À retenir
- Face à un préventif déjà tenu, le PNNL (PNNL-19634, août 2010) cite −8 à −12 % de coûts ; depuis un parc encore largement réactif, −25 à −30 %. Les enquêtes d'origine ne sont pas nommées.
- La norme NF EN 13306 distingue préventive, conditionnelle et prévisionnelle : la dernière estime quand la défaillance surviendra.
- Le ROI se calcule : Gain = C × D × F × τ × α, puis on retranche le fonctionnement annuel et on compare à l'investissement.
- Sans historique de pannes, sans criticité et sans signal de dégradation, le projet instrumente sans prédire.
Un programme de maintenance prédictive économise 8 à 12 % des coûts face à un préventif déjà tenu, et 25 à 30 % depuis un parc encore largement réactif, d'après le guide O&M du PNNL pour le FEMP (Release 3.0, PNNL-19634, août 2010) ; les enquêtes d'origine ne sont pas nommées. La norme NF EN 13306 fixe ensuite le vocabulaire (prévisionnelle). Sources publiques contrôlées en septembre 2026 : AFIM, ADEME, PNNL, ISO. Le sujet recoupe le pilier DATA industrielle.
Qu'est-ce que la maintenance prédictive ?
La norme NF EN 13306, rappelée par l'AFIM, définit la maintenance prévisionnelle : la maintenance prévisionnelle est une « maintenance conditionnelle exécutée suite à une prévision obtenue grâce à une analyse répétée ou à des caractéristiques connues et à une évaluation des paramètres significatifs de la dégradation du bien ». En anglais, c'est predictive maintenance. L'AFIM insiste sur le vocabulaire : le terme français conforme à la norme est prévisionnelle, pas « prédictive ». Cette page utilise les deux, parce que c'est la requête que l'on tape, mais le fond est celui de la norme.
Benoît Iung (HAL, 2019) en tire deux fonctions : évaluer l'état courant et estimer l'état futur. Gilles Zwingelstein, dans l'article MT9573 des Techniques de l'Ingénieur (résumé public, 10 août 2025), ajoute ce que les plaquettes omettent : criticité des équipements, défaillances probabilistes, fausses alarmes, limites de la durée de vie restante (RUL). Prédire suppose une estimation, pas un simple voyant orange.
Comment se distinguent les trois types de maintenance ?
La confusion entre les trois est la première cause de projets ratés. On achète des capteurs en croyant faire du prédictif, on pose un seuil, et l'on a en réalité du conditionnel, parfois moins bon qu'un préventif bien tenu, parce que le seuil est mal calé et que l'atelier n'a plus de plan. Le tableau ci-dessous pose les déclencheurs, pas les logos.
| Type de maintenance | Déclencheur de l'intervention | Donnée nécessaire | Ce que l'on évite | Limite principale |
|---|---|---|---|---|
| Maintenance préventive systématique | Calendrier ou compteur (heures, cycles, kilomètres) | Plan de maintenance, historique d'interventions | Une partie des pannes d'usure | Remplace des pièces encore saines ; n'évite pas les pannes sans signature de dégradation |
| Maintenance conditionnelle | Franchissement d'un seuil mesuré (vibration, température, pression, analyse d'huile) | Capteur étalonné et seuil d'alarme | L'intervention trop tôt ou trop tard par rapport à l'état réel | Un seuil dit que l'état a changé ; il ne dit pas quand la défaillance surviendra |
| Maintenance prévisionnelle (predictive maintenance, NF EN 13306) | Prévision de la dégradation (tendance, durée de vie restante) | Série temporelle + modèle + historique de pannes labellisé | L'arrêt non planifié et une partie des remplacements inutiles | Exige un historique, une criticité réelle et un modèle calibré ; inopérante sur les défaillances aléatoires sans signal |
Source : AFIM : Maintenance prévisionnelle (2 juillet 2025, NF EN 13306) ; PNNL / FEMP (2010). Consulté en septembre 2026.
Télécharger ce tableau en CSV : maintenance-predictive-types.csv
Le PNNL, qui rédige le guide O&M du programme fédéral américain FEMP, dit la même chose avec l'exemple de l'huile moteur : changer l'huile tous les 5 000 miles, c'est du préventif ; l'analyser pour décider du moment, c'est du prédictif. La différence porte sur la prévision, pas sur le capteur seul. Les termes techniques (GMAO, RUL, IIoT) sont définis dans le glossaire.
