IoT et Big Data chez Caterpillar : Comment la Maintenance Prédictive Permet d’Économiser des Millions de Dollars
Un exemple concret de l’application du Big Data et du machine learning dans l’industrie
Les exemples de projets Data avec un retour sur investissement clairement identifié sont rares. Il est rafraîchissant de lire de temps en temps des succès industriels tels que celui de Caterpillar. Au sein de la Division Marine de Caterpillar, la maintenance prédictive a, par exemple, permis d’économiser 3,2 millions de dollars sur une flotte de 8 bateaux. Explication :
Pour les exploitants de flottes de remorqueurs et de navires d’expédition, la consommation de carburant est le nerf de la guerre. James Stascavage, directeur de la technologie du renseignement chez Caterpillar Marine, a servi avec la marine américaine pendant 28 ans. Il a ensuite rejoint ESRG, acquis par Caterpillar en 2015. Selon lui :
Souvent, lorsque les gens regardent les données, ils recherchent le « Graal », ce quelque chose qui leur permettra d’économiser des dizaines voire des centaines de milliers de dollars. En réalité, ce sont les petites améliorations sur de nombreux navires qui peuvent engendrer des économies importantes
À mesure que les entreprises se tournent vers des transformations basées sur l’utilisation des données, elles recherchent un plan pour trouver ce Graal, une découverte en or qui les guidera vers la croissance. James Stascavage a partagé la découverte de plusieurs Graals à partir de la plate-forme Asset Intelligence de Caterpillar, qui repose sur la plate-forme d’intégration et d’analyse de données, Pentaho.
Comment trouver le ROI dans un projet Big Data
Les capteurs à bord du navire mesurent tout : générateurs, moteurs, GPS, climatisation et bien sûr la consommation de carburant. Il est possible pour Caterpillar d’identifier le lien entre la consommation de carburant et la quantité d’électricité nécessaire pour garder des conteneurs réfrigérés. Ces données peuvent maintenant être utilisées pour déterminer les paramètres optimaux, en modifiant simplement la puissance des générateurs.
En effectuant une analyse multivariée de la maintenance prédictive dans Pentaho, le client a découvert que l’utilisation de plus de générateurs à faible puissance était une approche plus efficace que l’utilisation intensive de quelques-uns.
Les économies réalisées ont été estimées à environ 30 $ par heure, ce qui peut sembler faible, mais les économies cumulées pour une flotte de 50 navires opérant 24 heures sur 24 et 26 semaines par an généreront plus de 650 000 $ d’économies.
Un autre apprentissage vient de gains générés en optimisant le nettoyage de la coque. À mesure qu’un navire navigue, inévitablement sa coque est abimée par la corrosion de l’eau salée et des mers agitées, et est attaquée par des crustacés, des algues et d’autres éléments de la vie marine.
Un client avait l’intuition que le nettoyage de la coque avait un impact sur la performance de leur flotte, mais n’avait aucun moyen de le connaître, ni comment dépenser efficacement son budget de nettoyage de près de 20 000 $ par an.
Des données ont été recueillies grâce aux capteurs d’une flotte de navires nettoyés et non nettoyés ayant effectuée des manœuvres dans diverses circonstances. Ces données ont été utilisées pour identifier la corrélation entre le montant dépensé pour le nettoyage et la performance.
James Stascavage raconte « Lorsque nous avons examiné leur consommation d’essence, notre recommandation était qu’ils devraient nettoyer la coque beaucoup plus fréquemment : un intervalle d’environ 6,2 mois par opposition à tous les deux ans ».
« Ils savaient qu’un nettoyage plus fréquent quadruplait le coût, mais ce qu’ils n’ont jamais su, était combien cela coûte de ne pas faire ce nettoyage. »
Dans ce cas, les analyses ont montré que, sur une flotte de 8 navires du client, les inefficacités causées par les coques sales coûtaient jusqu’à 5 millions de dollars chaque année. En passant à un calendrier de nettoyage optimisé, ils pouvaient s’attendre à économiser jusqu’à 400 000 $ par navire, soit une économie de 3,2 millions de dollars chaque année.
L’analyse dans la maintenance prédictive
Des initiatives comme celles-ci sont d’excellents exemples de déploiements pratiques de la technologie Internet of Things (IoT) dans l’industrie souvent appelée l’industrie 4.0. Des analyses de maintenance prédictive utilisant des modèles d’apprentissage construits par des data scientists utilisant Python ou R, telles que celles utilisées par Caterpillar Marine, sont utilisées dans tous les domaines d’activité. La valeur issue de la collecte et de l’analyse des données devient enfin claire.
James Stascavage dit : « Je pense que la meilleure leçon que nous avons apprise, c’est que le concept de « trop d’informations » n’existe pas. Je sais qu’il y a parfois une hésitation : pourquoi allons-nous collecter cela ? Pourquoi en avons-nous besoin ? Les jours où le stockage de données était coûteux sont derrière nous. »
« Il existe des liens entre des données que l’oeil humain ne peut tout simplement pas voir.
Et si vous ne récupérez pas la donnée, ne gardez pas la donnée, et n’analysez pas la donnée, vous pourriez ne jamais trouver ces liens ».
Le déploiement de l’IoT dans l’industrie est source de croissance et permet des gains de productivité dans n’importe quel domaine d’activité. Cela entraîne moins de temps d’arrêt. La maintenance prédictive et la correction des défauts deviennent courantes et réduisent le gaspillage. L’impact est double : sur la rentabilité des entreprises et sur l’environnement avec une réduction de la pollution et la production de déchets.
L’article a été originellement publié sur Forbes. Bernard Marr est un auteur à succès spécialisé dans les nouvelles technologies. Merci à Bernard Marr d’avoir accepté de retranscrire son article ici.
Si vous souhaitez être notifié à chaque nouvel article, pensez à vous abonner juste en dessous.
Vous souhaitez tirer profit de la data science dans votre entreprise comme Caterpillar ? N’hésitez pas à me contacter.
