Maintenance conditionnelle: une stratégie de maintenance tournée vers l'avenir

Une approche fondée sur les données qui met l'accent sur l'état réel des actifs

La maintenance conditionnelle (Conditioned-based Maintenance, CBM) fonde les décisions de maintenance sur des mesures en temps réel de l'état des équipements, généralement effectuées par des capteurs. La méthodologie varie selon les secteurs d'activité, mais la collecte et l'analyse des données, la prise de décision et la mise en œuvre opérationnelle constituent les éléments clés récurrents. Grâce à une approche fondée sur les données, la CBM ouvre la voie à une maintenance proactive et prédictive. Cela permet de prolonger la durée de vie opérationnelle des machines, de planifier la maintenance et de pérenniser les processus de production.

Wouter Oude Groothuis - 8 juillet 2026

Modèle de processus uniforme
Dans le cadre de la CBM, on n’intervient que lorsqu’il existe une indication mesurable qu’un composant ou un système se détériore ou menace de tomber en panne. Cette méthode est largement appliquée dans divers secteurs industriels, notamment là où la continuité est cruciale. La méthodologie varie selon les secteurs d’activité, mais le modèle de processus reste uniforme: collecte de données, analyse des données, prise de décision et mise en œuvre opérationnelle.

Collecte des données

La collecte des données est au cœur de la maintenance conditionnelle. Les éléments suivants assurent conjointement un suivi et une analyse précis de l’état de dégradation.

Analyse des composants critiques

La première étape consiste à analyser les composants critiques: quels sont les actifs essentiels à l’exploitation, quels sont les principaux mécanismes de défaillance (usure, fatigue, corrosion, surchauffe…) et quels paramètres mesurables permettent de détecter précocement la dégradation? En général, on réalise à cette fin une FMECA, qui permet ensuite de définir les indicateurs clés de condition (Key Condition Indicators, KCI) - voir liste des termes clés -, par exemple le niveau de vibrations, la température, la pression et/ou la consommation électrique.

Choix des capteurs

Les capteurs sont choisis en fonction des mécanismes de défaillance. Il peut s’agir de capteurs de vibrations, de température, de pression ou de courant à ultrasons. Leur emplacement est crucial: ils doivent être placés sur des points de mesure fixes et reproductibles, aussi près que possible de la source de dégradation potentielle, en tenant compte des directions des vibrations (axiales, radiales). Un mauvais emplacement peut entraîner du bruit ou passer à côté de défauts.

Surveillance de l'état et prétraitement

Pour la collecte des données, il existe en principe deux possibilités:

• la surveillance continue: les capteurs envoient des données en temps réel vers un automate programmable (PLC), un système SCADA ou une plateforme IoT;
• mesures périodiques: elles consistent à utiliser des appareils de mesure portables lors des tournées d’inspection.

Le prétraitement (preprocessing) peut consister en un filtrage du bruit, une conversion vers le spectre de fréquences (FFT) et la détection d’anomalies. L’edge computing implique un traitement local des données de mesure, qui sont ensuite éventuellement transmises vers le cloud.

Transmission

Le transport des données s'effectue via différents réseaux. Il peut s'agir de réseaux câblés (4–20 mA, systèmes de bus industriels tels que Profinet, Ethernet/IP et EtherCAT), sans fil (Wi-Fi, LoRaWAN, 5G) ou via des plateformes IoT industrielles. Les points importants à prendre en compte sont la sécurité des données (cryptage), la latence et la fiabilité de la connexion. 

Stockage

Les données collectées peuvent être stockées dans des bases de données historiques, des environnements cloud et des systèmes de gestion des actifs tels que l’EAM ou le CMMS. Il s’agit d’un enregistrement structuré, comprenant un horodatage, l’identifiant de l’actif (Asset-ID), l’identifiant du capteur (Sensor-ID), la valeur mesurée et des paramètres environnementaux tels que la charge, la vitesse de rotation et la température ambiante. La qualité des données est alors essentielle: des données erronées ou incomplètes compromettent les analyses prédictives.

