La maintenance prédictive se différencie par le fait que les actions de maintenance ne s’opèrent pas tout les N temps ou N usage. Ce type de maintenance s’associe aux informations collectées en temps réel par des capteurs afin de prévoir les actions à réaliser et anticiper les dysfonctionnements. Par exemple, un capteur de température doit être capable d’établir l’état d’usure d’une pièce et préconiser des interventions. Dans l’absolu cette approche peut s’avérer très onéreuse car l’implantation de nombreux capteurs est nécessaire. La maintenance prédictive peut se décomposer en plusieurs niveaux de maturité :
L’analyse statistiques des données déjà collectées, qui permettent d’améliorer la maintenance préventive et potentiellement entamer une démarche prédictive à l’aide de modèle statistiques. Toutefois, afin de pouvoir établir des modèles statistiques cohérents, il faut avoir accès à un gros volume de données, ce qui peut être un problème si les informations ne sont pas digitalisées.
L’optimisation par la valorisation des connaissances métier. Cette méthode, rapide et peu onéreuse à mettre en œuvre, s’appuie sur les gammes de maintenance existantes. Il s’agit de construire une base opérationnelle cohérente et valoriser les connaissances et expertises de tous les collaborateurs. Les connaissances sont capitalisées au fil de l’eau ou suite à un processus d’analyses des défaillances rencontrées. A chaque panne, on identifie une cause racine et les solutions mises en œuvre. Le triptyque Défaillance / Cause Racine / Solution permet de cartographier les anormalités et de faire évoluer les systèmes ainsi que les processus et gammes tout en renforçant les compétences des équipes de maintenance. A terme les nombres de pannes et de maintenances inutiles diminuent.
