Surveillance conditionnelle vs maintenance prédictive : c'est l'une des comparaisons les plus confuses de l'ingénierie de maintenance, et les fournisseurs l'entretiennent souvent volontairement. Cet article distingue clairement les deux, montre le chemin de maturité qui mène de l'une à l'autre et esquisse le flux de données MQTT à construire pour chacune, afin que vous puissiez décider où votre usine doit investir ensuite.
La réponse courte
La surveillance conditionnelle mesure l'état de santé d'un équipement et vous indique quand quelque chose est anormal à l'instant présent. La maintenance prédictive utilise ces mêmes données de santé, plus l'historique, pour estimer quand une panne risque de survenir, afin de planifier la réparation au meilleur moment.
La surveillance conditionnelle est une capacité. La maintenance prédictive est une stratégie construite par-dessus. Impossible de faire de la maintenance prédictive sans surveillance conditionnelle, mais vous pouvez, et la plupart des usines devraient, pratiquer la surveillance conditionnelle bien avant de tenter des prédictions.
Surveillance conditionnelle vs maintenance prédictive en un coup d'œil
| Aspect | Surveillance conditionnelle | Maintenance prédictive |
|---|---|---|
| Question traitée | Cette machine est-elle en bonne santé maintenant ? | Quand cette machine aura-t-elle besoin d'une intervention ? |
| Résultat typique | Alarme ou état de santé | Délai estimé avant le seuil ou durée de vie résiduelle |
| Logique | Seuils, plages, règles | Tendances, modèles de dégradation, statistiques ou machine learning |
| Données nécessaires | Mesures actuelles et une référence | Long historique incluant des pannes passées |
| Délai avant les premiers bénéfices | Quelques jours à quelques semaines | Plusieurs mois, une fois l'historique suffisant |
| Qui agit | L'opérateur ou le technicien réagit à une alerte | Le planificateur programme l'intervention dans le prochain créneau adapté |
| Risque principal | Fatigue des alarmes due à des seuils mal réglés | Modèles auxquels on se fie avant de les avoir validés |
Ces deux approches s'opposent à la maintenance corrective (on répare quand ça casse) et à la maintenance préventive (on intervient selon un calendrier ou un compteur, quel que soit l'état). Leur objectif est le même : cesser de remplacer des pièces saines et cesser d'être surpris par celles qui lâchent.
La surveillance conditionnelle en pratique
Un système de surveillance conditionnelle mesure en continu ou périodiquement une grandeur physique qui reflète l'état de santé :
- Vibrations des moteurs, pompes, ventilateurs et réducteurs
- Température des roulements et des bobinages
- Courant et puissance moteur
- Qualité, pression et débit de l'huile
- Émission acoustique et ultrasons
Chaque mesure est comparée à une limite. Lorsque la limite est franchie, quelqu'un est prévenu. Cela semble simple, et ça l'est, ce qui explique justement pourquoi les bénéfices arrivent vite. Un capteur de vibrations doté d'une alarme relative à une référence pertinente détectera un pied desserré ou un roulement défaillant des jours ou des semaines avant le grippage. Le tutoriel capteur de surveillance vibratoire explique comment en construire un.
Flux de données de surveillance conditionnelle avec MQTT
Le flux est court : du capteur au broker, puis à la logique d'alerte, puis aux personnes.
sensor/gateway --publish--> acme/plant1/press/line2/hydpump1/condition
|
MQTT broker (e.g. ConnectMQ)
| |
threshold alert rule dashboard / topic explorer
|
acme/plant1/press/line2/hydpump1/alert (retained)
Un payload typique ne contient que les valeurs actuelles et leurs unités :
{
"ts": "2026-10-16T08:15:00Z",
"vib_rms_mm_s": 3.1,
"bearing_temp_c": 58.4,
"current_a": 21.7
}
Sur ConnectMQ, les règles d'alerte sur seuil du portail peuvent surveiller ce type de champs et consigner chaque franchissement dans le journal des alertes, ce qui suffit souvent pour un premier pilote. Une logique plus fine, comme des limites relatives à une référence ou l'exigence de plusieurs dépassements consécutifs, réside dans un petit service abonné.
Ce qu'apporte la maintenance prédictive
La maintenance prédictive pose une question plus difficile : vu l'évolution de ce signal, quand atteindra-t-il le point où nous devrons agir ? Pour y répondre, il faut trois éléments dont la surveillance conditionnelle n'a pas besoin :
- Un historique. Des semaines ou des mois de mesures par équipement, stockées dans une base de séries temporelles.
