intervention :Une fois la cause probable identifiée, l’équipe procède à l’ajustement, au nettoyage, à la réparation ou au remplacement nécessaire. 
4. Le redémarrage : L’équipement est remis en marche, puis testé. L’équipe doit confirmer que les paramètres sont stables et que la qualité du produit respecte les exigences. Les entreprises suivent généralement la durée totale de l’arrêt. Elles mesurent toutefois moins souvent la proportion du temps consacrée à chacune de ces étapes. Cette distinction est pourtant importante. Une fois la cause connue, la réparation peut être relativement simple. La partie la plus longue et la plus incertaine se situe souvent avant l’intervention, lorsque les techniciens cherchent encore quel élément vérifier.

Le temps de diagnostic, un coût souvent sous-estimé

Lors d’un arrêt non planifié, l’équipe de maintenance ne reçoit pas toujours un message clair indiquant qu’un filtre est obstrué ou qu’une pompe est défaillante.

Elle reçoit plutôt une série d’indices :

• une température qui augmente;
• un débit qui diminue;
• un moteur qui consomme davantage;
• une vibration qui apparaît;
• une qualité de production qui se dégrade;
• plusieurs alarmes déclenchées à quelques secondes d’intervalle.

Le diagnostic consiste à reconstruire la séquence des événements et à déterminer lequel a provoqué les autres.

Cette enquête peut être ralentie par plusieurs facteurs.

Les données sont parfois réparties entre le système de contrôle, le logiciel de maintenance, des fichiers locaux et des rapports papier. Les horodatages ne sont pas toujours synchronisés. Certaines interventions antérieures sont peu documentées. Les noms utilisés dans les rapports ne correspondent pas nécessairement à ceux des capteurs ou des composants.

L’équipe peut également devoir procéder par essais successifs : réinitialiser un paramètre, remplacer un capteur, vérifier un moteur ou démonter un sous-système.

Chacune de ces vérifications prolonge l’arrêt.

Le temps de diagnostic est donc un levier majeur de réduction des pertes. Même lorsqu’il est impossible d’empêcher toutes les pannes, une organisation peut diminuer leurs conséquences en identifiant plus rapidement la véritable cause.

Pourquoi plus de capteurs ne signifie pas toujours un redémarrage plus rapide

Les usines modernes génèrent une quantité croissante de données. Les équipements peuvent mesurer en continu la pression, le débit, la température, les vibrations, la consommation électrique, la vitesse, la position et la qualité des produits.

Ces données améliorent considérablement la capacité à détecter les anomalies. Elles ne fournissent cependant pas automatiquement un diagnostic.

Une alarme répond principalement à la question :

Y a-t-il un problème ?

Le diagnostic doit répondre à une question plus complexe :

Pourquoi cela se produit-il?

Prenons l’exemple d’une augmentation de température. Elle peut provenir d’une sonde défectueuse, d’un manque de lubrification, d’une pompe qui fonctionne mal, d’un filtre obstrué, d’une friction excessive ou d’une défaillance électrique.

La sonde qui déclenche l’alarme indique le symptôme visible. Elle n’est pas nécessairement responsable de la panne.

Plusieurs variables peuvent également changer presque au même moment parce qu’elles sont affectées par une cause commune. Une diminution du débit de refroidissement peut entraîner une hausse de température, une variation dimensionnelle et une dégradation de la qualité du produit.

L’enjeu n’est donc pas seulement de recueillir davantage de données. Il faut pouvoir :

• les remettre dans le bon ordre;
• distinguer les causes des conséquences;
• comprendre les relations entre les composants;
• comparer l’incident avec des situations antérieures;
• éliminer les hypothèses incompatibles avec le fonctionnement réel de la machine.

Sans cette connaissance du procédé, une abondance d’alarmes peut même compliquer le travail des techniciens.

Les coûts cachés d’un mauvais diagnostic

Un diagnostic lent prolonge l’arrêt. Un mauvais diagnostic peut produire des conséquences encore plus coûteuses.

L’équipe peut, par exemple, remplacer un capteur qui fonctionnait correctement, modifier un paramètre qui n’était pas en cause ou inspecter un sous-système sans lien avec la panne.

Ces interventions mobilisent du personnel, utilisent des pièces et retardent la vérification du véritable problème.

Dans certains cas, l’équipement redémarre temporairement sans que la cause profonde ait été corrigée. La même panne réapparaît quelques heures ou quelques jours plus tard. L’organisation subit alors un nouvel arrêt, une nouvelle enquête et une nouvelle intervention.

Les diagnostics imprécis peuvent aussi entraîner :

• une augmentation du stock de pièces de rechange;
• des remplacements préventifs inutiles;
• des entretiens plus fréquents que nécessaire;
• une perte de confiance envers les données et les outils;
• des procédures de dépannage de plus en plus longues;
• une dépendance accrue envers quelques experts.

Même lorsque l’équipe finit par identifier le bon composant, le raisonnement utilisé n’est pas toujours documenté. Le prochain technicien confronté au même problème devra alors recommencer l’enquête.

Réduire le coût des arrêts passe donc aussi par la capacité à conserver et à réutiliser ce qui a été appris pendant les incidents précédents.

Quand le diagnostic dépend de quelques experts

Dans de nombreuses organisations, les techniciens expérimentés possèdent une connaissance très fine des équipements.

Ils savent quelles alarmes sont réellement importantes, quels bruits sont inhabituels, quels composants vérifier en premier et quelles combinaisons de signaux correspondent à une panne connue.

Une partie de ce savoir est documentée dans les procédures. Une autre partie repose sur l’expérience accumulée au fil des années.

Cette dépendance devient problématique lorsque l’expert :

• travaille sur un autre quart;
• se trouve dans une autre usine;
• est absent au moment de l’incident;
• quitte l’organisation;
• prend sa retraite.