Quels équipements et quelle instrumentation faut-il ?
L'ISO 17359 (surveillance et diagnostic d'état des machines, édition 2018) pose l'ordre inverse de celui que vendent les plaquettes : d'abord la criticité, ensuite le paramètre à surveiller, ensuite la technique. Les Techniques de l'Ingénieur (MT9573, résumé public) en font le préalable du ROI : évaluer la criticité avant d'instrumenter. Un capteur sur une machine dont l'arrêt coûte peu ne rembourse jamais son intégration.
Les techniques matures, listées par le PNNL comme « traditional predictive maintenance technologies », sont l'analyse vibratoire, la thermographie, l'analyse d'huile, les ultrasons, l'analyse des moteurs et le suivi de performance. Le CETIM forme et certifie des analystes vibratoires selon l'ISO 18436-2, ce qui dit assez que l'instrumentation n'est pas un boîtier que l'on pose. Les machines tournantes (pompes, ventilateurs, réducteurs, broches) sont le terrain historique. Les défaillances aléatoires (électronique, erreur de montage, pièce de rechange hors spécification) n'émettent pas de tendance : Zwingelstein les distingue des défaillances probabilistes, seules pertinentes pour un RUL.
Côté données, le projet s'appuie sur une GMAO tenue et des flux fiables. Sans inventaire du parc, sans historique d'interventions, le modèle n'a rien à apprendre. L'automatisation des processus qui alimente la GMAO est souvent le vrai premier chantier, pas le capteur. Pour budgéter l'abonnement, voir le relevé de prix GMAO du 24 septembre 2026.
Quel historique de pannes est nécessaire avant de prédire ?
L'AFIM classe les méthodes d'estimation du RUL en quatre familles : modèles physiques, modèles data-driven, systèmes experts, méthodes hybrides. Pour les modèles data-driven, la limite est écrite noir sur blanc : ils « nécessitent beaucoup de données fiables ». Un an de vibration sur une pompe qui n'est jamais tombée en panne n'entraîne pas un modèle de prévision : il alimente, au mieux, une détection d'anomalies, soit du conditionnel habillé en intelligence artificielle.
La revue ouverte d'Hector et Panjanathan (PeerJ Computer Science, 2024) le confirme depuis la littérature académique : la PdM « needs a significant amount of essential data », et le mauvais choix de méthode, de jeu de données ou de taille de données « might result [in] time loss and impractical maintenance scheduling ». Les papiers qui affichent 95 % de précision le font presque toujours sur des bancs d'essai (roulements IMS, turbofans C-MAPSS), pas sur un parc hétérogène de PME. C'est la raison pour laquelle un taux de détection de 90 % n'a rien à faire dans un business plan d'atelier.
En pratique, avant d'espérer un RUL, il faut des pannes labellisées, des régimes de fonctionnement connus, et un prestataire capable de dire ce que le modèle ne voit pas. Sinon, on reste au conditionnel (un seuil, une alarme, une ronde, ce qui n'est déjà pas rien, et coûte moins cher.
Comment calculer le retour sur investissement ?
La formule ci-dessous pose la méthode qui manque dans les pages d'éditeurs, hors donnée de marché. On la pose explicitement pour qu'un directeur puisse la remplir avec ses chiffres, pas avec les nôtres.
Gain annuel estimé = C × D × F × τ × α
- C : coût d'arrêt horaire (marge perdue + main-d'œuvre exceptionnelle + pénalités, pas le chiffre d'affaires).
- D : durée moyenne, en heures, d'un arrêt non planifié.
- F : nombre d'arrêts non planifiés par an sur l'équipement visé.
- τ : taux de détection réaliste (part des pannes détectées assez tôt pour planifier).
- α : part de l'arrêt effectivement évitée (même détectée, on arrête encore pour réparer).
Net annuel = Gain − E, où E est le coût de fonctionnement (licences, analyses, fausses alarmes, compétences). Le temps de retour brut = I / (Gain − E), où I est l'investissement (capteurs, intégration, formation, interface GMAO). Si Gain ≤ E, le projet perd de l'argent chaque année, quel que soit I.
