La maintenance prédictive est l’une des applications industrielles les plus matures de l’IA. Dans l’automobile, où l’arrêt d’une ligne de production coûte en moyenne 50 000 euros par heure, les enjeux sont directs.
Stellantis : des capteurs à la décision en 90 secondes
Sur son site de Sochaux, Stellantis a déployé un système de surveillance en temps réel sur 2 400 équipements critiques. Des capteurs collectent en continu température, vibrations, consommation électrique et pression. Un modèle analyse ces flux et génère une alerte de maintenance prédictive quand une anomalie est détectée.
Le délai entre l’alerte et la panne effective est en moyenne de 72 heures, laissant suffisamment de temps pour planifier une intervention sans arrêter la production. Depuis le déploiement, les pannes non anticipées sur les équipements couverts ont diminué de 38%.
BMW : intégration dans le planning de production
BMW a choisi d’intégrer les alertes de maintenance directement dans son système de planification de production à l’usine de Leipzig. Quand une maintenance est préconisée, le système cherche automatiquement un créneau dans le planning où l’arrêt de l’équipement aura le moins d’impact sur les cadences.
Cette intégration est décrite par les équipes de maintenance comme le vrai changement. Ce n’est pas la prédiction qui crée de la valeur, c’est la capacité à agir sur la prédiction sans perturber la production.
Renault : les limites de la généralisation
Renault a déployé un pilote sur trois usines, avec des résultats disparates. Le système performe bien sur les équipements standardisés, utilisés de la même façon d’une usine à l’autre. Il est moins efficace sur les équipements anciens (plus de 15 ans) dont les données de capteurs sont incomplètes ou non normalisées.
Le groupe a depuis décidé de conditionner tout déploiement à une phase d’audit préalable de la qualité des données disponibles sur chaque équipement.
Ce qu’on retient
La maintenance prédictive fonctionne. Ses conditions de succès sont connues : capteurs fiables, données historiques suffisantes, et surtout intégration dans les processus opérationnels existants. Déployée en silo, elle génère des alertes que personne ne suit.