ETI manufacturing — Maintenance prédictive et computer vision sur architecture edge
Détection d'anomalie sur équipements critiques et contrôle qualité en ligne, traités au plus près des machines. Seules les images de pièces NOK remontent au cloud pour ré-entraînement périodique du modèle. ROI atteint en 7 mois, mesuré contre la baseline établie au cadrage.
Durée
Non communiquée — confidentialité NDA client
Équipe
5 experts
Technologies clés
7 mois
Délai d'atteinte du ROI, mesuré contre la baseline de coûts établie au cadrage
Edge
Traitement des signaux et de l'inférence vision exécuté sur site, au plus près des équipements
Images NOK
Seules les images de pièces non conformes remontent au cloud, pour ré-entraînement périodique du modèle
Aucun
Flux vidéo brut transmis hors de l'usine — bande passante, stockage et exposition contenus
#Contexte
ETI manufacturing française, anonymisée au titre du NDA qui encadre la mission. Parc d'équipements hétérogène accumulé au fil des extensions : machines récentes nativement communicantes côtoyant des équipements plus anciens, robustes mais muets, qu'il faut instrumenter a posteriori.
Deux sujets remontaient du terrain, traités séparément jusque-là. D'un côté la maintenance : régime curatif dominant, arrêts non planifiés subis, interventions préventives calées sur des calendriers constructeur plutôt que sur l'état réel des machines. De l'autre le contrôle qualité : échantillonnage visuel en bout de ligne, avec la variabilité de jugement et le délai de détection que cela implique — un défaut repéré tard, c'est un lot entier à trier.
La direction industrielle n'est pas venue chercher de l'IA. Elle est venue avec une question de disponibilité machine et de taux de rebut, et avec une réserve explicite : elle avait déjà vu passer des offres IIoT séduisantes en présentation et décevantes en exploitation.
#L'enjeu
Prouver le ROI avant d'équiper. L'IIoT s'achète facilement et se rentabilise difficilement. Capteurs, passerelles, licences de plateforme, intégration, formation : la facture se constitue vite, et le gain reste théorique tant qu'on ne l'a pas mesuré contre une baseline. C'est le principe de la Méthode Nehos ROI-First IA — on chiffre avant de signer, et quand le calcul ne tient pas, on le dit.
Faire remonter la donnée sans saturer le réseau. Signaux vibratoires haute fréquence d'un côté, flux caméras de l'autre : envoyer tout cela vers un cloud est une mauvaise idée sur trois plans — bande passante de site, coût de stockage, exposition d'une donnée de production sensible. Le transport des données brutes coûte souvent plus cher que la valeur qu'on en extrait.
Rester exploitable par les équipes. Une alerte qu'un technicien ne comprend pas est une alerte ignorée. Le succès se joue autant sur l'ergonomie du signal que sur la qualité du modèle.
#La solution
Deux briques métier posées sur une même architecture edge.
Maintenance prédictive. Instrumentation des équipements critiques, collecte de signaux physiques — vibration, température, courant moteur — remontés via les protocoles industriels du site (OPC-UA, MQTT) vers une couche de traitement locale. Les modèles de détection d'anomalie tournent sur site. Ce qui en sort n'est pas un score brut mais un ordre de travail préparé, injecté dans la GMAO des équipes : équipement concerné, dérive observée, criticité.
Computer vision qualité. Caméras industrielles en ligne, modèle de détection de défauts embarqué sur calculateur edge, décision OK/NOK transmise à l'automate pour le tri sans quitter la machine. Le contrôle passe de l'échantillonnage à la continuité, et le rejet devient une opération de ligne plutôt qu'une reprise après coup.
Le point d'architecture structurant tient en une phrase : seules les images de pièces NOK remontent au cloud, pour ré-entraînement périodique du modèle. Aucun flux vidéo brut ne quitte l'usine. Conséquences directes : bande passante contenue, coût de stockage contenu, exposition réduite. Et un effet vertueux — le jeu de données d'apprentissage se concentre sur les cas qui font progresser le modèle. Une image de pièce conforme de plus n'apprend presque rien ; une image de défaut mal classé apprend beaucoup.
#Déroulé
Le cadrage a commencé par la baseline, avant tout achat de matériel : historique des arrêts non planifiés, temps d'intervention, motifs de rebut, coût réel d'une heure de ligne arrêtée. Sans cette référence, un ROI annoncé reste une projection commerciale.
A suivi un pilote sur périmètre restreint, choisi pour sa criticité et pour la disponibilité d'un historique exploitable — critère souvent sous-estimé : un modèle de dérive a besoin de passé. Le pilote validait deux choses : que les signaux captés portent bien l'information attendue, et que les équipes s'emparent des alertes.
L'industrialisation s'est faite par extension progressive, avec l'intégration comme fil conducteur : remontée dans la GMAO existante, articulation avec les rituels de maintenance, transfert de compétences vers l'équipe interne pour l'exploitation courante et la relecture des cas litigieux en vision.
#Résultats
Le ROI a été atteint en 7 mois. Il est mesuré contre la baseline établie au cadrage, pas contre une projection.
Ce que l'équipe maintenance retient n'est pas le modèle mais le changement de régime : on intervient sur signal plutôt que sur calendrier, et la planification redevient un choix plutôt qu'une contrainte subie. Côté qualité, le contrôle en ligne déplace la détection en amont — un défaut vu à la pièce coûte structurellement moins cher qu'un défaut vu au lot.