- La connaissance des pannes. Des enregistrements de ce qui est tombé en panne, quand, et de l'allure des signaux auparavant. Sans cela, un modèle n'a rien à apprendre.
- Un modèle. De la simple extrapolation linéaire d'une tendance à une courbe de dégradation fondée sur la physique, ou un modèle de machine learning entraîné. L'article sur la maintenance prédictive avec le machine learning couvre le volet data science.
Le résultat n'est pas une alarme mais une prévision : « Les vibrations du roulement de la pompe 1 augmentent d'environ 0,1 mm/s par jour et franchiront la limite d'alarme dans 12 jours environ. » Un planificateur peut alors programmer le remplacement du roulement lors d'un arrêt existant au lieu de perdre un poste sur une panne imprévue.
Flux de données de maintenance prédictive avec MQTT
Le broker reste le moyen de transport, mais davantage de consommateurs s'y connectent :
sensors/gateways --> MQTT broker --> historian subscriber --> time-series DB
| |
| model / trend job
| |
<------ publish prediction -------------+
acme/plant1/press/line2/hydpump1/prediction (retained)
|
CMMS integration / planner dashboard
La prédiction est republiée sur le broker sous forme de retained message, de sorte que tout tableau de bord ou système de maintenance qui s'abonne reçoit immédiatement la dernière prévision :
{
"ts": "2026-10-16T09:00:00Z",
"signal": "vib_rms_mm_s",
"current": 3.1,
"alarm_limit": 4.5,
"slope_per_day": 0.11,
"days_to_limit": 12.7,
"confidence": "medium"
}
Un premier pas minimal de la surveillance vers la prédiction
Pas besoin de machine learning pour franchir le premier pas prédictif. Une régression linéaire glissante sur un agrégat journalier fournit déjà une estimation utile du « nombre de jours avant la limite ». Le job Python ci-dessous lit des valeurs journalières (depuis votre historien, ici une liste pour plus de clarté) et publie la prévision avec paho-mqtt 2.x sur le serveur MQTT public gratuit, à réserver aux tests.
import json
from datetime import datetime, timezone
import paho.mqtt.client as mqtt
ALARM_LIMIT = 4.5
TOPIC = "connectmq/demo/4c81d2/press/hydpump1/prediction"
# médiane journalière des vibrations RMS en mm/s, de la plus ancienne à la plus récente (normalement issue de votre historien)
daily = [2.1, 2.1, 2.2, 2.2, 2.3, 2.3, 2.5, 2.5, 2.6, 2.8, 2.8, 2.9, 3.0, 3.1]
def linear_fit(values):
n = len(values)
xs = range(n)
mx, my = (n - 1) / 2, sum(values) / n
sxx = sum((x - mx) ** 2 for x in xs)
sxy = sum((x - mx) * (y - my) for x, y in zip(xs, values))
slope = sxy / sxx
return slope, my - slope * mx
slope, intercept = linear_fit(daily[-14:])
current = daily[-1]
days_to_limit = (ALARM_LIMIT - current) / slope if slope > 0 else None
forecast = {
"ts": datetime.now(timezone.utc).isoformat(timespec="seconds"),
"signal": "vib_rms_mm_s",
"current": current,
"alarm_limit": ALARM_LIMIT,
"slope_per_day": round(slope, 3),
"days_to_limit": round(days_to_limit, 1) if days_to_limit else None,
}
client = mqtt.Client(mqtt.CallbackAPIVersion.VERSION2, client_id="pdm-job-4c81d2")
client.connect("broker.connectmq.com", 1883)
client.loop_start()
client.publish(TOPIC, json.dumps(forecast), qos=1, retain=True).wait_for_publish()
client.loop_stop()
client.disconnect()
print(forecast)
C'est volontairement simple. Le script suppose que la dégradation est à peu près linéaire sur les deux dernières semaines, ce qui suffit souvent pour les défauts à évolution lente et ne sert à rien pour les défauts soudains. Cette limite résume honnêtement la maintenance prédictive en général : elle allonge votre délai d'alerte pour les défaillances progressives, tandis que la surveillance conditionnelle doit toujours détecter les défaillances brutales.
Le chemin de maturité de la maintenance
La plupart des usines franchissent ces étapes dans l'ordre. Sauter des étapes est la raison la plus fréquente de l'enlisement des projets prédictifs.
- Corrective. On fonctionne jusqu'à la panne. Aucune donnée.
- Préventive. Tâches fondées sur le temps ou un compteur. Les données résident dans la GMAO sous forme d'ordres de travail.
