Prédiction des temps de maintenance à partir d'un historique de bons de travail

La planification des programmes de maintenance dans les exploitations minières est un problème complexe à plusieurs variables, parfois humaines. L'un des principaux problèmes est l'absence d'une bonne estimation du temps de réparation. Sans certitude sur cette estimation, on ne peut pas optimiser le remplissage des garages de maintenances et des véhicules de production pourraient se retrouver inutilement immobilisés, ce qui diminue la production de la mine. L’estimation est effectuée, grâce au jugement d’expert et aux données historiques, par les planificateurs et le contremaître durant une réunion hebdomadaire. Cependant, il apparait un écart relativement important entre les temps prédits et les temps observés. Le travail proposé ici explore la possibilité de prédire le temps de maintenance (y compris l'inspection et la réparation) à partir des informations contenues dans les historiques des bons de travail de maintenance à l'aide d'algorithmes d'apprentissage automatique. Ces données sont généralement conservées par les entreprises et utilisées uniquement pour l'analyse statistique des performances et l'estimation des rendements (par exemple, la disponibilité, le rendement, la productivité, etc.). Les bons de travail peuvent contenir une description du problème, le temps de maintenance estimé et le temps de maintenance réel (lorsqu'ils sont clôturés). Dans ce travail, l’objectif est de prédire les temps de maintenance. Avant toute construction de modèle de prédiction, il faudra préparer les données grâce à une préanalyse utilisant des méthodes statistiques et des concepts de qualité des données. Les modèles entraînés seront majoritairement des variantes d’algorithmes d’arbres de décision et des réseaux de neurones. Enfin, plusieurs suggestions seront amenées pour améliorer la prédiction des temps de maintenance. Cette recherche fait partie d'un projet plus vaste : la numérisation des outils de maintenance dans l'industrie minière.

Abstract

Planning maintenance programs in mining operations is a complex problem with many variables, including human factors. One of the main problems is the lack of a good estimate of repair time. Without certainty about this estimate, the filling of maintenance garages cannot be optimized, and production vehicles may be unnecessarily immobilized, reducing production of the mine. The estimate is made, using expert judgement and historical data, by the planners and the foreman at a weekly meeting. However, there appears to be a relatively large discrepancy between predicted and observed times. The work proposed here explores the possibility of predicting maintenance time (including inspection and repair) from information contained in maintenance work order histories, using machine learning algorithms. This data is generally retained by companies and used only for statistical analysis of performance and estimation of yields (e.g. availability, efficiency, productivity, etc.). Work orders may contain a description of the problem, the estimated maintenance time, and the actual maintenance time (when closed). In this work, the aim is to predict maintenance times. Before building any prediction model, the data will have to be prepared through pre-analysis using statistical methods and data quality concepts. The models trained will mainly be variants of decision tree algorithms and neural networks. Finally, suggestions will be made for improving the prediction of maintenance times. This research is part of a larger project: the digitization of maintenance tools in the mining industry.