Maintenance prédictive bâtiment : du capteur à l'alerte avec l'IA

La maintenance corrective (on répare après la panne) coûte trois à cinq fois plus cher que la maintenance préventive (entretien planifié). La maintenance prédictive monte d'un cran : anticiper les pannes avant qu'elles n'arrivent, en lisant les signaux faibles que les capteurs émettent en continu.

Historiquement réservée à l'industrie lourde (turbines, lignes de production), elle devient accessible au bâtiment grâce à trois forces convergentes : capteurs IoT abordables, IA embarquée dans les plateformes BMS modernes, standardisation des protocoles. Sensia intègre quatre algorithmes prédictifs natifs sur chaque équipement supervisé.

RUL (Remaining Useful Life) estime le temps restant avant défaillance par régression linéaire sur 90 jours de health score. Précision typique ±15% à 30 jours.

MTBF (Mean Time Between Failures) calcule le temps moyen entre pannes à partir de l'historique des alarmes (déclenchée → résolue).

Détection d'anomalies non-supervisée repère les comportements déviants de la baseline sans labellisation manuelle — un capteur de température qui dérive, une consommation électrique qui s'emballe la nuit.

Health score composite agrège l'âge, les interventions, les alarmes, les anomalies et l'utilisation en un score 0-100 par équipement, lisible d'un coup d'œil dans le panneau de l'équipement.

Deux pipelines coexistent. Le pipeline polled s'exécute quotidiennement et passe les organisations l'une après l'autre, un équipement à la fois — chacun enregistré avant le suivant. Pour chaque équipement : calcul des composants (âge, ordres de travail 90 j, alertes 30 j, anomalies, utilisation), score 0-100, snapshot historique, estimation RUL, remise en état mesurée sur ses propres interventions, persist sur entity_record.attributes, recommandation enrichie par l'IA s'il est à risque.

Le pipeline event-driven se déclenche sur le firehose twin.{thing_id}.changed (transitions, sync bursts, alertes), debounce 60 s par équipement, latence sub-minute après changement. Le polled reste comme safety net si l'event-driven est désactivé.

Les recommandations apparaissent dans l'onglet Performance de l'Exploitation, sous les indicateurs de maintenance : pour chaque équipement à risque, l'option retenue (« remplacer », « réparer » ou « surveiller »), son coût et l'arrêt qu'elle impose, une explication rédigée par l'IA, et la création de l'intervention en un clic. Les coûts sont ceux du type de l'équipement, et l'écran dit d'où ils viennent. Le panneau d'un équipement affiche sa durée de vie restante estimée et son score de santé.

Pas d'onglet séparé à apprendre : la maintenance prédictive s'intègre dans les pages existantes.

La variable rul_days est automatiquement exposée au rule engine. Une règle type « Fin de vie prochaine » se configure en deux clics : rul_days < 7 déclenche une alerte critique, rul_days >= 14 la clear (hysteresis anti-flapping). Idem pour health_score, mtbf_days, availability_pct.

Vous combinez ces variables avec des conditions sur votre flotte (uniquement les climatiseurs du building Marseille, par exemple) pour cibler vos alertes.

La maintenance prédictive complète (RUL, recommandations LLM) est incluse dans Sensia Hypervision, tarifée au m² par an à prix publics : forfait 4 500 €/an sous 3 000 m², puis 1,50 €/m²/an, et 1,10 €/m²/an au-delà de 25 000 m².

Sensia Conformité se limite aux métriques de fiabilité de base (MTBF, MTTR, disponibilité), bornées au périmètre réglementaire, sans RUL prédictif ni couche IA.

Les modèles entraînés sur vos données historiques et un SLA support dédié relèvent du palier Enterprise sur mesure (2,50–4 €/m²).