Exemple de situation — ETI manufacturing : maintenance prédictive et computer vision sur architecture edge

#Contexte

Ce cas est un exemple de situation, construit pour illustrer notre méthode : il ne décrit aucun client réel et ne contient aucun résultat chiffré.

Le profil : une ETI manufacturing avec un 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 remontent 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 ne vient pas chercher de l'IA. Elle vient avec une question de disponibilité machine et de taux de rebut, et avec une réserve explicite : elle a déjà vu passer des offres IIoT séduisantes en présentation et décevantes en exploitation.

#L'enjeu

Prouver le retour 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 situation de départ. 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 commence par la situation de départ, 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 retour annoncé reste une projection commerciale.

Suit 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 valide deux choses : que les signaux captés portent bien l'information attendue, et que les équipes s'emparent des alertes.

L'industrialisation se fait 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.

#Ce que l'on mesure

Aucun résultat chiffré n'est publié ici : il s'agit d'un exemple de situation. Le retour se mesure contre la situation de départ établie au cadrage, pas contre une projection : arrêts non planifiés, temps d'intervention, rebut, coût d'une heure de ligne arrêtée.

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 vise une exploitation sobre : 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.