Analyse des données

Le module d’analyse des données peut être considéré comme le cerveau de la CBM. En général, une telle analyse s’appuie sur des modèles statistiques ou des algorithmes d’apprentissage automatique.

Modèles statistiques

Ces modèles sont les plus couramment utilisés en CBM:

• la régression linéaire, car cette méthode s'applique bien aux schémas de dégradation linéaires et ses résultats sont faciles à interpréter;
• la régression logistique, car cette méthode est particulièrement adaptée aux décisions de maintenance, notamment en raison de la prédiction directe des probabilités;
• le modèle à risques proportionnels de Cox, un modèle standard en ingénierie de fiabilité qui tient compte de la censure (durée de survie connue, moment de la défaillance inconnu) et combine les informations relatives au temps et à l'état.

Algorithmes d’apprentissage automatique

Une fois les données nettoyées, celles-ci sont généralement réparties entre un ensemble d’apprentissage et un ensemble de test. Au cours de la phase d'apprentissage, l'algorithme optimise ses paramètres internes afin de minimiser le nombre de prédictions erronées. Dans l'ensemble de test, la capacité de généralisation à de nouvelles données inconnues est évaluée. Tout ajustement éventuel est effectué à l'aide d'un ensemble de validation distinct.

En raison du flux considérable de données, l’analyse de première ligne est de plus en plus souvent effectuée par l’IA, après quoi un spécialiste interprète et évalue les résultats.

Liste des termes clés
- Analyse des modes de défaillance et de leurs effets (Failure Mode and Effects Analysis, FMEA): méthode systématique permettant d’identifier les défaillances potentielles d’un produit ou d’un processus et d’en évaluer les conséquences à l’avance. 
- Analyse des modes de défaillance, de leurs effets et de leur criticité (Failure Modes, Effects and Criticality Analysis, FMECA): méthode d’analyse par étapes visant à identifier, analyser et hiérarchiser les modes de défaillance, leurs effets et leur criticité.
- Indicateur clé de condition (Key Condition Indicator, KCI): paramètre quantitatif qui surveille les conditions critiques d’un système ou d’un processus afin de signaler en temps utile les performances, les risques et la stabilité. 
- Inspection basée sur les risques (Risk-Based Inspection, RBI): méthodologie permettant de hiérarchiser la maintenance et les inspections en fonction du risque de défaillance, afin d’utiliser les ressources de manière (plus) efficace.
- Durée de vie utile restante (Remaining Useful Life, RUL): période estimée pendant laquelle une machine ou un composant fonctionne encore de manière fiable avant qu’une maintenance ou un remplacement ne soit nécessaire.

Prise de décision

La prise de décision fait le lien entre les conclusions techniques et les interventions de maintenance concrètes. Sa mise en œuvre varie bien sûr selon les secteurs d’activité, mais elle suit ici aussi un déroulement caractéristique.

Interprétation des résultats d’analyse

La première étape consiste ici à examiner dans quelle mesure les valeurs mesurées s’écartent des valeurs normatives ou de référence, et à quelle vitesse une éventuelle dégradation se produit (analyse des tendances). Pour ce faire, les valeurs mesurées sont comparées à des données historiques et à des valeurs de référence. La validation des écarts est également importante, afin d’exclure les erreurs de mesure ou le bruit. On utilise alors souvent des seuils d’alarme et des modèles prédictifs tels que la durée de vie utile restante (RUL, voir liste des termes clés).

Analyse des risques et des impacts

Un écart ne nécessite pas toujours une intervention immédiate. Les critères à prendre en compte sont les suivants:

• la probabilité de défaillance dans un délai donné;
• les conséquences éventuelles en matière de sécurité, de production, de dommages environnementaux et/ou de coûts;
• la redondance du système (la disponibilité de composants supplémentaires ou de sauvegardes);
• l’impact de la défaillance (criticité).

La nécessité d’une intervention est généralement déterminée à l’aide d’une matrice des risques (probabilité × impact). Dans les secteurs critiques, cette approche peut s’appuyer sur les méthodologies FMEA ou RBI (voir liste des termes clés).

