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.