Fingermind lance un groupe de travail collaboratif pour façonner l'avenir de la MRO

Quand le Big Data est utilisé pour la maintenance

À ce jour, les opérations de maintenance sont « guidées » par des approches statistiques (maintenance préventive) et, plus récemment, par des approches prédictives basées sur le Big Data et l'IA. Ces différentes méthodes visent à anticiper les problèmes afin de minimiser les temps d'immobilisation des avions. Cependant, ces approches ont toutes leurs limites, notamment lorsqu'il faut tenir compte du facteur humain inhérent à la maintenance.

L'approche traditionnelle par analyse statistique consiste à calculer la probabilité de défaillance « mécanique » (type FMECA) afin d'anticiper le remplacement d'une pièce avant qu'elle ne soit défectueuse.

Pour ce faire, un ensemble de procédures (tâches) est répertorié dans un plan de maintenance (MPD) à exécuter selon un calendrier précis. Le MPD est un document qui comprend la maintenance programmée ainsi que l'ensemble de la politique de maintenance des avions. Ce plan de maintenance obligatoire et régulièrement mis à jour répertorie toutes les tâches à effectuer, exprimées en heures de vol et/ou en nombre de cycles et de calendriers.

Aujourd'hui, des plateformes sont mises à la disposition des compagnies aériennes par les constructeurs ou les fournisseurs (Airbus Skywise, Lufthansa Technik AVIATAR, etc.). L'objectif de ces plateformes est de disposer d'un maximum d'informations pour un type d'avion donné, afin d'obtenir la couverture la plus large possible des incidents/événements.

Sur la base des approches de maintenance planifiée, par exemple, un contrôle C pour un avion comprend environ 1 000 tâches et 5 000 sous-tâches planifiées. Cependant, lors de l'exécution de cette révision C, entre 500 et 1 000 tâches supplémentaires non planifiées devront être exécutées. C'est là la limite de cette approche de maintenance planifiée, qui peut surestimer ou sous-estimer certaines tâches.

De plus, l'inconvénient de ce type d'approche est qu'elle ne tient pas compte des particularités de chaque compagnie aérienne, ni des conditions d'exploitation. L'impact de la pollution sur le vieillissement d'une flotte sera différent dans le Grand Nord qu'au Moyen-Orient ou en Chine, par exemple.

La maintenance prédictive consiste à prendre en compte une grande quantité d'informations générées par l'avion via des mécanismes de messagerie en temps réel (de type ACARS) afin de détecter un ensemble d'événements pouvant être à l'origine d'une panne (cause première).

L'objectif est donc de récupérer des données externes réelles et dynamiques à partir de capteurs afin d'enrichir le retour d'expérience sur le terrain et de permettre une analyse plus détaillée. Cependant, l'approche prédictive a également ses limites, car elle dépend fortement de la qualité des capteurs disponibles sur l'avion (nouveaux programmes A350-B787 par rapport aux anciens programmes A320-B737) pour collecter les données nécessaires.

La solution développée par Fingermind permet désormais de compenser la qualité des capteurs afin de faciliter et d'enrichir la récupération des données « physiques » au sol.

La suite MRO de Fingermind est ainsi capable de collecter et de centraliser des données très spécifiques telles que la température, la luminosité, un large ensemble d'informations contextuelles... De plus, cette collecte est possible aussi bien en ligne que hors ligne.

MRO Suite extraira ensuite un ensemble de données « nominales » et « d'apprentissage » pour générer un modèle d'IA et transférer ce modèle vers l'appareil du mécanicien.

Les approches programmées et prédictives ignorent malheureusement les facteurs humains ainsi que l'utilisation d'outils sur le terrain pour accéder à la documentation technique dans chaque situation.

Ainsi, ces approches de la maintenance ne tiennent pas compte de la manière dont les tâches de maintenance sont effectuées, de la capacité et de l'expertise du mécanicien, des difficultés qu'il peut rencontrer, de la complexité des tâches, du contexte d'utilisation des outils, des conditions climatiques, des heures de travail (nuit, jour...), etc.

Or, la manière dont les différentes tâches sont exécutées a nécessairement un impact sur la maintenance de l'avion et surtout sur le temps passé par le mécanicien.

Il est donc essentiel de comprendre l'environnement de travail et le comportement du mécanicien afin de fournir des informations supplémentaires et de permettre une meilleure prise de décision pour optimiser les procédures de maintenance par la compagnie aérienne.

Aujourd'hui, Fingermind souhaite relever ce défi en réunissant les compagnies aériennes, les mécaniciens, les ingénieurs et tous les acteurs de la MRO au sein d'un groupe de travail afin de co-développer des solutions capables de mieux collecter et analyser les données et de faciliter la prise de décision.

L'objectif n'est évidemment pas d'incriminer tel ou tel mécanicien, ni de pointer du doigt un éventuel manque de formation des équipes. Le sujet doit être traité dans sa globalité dans une optique d'amélioration des processus existants, en tenant compte de toutes les interactions sur le terrain.

Diverses études ont déjà répertorié plusieurs facteurs humains comme causes possibles de dysfonctionnements lors des opérations de maintenance :

• Manque de communication au sein des équipes
• Caractère routinier de certaines opérations
• Manque de compétence malgré les différentes certifications obligatoires
• Manque de concentration lors de l'exécution d'une tâche
• Difficulté à travailler en équipe
• Fatigue et horaires
• Pression liée aux responsabilités
• Stress
• Habitudes
• …

L'objectif du groupe de travail est d'aider le mécanicien à mieux utiliser la documentation pour effectuer les différentes tâches de maintenance dans les délais impartis :

• Tout en respectant les règles de sécurité pour les mécaniciens
• Tout en garantissant la sécurité opérationnelle de l'avion
• Avec un meilleur contrôle du temps d'exécution (planification)
• Avec un souci de traçabilité et de qualité dans la collecte et la restitution des données

Plus globalement, dans le but d'améliorer les processus de maintenance.

Fingermind a donc lancé un groupe LinkedIn intitulé « Future of MRO » afin de rassembler les parties prenantes et leur donner la parole sur leurs attentes et leurs défis respectifs. Cette réflexion commune pourrait idéalement déboucher sur une solution pilote ou un test bêta afin de proposer des solutions qui répondent concrètement aux besoins des acteurs de la MRO.

Si vous souhaitez vous aussi participer à ce groupe pour progresser ensemble dans les processus MRO, venez nous rejoindre !

REJOIGNEZ-NOUS ICI

Les équipes de Fingermind et moi-même partagerons nos différentes réflexions, développements et avancées au sein de ce groupe afin de discuter de leur utilité et de leur faisabilité.

Christophe Remy

PDG de Fingermind