Évaluation des options d’intervention

Des mesures sont prises sur la base de l’évaluation des risques et de l’évaluation technique. Il peut s’agir d’une maintenance corrective immédiate, de l’anticipation d’une maintenance planifiée, d’un renforcement de la surveillance ou de l’application de la stratégie « run-to-failure». Si le risque est négligeable, il est possible de renoncer à toute intervention. La disponibilité du personnel et des pièces détachées, la planification de la production, la mise en balance des coûts liés aux temps d’arrêt et à la maintenance, ainsi que les obligations contractuelles sont des éléments importants à prendre en compte dans ce type d’évaluation. 

Prise de décision formelle et hiérarchisation des priorités

Une fois la décision prise, l’intervention choisie est classée par ordre de priorité dans le planning de maintenance, enregistrée dans un système de gestion de la maintenance (CMMS/EAM) et programmée à un moment opportun; par exemple, lors d’un arrêt de production. Dans les environnements CBM plus avancés, ce processus est en partie automatisé grâce à des systèmes d’aide à la décision qui génèrent des recommandations sur la base de règles décisionnelles prédéfinies. La prise de décision est généralement multidisciplinaire; en cas de conséquences importantes, l’approbation de la direction est en règle générale requise.

La boucle de rétroaction assure une amélioration continue de la politique de maintenance et renforce en outre la fiabilité des décisions futures

Retour d’information et optimisation

Le retour d’information constitue un élément essentiel de la prise de décision. Les questions qui doivent impérativement être abordées à cet égard sont les suivantes:

• la décision prise s’est-elle avérée efficace?
• Les prévisions étaient-elles précises?
• Faut-il ajuster les seuils d’alerte ou les modèles?

Cette boucle de rétroaction assure une amélioration continue de la politique de maintenance et renforce en outre la fiabilité des décisions futures. 

Mise en œuvre opérationnelle

Au cours de cette dernière phase du processus, les décisions sont traduites en actions concrètes. Objectif: réaliser une maintenance proactive au bon moment, avec un impact minimal sur la production et une efficacité maximale de l’intervention.

Planification et coordination de la maintenance

Les activités de maintenance sont planifiées en fonction des priorités, de la disponibilité des ressources et d’une interruption minimale de la production. Cela peut notamment se faire en combinant la maintenance avec des périodes d’arrêt déjà prévues (scheduled downtime).

Affectation des ressources

Le terme « ressources » englobe le matériel, l’outillage et le personnel. Lors d’interventions complexes – comme le remplacement de composants critiques ou la réalisation de réparations sophistiquées –, il peut s’avérer nécessaire de faire appel à une expertise spécifique. 

Travaux de maintenance

Le personnel de maintenance réalise les interventions conformément aux décisions prises. Ces travaux sont effectués dans le strict respect des procédures établies et des consignes de sécurité, en veillant scrupuleusement à l’intégrité tant du personnel que des équipements et de l’environnement de travail.

Suivi des interventions

Pendant l’exécution, les données des capteurs et les indicateurs de progression sont enregistrés afin de pouvoir évaluer si l’intervention produit l’effet souhaité. L’enregistrement immédiat des éventuels écarts permet d’apporter rapidement des ajustements.

Enregistrement et retour d’information

Toutes les actions, les résultats et les observations éventuelles sont documentés dans le système de gestion de la maintenance. Ces données constituent une contribution précieuse pour la collecte future de données et la prise de décision, ce qui permet une amélioration cyclique du processus CBM. 

Conclusion
L’avenir de la CBM est prometteur. Alors que les méthodes de maintenance traditionnelles, basées sur le temps ou les intervalles, peuvent entraîner des interventions inutiles ou des arrêts imprévus, la CBM propose une approche fondée sur les données, qui met l’accent sur l’état réel des actifs. Cela renforce la fiabilité et optimise les coûts de maintenance. De plus, la CBM constitue la base de la maintenance prédictive, qui permet de mieux anticiper les pannes.

En collaboration avec Istec, Nidec, Nord Aandrijvingen Belgique et SKF