Maintenance prédictive par IA pour les flottes de véhicules

La maintenance prédictive par IA transforme un code d'anomalie moteur en décision : elle indique la gravité du problème et ce qu'il faut faire, au lieu de signaler seulement qu'un événement s'est produit. Sans elle, le gestionnaire de flotte qui reçoit un numéro de code doit en connaître la signification par cœur ou la chercher, puis juger lui-même de l'urgence : retirer le véhicule tout de suite, ou le laisser finir sa route et l'envoyer à l'entretien prévu. Ce jugement reposait souvent sur l'expérience d'un seul mécanicien plutôt que sur des critères constants appuyés par des données.

L'analyse des codes d'anomalie par IA sert à combler cet écart. La fonction Fault Code Enrichment, offerte sur la plateforme High Point GPS et bâtie sur une technologie de Noregon, classe par IA les signaux d'anomalie entrants. Chaque code reçoit une cote de gravité et une action recommandée, et personne n'a plus à interpréter un code brut à la main.

En plus de classer la gravité, le système estime les effets en aval, c'est-à-dire ce que deviendra une anomalie précise si personne ne la corrige. C'est cette estimation qui permet de passer d'un entretien réactif à un entretien prédictif. Une anomalie qui semble mineure, mais dont on sait qu'elle dégénère souvent en bris plus grave et plus coûteux, est signalée autrement qu'une anomalie qu'on peut reporter sans grand risque.

Cette distinction sépare la maintenance prédictive des deux modèles que les flottes utilisent depuis longtemps. Le premier est l'entretien réactif : on répare après le bris. Le second est l'entretien préventif au calendrier : on fait l'entretien à intervalle fixe, quel que soit l'état réel du véhicule. La maintenance prédictive se sert des données en direct pour repérer les véhicules réellement à risque avant la défaillance, sans deviner à partir d'un intervalle générique ni attendre la panne.

En plus de l'analyse des anomalies par IA, la plateforme High Point GPS offre Work Order Management, un module centralisé pour planifier, suivre et documenter les travaux d'entretien. L'ajout fait moins de bruit que la classification des anomalies par IA, mais il règle un problème courant : des dossiers d'entretien dispersés entre des applications isolées, des chiffriers et des bons de travail papier, sans lien avec les codes d'anomalie ni avec l'historique d'utilisation du véhicule.

Avec un seul système, la recommandation issue d'un code d'anomalie et le bon de travail qui en découle se retrouvent à côté des heures moteur et du kilométrage du véhicule. C'est ce regroupement qui rend applicables au quotidien les décisions d'entretien fondées sur les heures moteur et les alertes de l'IA. Sans lui, elles restent possibles en théorie, mais éparpillées entre trois outils.

Une flotte n'a pas besoin d'une équipe de science des données pour profiter de la prédiction. Trois règles appliquées aux données qu'elle possède déjà suffisent pour commencer. Une tension de batterie qui baisse sur deux semaines peut signaler une batterie défaillante, ce qu'aucun calendrier ne montre, et une règle qui ouvre un billet dès que la tendance franchit un seuil vous évite le matin où le camion ne démarre pas. Une température du liquide de refroidissement qui monte sous la même charge pendant un mois annonce une défaillance du système de refroidissement, et la règle la détecte quand il s'agit encore d'un boyau plutôt que d'un joint de culasse. Enfin, un code d'anomalie qui revient trois fois dans la semaine, effacé chaque fois, annonce celui qui ne s'effacera plus. Un billet ouvert à la troisième occurrence amène le camion à l'atelier selon l'horaire de la flotte, et non sur l'accotement. Ces trois règles utilisent les données moteur du dispositif de suivi GPS, sans matériel supplémentaire, et High Point GPS les configure lors de la mise en place du module d'entretien.