Détection prédictive de pannes sur 240 actifs critiques. Anticipation pannes 9 jours en moyenne, downtime −61%.
Politique de maintenance encore majoritairement corrective (panne → intervention) + préventive systématique (calendaire). Pas de modèle prédictif malgré 8 ans de données SCADA accumulées. Une panne moyenne sur transformateur = 47h de downtime + €120k de pertes + risque sécurité. Direction sous pression régulateur sur la continuité de service.
Pipeline ML déployé sur les données SCADA temps-réel (340 capteurs par actif moyen : vibration, température, courant, gaz dissous pour transformateurs). Modèles spécialisés par famille d'actif (transformateurs, alternateurs, pompes, lignes HT). Probabilité de défaillance à 7/14/30 jours avec mode de défaillance probable + recommandation d'inspection. Intégration GMAO (IBM Maximo) : génération automatique d'ordres de travail priorisés.
Projet en production depuis le déploiement. SLA tenu, équipe interne formée, monitoring continu Kanzi Media inclus dans le contrat de maintenance. Une revue trimestrielle est planifiée pour identifier les évolutions et nouveaux cas d'usage adjacents.