Le PNNL écrit que « much of the equipment requires cost in excess of $50,000 » et que la formation du personnel « will require considerable funding » (guide O&M, 2010). C'est un ordre de grandeur américain de 2010, pas un tarif français 2026 : on le cite parce qu'il rappelle que I n'est pas le prix du capteur. L'AFIM ajoute, en 2025, le coût initial, la complexité des compétences et la cybersécurité parmi les limites : donc dans E, pas seulement dans I.
Un exemple chiffré : illustration de méthode, pas une donnée de marché
Les valeurs qui suivent sont entièrement fictives. Elles servent à montrer comment la formule se comporte, pas à décrire un secteur. Quiconque les reprend comme « ROI typique d'une PME mécanique » aura mal lu cette page.
Hypothèses d'illustration : C = 8 000 €/h ; D = 6 h ; F = 4 arrêts/an ; τ = 0,60 ; α = 0,70 ; I = 45 000 € ; E = 12 000 €/an.
Gain = 8 000 × 6 × 4 × 0,60 × 0,70 = 80 640 €/an. Net = 80 640 − 12 000 = 68 640 €/an. Temps de retour brut = 45 000 / 68 640 ≈ 8 mois.
Si τ tombe à 0,30 : une détection médiocre, fréquente en début de projet : le gain passe à 40 320 €, le net à 28 320 €, le retour à 19 mois. Si C n'est que 1 500 €/h (machine non critique), le gain tombe à 15 120 € : après E, il reste 3 120 €/an, soit plus de 14 ans pour rembourser I. Le projet n'a plus aucun sens. C'est τ et C, pas l'algorithme, qui font le ROI.
| Facteur | Notation | Rôle dans le calcul | Sensibilité du ROI | Où l'obtenir |
|---|---|---|---|---|
| Coût d'arrêt horaire | C | Multiplie l'ensemble du gain | Très élevée | Marge perdue + main-d'œuvre exceptionnelle + pénalités, pas le chiffre d'affaires |
| Durée moyenne d'un arrêt non planifié | D | Heures perdues par panne | Élevée | GMAO sur 24 à 36 mois |
| Fréquence annuelle des pannes | F | Nombre d'arrêts non planifiés par an sur l'équipement | Élevée | GMAO, pas le souvenir d'atelier |
| Taux de détection réaliste | τ | Part des pannes détectées assez tôt pour planifier l'arrêt | Très élevée | Retour d'expérience interne ; hypothèse conservatrice en l'absence de mesure |
| Part de l'arrêt effectivement évitée | α | Même détectée, une intervention planifiée consomme encore des heures | Moyenne | Retour d'expérience interne |
| Coût d'investissement | I | Capteurs, intégration, formation, interface GMAO | Élevée la première année | Devis d'intégrateur, pas le prix catalogue du capteur |
| Coût annuel de fonctionnement | E | Licences, analyses, fausses alarmes, compétences | Élevée sur 3 à 5 ans | Budget maintenance et SI |
Source : méthode de la rédaction, 19 septembre 2026. L'ordre de grandeur de I s'appuie sur PNNL-19634 / FEMP (2010) ; les postes de E, sur AFIM (2025).
Télécharger ce tableau en CSV : maintenance-predictive-facteurs-roi.csv
Quels gains la littérature publique constate-t-elle, et avec quelles limites ?
Les pourcentages qui circulent (« −30 % de coûts de maintenance », « +25 % de durée de vie ») ont une origine, et elle n'est pas française. Le guide O&M du PNNL / FEMP (PNNL-19634, août 2010) compile des « independent surveys » : −25 à −30 % de coûts, −70 à −75 % de pannes, −35 à −45 % de downtime, ROI « 10 times ». Le guide ne nomme pas ces enquêtes. Quelques lignes plus haut, la même source donne −8 à −12 % face à un préventif déjà en place. Les 30 à 40 % n'apparaissent que si le site est encore largement réactif : le chiffre spectaculaire mesure le rattrapage d'un parc mal tenu, pas un algorithme.