L'architecture edge a tenu sa promesse : le traitement reste sur site, et la boucle de ré-entraînement alimentée par les seules images NOK fait progresser le modèle sans transformer le lien réseau de l'usine en goulot d'étranglement.
#Enseignements
L'edge est un choix économique avant d'être un choix technique. On ne met pas le traitement au plus près de la machine par élégance d'architecture, mais parce que transporter et stocker de la donnée brute industrielle coûte cher et rapporte peu.
Les images NOK valent plus que les images OK. Ne faire remonter que les cas anormaux réduit le volume et améliore la qualité du ré-entraînement. Ce n'est pas un compromis dégradé, c'est le bon dimensionnement.
L'historique est le vrai goulot. La faisabilité d'un modèle de maintenance prédictive dépend moins du capteur choisi que de la profondeur et de la propreté des données déjà disponibles sur l'équipement.
L'intégration GMAO fait l'adoption. Un signal qui arrive dans l'outil que le technicien ouvre déjà chaque matin est un signal traité. Le même signal dans un tableau de bord dédié est un signal consulté les premières semaines, puis oublié.
Ce cas relève de notre service Agents IA et de sa brique computer vision industrielle, au sein du vertical Énergie & Industrie. Le cadrage type est détaillé dans le cas d'usage maintenance prédictive en ETI manufacturing.
Résultats mesurés
ROI atteint en 7 mois, mesuré contre la baseline de coûts établie au cadrage
Maintenance prédictive sur équipements critiques — alertes converties en ordres de travail dans la GMAO existante
Contrôle qualité par computer vision en ligne — décision OK/NOK transmise à l'automate pour tri
Architecture edge : signaux et inférence vision traités sur site
Seules les images de pièces NOK remontent au cloud, pour ré-entraînement périodique du modèle
Aucun flux vidéo brut transmis hors de l'usine
Passage d'une maintenance calendaire à une maintenance déclenchée sur signal
Transfert de compétences vers l'équipe interne pour l'exploitation courante
L'essentiel sur ce cas client
ETI manufacturing française anonymisée NDA. Point de départ : maintenance en régime curatif, arrêts non planifiés subis, et contrôle qualité par échantillonnage visuel en bout de ligne.
Deux briques métier posées sur une même architecture edge : maintenance prédictive sur les équipements critiques, et contrôle qualité par computer vision directement en ligne, décision OK/NOK prise sur la machine.
Choix d'architecture structurant : seules les images de pièces NOK remontent au cloud, pour ré-entraînement périodique du modèle. Aucun flux vidéo brut ne quitte l'usine — bande passante contenue, coût de stockage contenu, exposition réduite.
ROI atteint en 7 mois, mesuré contre la baseline établie au cadrage avant tout achat de matériel. Positionnement Nehos : on chiffre le ROI avant de signer, on livre et on mesure.
Questions fréquentes sur ce cas client
Un NDA encadre la mission. Dans un contexte industriel concurrentiel, le détail du parc d'équipements, les motifs de rebut et les coûts d'exploitation d'une ligne sont des informations sensibles. Les éléments techniques et le délai d'atteinte du ROI présentés ici sont réels et vérifiables par Nehos sous NDA réciproque.
Parce qu'ils relèvent du périmètre couvert par le NDA. Publier un montant approximatif ou reconstitué serait plus trompeur qu'utile : les gains d'un projet de maintenance prédictive dépendent entièrement du coût horaire d'une ligne arrêtée et du volume de production, deux données propres à chaque site. Ce qui est communicable et vérifiable, c'est le délai d'atteinte du ROI — 7 mois — et la méthode de mesure qui l'établit.
Pour trois raisons cumulées. La bande passante d'un site industriel n'est pas dimensionnée pour des flux caméras continus. Le coût de transport et de stockage de la donnée brute dépasse rapidement la valeur qu'on en extrait. Et la donnée de production reste une donnée sensible qu'il vaut mieux ne pas faire circuler sans nécessité. À cela s'ajoute une raison fonctionnelle : une décision de tri en ligne doit être prise à la cadence de la machine, ce qui exclut un aller-retour réseau.
Parce que ce sont les seules qui apprennent quelque chose au modèle. Une image de pièce conforme supplémentaire n'apporte quasiment aucune information nouvelle, alors qu'une image de défaut — surtout mal classé — en apporte beaucoup. La remontée sélective des images NOK vers le cloud pour ré-entraînement périodique réduit donc le volume transféré tout en améliorant la qualité du jeu d'apprentissage. Ce n'est pas un compromis dégradé, c'est le bon dimensionnement.
En ne créant pas d'outil supplémentaire. Les alertes de maintenance prédictive sont converties en ordres de travail dans la GMAO déjà utilisée par les équipes, avec l'équipement concerné, la dérive observée et la criticité. Un signal qui arrive dans l'outil que le technicien ouvre chaque matin est un signal traité ; le même signal dans un tableau de bord dédié est consulté les premières semaines, puis oublié.
Non, et c'est un point qu'on pose au cadrage plutôt qu'après. La faisabilité dépend moins du capteur choisi que de la profondeur et de la propreté de l'historique disponible sur l'équipement : un modèle de dérive a besoin de passé. Sur les machines dépourvues d'historique exploitable, on commence par instrumenter et accumuler, sans promettre de détection immédiate.
Contre une baseline construite avant tout achat de matériel : historique des arrêts non planifiés, temps d'intervention, motifs de rebut, coût réel d'une heure de ligne arrêtée. C'est le principe de la méthode Nehos ROI-First IA — on chiffre le retour avant de signer, et quand le calcul ne tient pas, on le dit au client plutôt que de lancer le projet.