- Connectée. Les machines publient leur état de base et leurs compteurs. C'est généralement là qu'apparaît une dorsale MQTT, souvent d'abord pour le suivi des arrêts machine.
- Surveillance conditionnelle. Signaux de santé sur les équipements critiques, avec alertes. Les bénéfices arrivent en quelques semaines.
- Maintenance conditionnelle. Pour les équipements surveillés, les ordres de travail sont déclenchés par des alertes d'état plutôt que par le calendrier.
- Maintenance prédictive. Les tendances et les modèles programment les interventions avant le franchissement des seuils.
- Prescriptive. Le système recommande aussi l'action et le meilleur moment, en tenant compte des plans de production et des pièces de rechange.
Mesurez vos progrès avec des indicateurs de fiabilité plutôt qu'avec le nombre de capteurs installés. Le calcul du MTBF et du MTTR vous donne une référence avant de commencer et un moyen de prouver l'amélioration ensuite.
Choisir où investir
Commencez par la surveillance conditionnelle lorsque :
- Vous avez des équipements critiques sans aucune donnée de santé.
- Les pannes coûtent cher, mais vous disposez de peu d'historique de pannes.
- Vous avez besoin de résultats visibles en un trimestre.
Investissez dans la maintenance prédictive lorsque :
- Des données d'état sont collectées régulièrement depuis des mois sur les mêmes équipements.
- Vous disposez de pannes documentées avec l'historique capteur correspondant.
- Il existe une marge de planification, c'est-à-dire qu'une alerte plus précoce changerait réellement le moment de l'intervention.
Dans les deux cas, la décision d'infrastructure est la même : faire passer une fois pour toutes les signaux par une dorsale MQTT fiable et bien nommée, et laisser surveillance, historiens et modèles s'y abonner indépendamment. Un broker MQTT cloud rend cette dorsale accessible depuis l'usine, depuis une équipe data sur un autre site et depuis l'ordinateur portable d'un planificateur de maintenance, sans intégrations point à point sur mesure. Le guide de l'industrie intelligente décrit en détail cette dorsale et la structure de topics ISA-95.
Pièges courants
- Acheter de la prédiction avant la surveillance. Un modèle entraîné sur quelques semaines de données sans aucune panne enregistrée ne prédira rien d'utile.
- Seuils fixes tirés des catalogues. Chaque machine a sa propre normalité. Apprenez des références par équipement.
- Pas de boucle de retour. Les techniciens doivent consigner ce qu'ils ont constaté en répondant à une alerte, sinon vous ne pourrez jamais valider ni améliorer la logique.
- Données en silos. Si le système vibratoire, la GMAO et l'historien ne voient pas les données les uns des autres, la prédiction reste une diapositive dans une présentation.
- Ignorer les pannes soudaines. La prédiction aide face à l'usure progressive. Gardez des alarmes d'état rapides pour tout le reste.
Construisez votre dorsale de surveillance sur ConnectMQ
ConnectMQ est un broker MQTT managé avec MQTT 5, TLS, retained messages, un explorateur de topics en direct et des règles d'alerte sur seuil intégrées : vous pouvez faire de la surveillance conditionnelle dès aujourd'hui et connecter plus tard des historiens et des jobs de prédiction comme de simples clients MQTT. Créez un broker avec l'offre Serverless gratuite sur app.connectmq.com, sans carte bancaire.
Questions fréquentes
La surveillance conditionnelle est-elle la même chose que la maintenance prédictive ?
Non. La surveillance conditionnelle détecte un état de santé anormal maintenant, tandis que la maintenance prédictive utilise les données d'état et l'historique pour prévoir quand une intervention sera nécessaire. La maintenance prédictive dépend de la surveillance conditionnelle.
Laquelle une usine doit-elle mettre en place en premier ?
La surveillance conditionnelle. Elle apporte rapidement des bénéfices et constitue l'historique de données dont toute approche prédictive aura besoin plus tard.
Faut-il du machine learning pour la maintenance prédictive ?
Pas nécessairement. L'extrapolation de tendance sur des signaux bien choisis fournit déjà des estimations utiles du délai avant la limite pour les défaillances progressives. Le machine learning est utile lorsque vous disposez d'un historique riche et de nombreuses pannes enregistrées.
Quel rôle joue MQTT dans l'une ou l'autre approche ?
MQTT est le moyen de transport qui achemine mesures de capteurs, alertes et prédictions entre appareils, tableaux de bord, historiens et systèmes de maintenance. Utiliser un seul broker pour tous évite les intégrations point à point.