La pénurie de main-d’œuvre spécialisée amplifie cet enjeu. Une équipe moins expérimentée peut avoir accès aux mêmes alarmes et aux mêmes manuels, sans posséder le raisonnement nécessaire pour relier rapidement les indices.

La formalisation du savoir métier devient donc un investissement en continuité opérationnelle. Elle permet de rendre explicites les séquences de panne, les relations entre les composants, les vérifications prioritaires et les exceptions connues.

Cette documentation peut ensuite servir à la formation, à l’amélioration des procédures et au développement d’outils d’aide au diagnostic.

Trois leviers pour réduire le temps de diagnostic

Aucune technologie ne permet à elle seule d’éliminer les arrêts non planifiés. Les entreprises peuvent néanmoins agir sur trois leviers complémentaires.

1. Rendre les informations de maintenance plus accessibles

Les données nécessaires au diagnostic existent souvent déjà, mais elles sont dispersées.

Un technicien peut devoir consulter séparément :

• les alarmes du système de contrôle;
• les courbes de capteurs;
• les bons de travail;
• les historiques de remplacement;
• les rapports d’intervention;
• les manuels techniques;
• les procédures internes.

Relier ces sources permet de réduire le temps consacré à rechercher l’information et facilite la comparaison avec des incidents antérieurs. 

La centralisation n’exige pas nécessairement l’ajout de capteurs sur tous les équipements. Dans plusieurs cas, les données déjà disponibles dans les systèmes d’automatisation et de maintenance constituent un point de départ suffisant.

2. Structurer la connaissance du procédé

Les données doivent être interprétées à partir du fonctionnement réel de l’équipement.

Il est donc utile de documenter :

• la fonction de chaque composant;
• les dépendances entre les sous-systèmes;
• les plages de fonctionnement normales;
• les séquences physiquement possibles;
• les scénarios de défaillance connus;
• les contrôles effectués par les experts.

Ce travail aide à distinguer une simple corrélation d’une relation de cause à effet. Il contribue également à préserver le savoir des employés expérimentés.

3. Utiliser l’intelligence artificielle comme outil d’aide à l’enquête

L’intelligence artificielle peut accélérer certaines tâches qui mobilisent actuellement beaucoup de temps.

Un système peut notamment :

• reconstruire la chronologie d’un incident;
• résumer les événements précédant l’arrêt;
• retrouver des cas similaires;
• comparer plusieurs sources d’information;
• suggérer des causes possibles;
• proposer un ordre de vérification;
• présenter les résultats dans un langage accessible.

Les grands modèles de langage peuvent faciliter l’interaction avec ces informations. Un technicien pourrait, par exemple, demander quels événements ont précédé une hausse de température ou quelles interventions antérieures étaient associées à une alarme donnée.

L’IA doit cependant rester un outil d’assistance. Une réponse claire et détaillée n’est pas nécessairement correcte. La recommandation doit reposer sur des données fiables, tenir compte de la configuration réelle de la machine et pouvoir être vérifiée par un humain.

Comment déterminer si votre usine peut réduire son temps de diagnostic?

Avant d’investir dans une nouvelle solution, une organisation peut commencer par examiner quelques questions simples :

• Quels équipements provoquent les arrêts les plus coûteux?
• Combien de temps faut-il généralement pour détecter, diagnostiquer, réparer et redémarrer?
• Quelle proportion de l’arrêt est consacrée à la recherche de la cause?
• Certaines pannes se répètent-elles?
• Les causes réelles sont-elles documentées après les incidents?
• Les données nécessaires sont-elles accessibles et synchronisées?
• Le diagnostic dépend-il fortement de quelques personnes?
• Les techniciens remplacent-ils parfois des pièces sans certitude?
• Existe-t-il suffisamment de cas historiques pour comparer les incidents?
• Les équipes peuvent-elles expliquer pourquoi une cause a été retenue?

Ces questions permettent de repérer les équipements et les scénarios pour lesquels une meilleure exploitation des données pourrait générer rapidement de la valeur.

Il est généralement préférable de commencer par un périmètre limité : une machine critique, des pannes relativement fréquentes et des données déjà disponibles. L’organisation peut alors mesurer le temps de diagnostic actuel, structurer les connaissances nécessaires et évaluer les gains obtenus.

Réduire les arrêts commence par mieux comprendre leurs causes

Les arrêts non planifiés font partie des risques opérationnels les plus coûteux du secteur manufacturier. Leur impact ne dépend pas uniquement de la gravité de la panne. Il dépend aussi de la vitesse à laquelle l’organisation peut comprendre ce qui s’est produit et prendre la bonne décision.

Les capteurs et les alarmes permettent de constater rapidement qu’un problème existe. Ils ne suffisent pas toujours à en trouver l’origine.

En rendant les données plus accessibles, en structurant l’expertise des techniciens et en utilisant l’intelligence artificielle comme outil d’aide au diagnostic, les industriels peuvent réduire le temps consacré à l’enquête et accélérer le retour à la production.

Mais comment développer un assistant de diagnostic réellement fiable? Quelles données faut-il lui fournir? Comment éviter qu’il confonde une cause avec un symptôme et comment s'assurer que son explication tient face à la réalité de la machine?

Notre guide de référence présente les possibilités offertes par l’intelligence artificielle et les grands modèles de langage pour le diagnostic des pannes industrielles. Il expose également les principaux pièges à éviter, les conditions de réussite et les étapes à suivre pour évaluer cette approche dans un environnement de production.

Téléchargez le guide de référence pour découvrir comment utiliser l’IA afin de soutenir le diagnostic des arrêts non planifiés, tout en maintenant l’expertise humaine au cœur de la décision.