| Source | Périmètre | Chiffre publié | Limite méthodologique |
|---|---|---|---|
| PNNL / FEMP, Operations & Maintenance Best Practices, Release 3.0 (PNNL-19634) | Compilation d'« independent surveys » (États-Unis, guide O&M fédéral) | Réduction des coûts de maintenance de 25 % à 30 % ; élimination des pannes de 70 % à 75 % ; réduction du downtime de 35 % à 45 % ; ROI « 10 times » ; hausse de production de 20 % à 25 % | Enquêtes d'origine non identifiées nommément dans le guide ; mélange de technologies et de maturité de programme ; pas une étude contrôlée sur des PME manufacturières françaises |
| PNNL / FEMP, même guide, fourchette PdM vs préventif | Programme prédictif « properly functioning » vs préventif seul | Économie de 8 % à 12 % des coûts par rapport à un programme qui n'utilise que du préventif | Fourchette plus étroite, toujours sans protocole publié des enquêtes d'origine |
| PNNL / FEMP, même guide, site encore très réactif | Point de départ majoritairement correctif | Économies pouvant dépasser 30 % à 40 % | Conditionnée à un parc mal maintenu ; le gain ne s'applique pas à un PdM ajouté à un bon préventif |
| PNNL / FEMP, même guide, coût d'entrée | Sites fédéraux US vers 2010 | « Much of the equipment requires cost in excess of $50,000 », plus la formation du personnel | Ordre de grandeur 2010 en dollars US, pas un tarif français 2026 |
| PNNL, O&M Best Practice Issue Discussion: Maintenance Approaches (reprenant FEMP 2010) | Répartition typique de l'activité de maintenance | Industrie typique : 10–15 % de prédictif, 40–60 % de réactif ; « best-in-class » : 45–55 % de prédictif et moins de 10 % de réactif | Benchmarks de sites fédéraux et d'industrie US ; « achievement potential will be subject to site characteristics » |
| AFIM, Maintenance prévisionnelle – Predictive Maintenance (2 juillet 2025), reprenant NF EN 13306 et Techniques de l'Ingénieur H9574 | Définition normée et limites de déploiement | Aucun pourcentage de ROI ; souligne le coût initial, la complexité, la cybersécurité et la criticité | Article de synthèse professionnelle, pas une enquête de coûts |
| ADEME, PREDICT ADAPT : maintenance prédictive d'éoliennes (collection « Ils l'ont fait ») | Projet de REX public, 1 page | Objectif : prédire les risques de pannes et réduire les indisponibilités, aucun pourcentage publié | Retour d'expérience public sans résultat chiffré consultable |
Sources : PNNL-19634 (août 2010) ; PNNL, Maintenance Approaches ; AFIM (2025) ; ADEME PREDICT ADAPT (2017). Consulté en septembre 2026.
Télécharger ce tableau en CSV : maintenance-predictive-gains-litterature.csv
Dans quels cas la maintenance prédictive ne vaut-elle pas le coup ?
Le cas le plus fréquent, dans une PME, est un projet posé sur le mauvais équipement, plus souvent qu'un échec d'algorithme posé sur le mauvais équipement. Parc hétérogène (dix machines de dix constructeurs, sans historique commun), équipements peu critiques, absence de GMAO, faible coût d'arrêt, défaillances sans signal, dans tous ces cas, I et E dépassent le gain, parfois dès la première année. Un préventif systématique bien exécuté, ou un unique seuil de température sur le palier qui casse vraiment, rapporte davantage.
Le PNNL décrit une industrie « typique » encore à 40–60 % de réactif et seulement 10–15 % de prédictif. L'appel vise d'abord à basculer d'abord du réactif vers un préventif tenu, qui économise déjà 12 % à 18 % selon la même source. Le prédictif vient ensuite, sur les quelques assets dont C × F justifie I. Les chiffres clés du secteur rappellent par ailleurs que le tissu français est fait de PME : les programmes cités visent surtout des sites fédéraux américains, pas le tissu de PME françaises « best-in-class » à 45–55 % de prédictif cités pour des sites fédéraux américains.
Dernier piège, financier celui-là : il n'existe plus de guichet national « capteurs et GMAO ». L'aide ASP industrie du futur, qui finançait notamment les réseaux de capteurs, est close depuis 2021 ; le relais est régional, détaillé dans les aides à la modernisation industrielle. Un ROI qui ne tient que par une subvention mal lue reste insuffisant.
Questions fréquentes
Quelle est la différence entre maintenance prédictive, préventive et conditionnelle ?
La norme NF EN 13306, citée par l'AFIM, définit la maintenance prévisionnelle (predictive maintenance) comme une maintenance conditionnelle exécutée à la suite d'une prévision, obtenue par analyse répétée des paramètres de dégradation. La préventive systématique intervient à intervalle fixe. La conditionnelle intervient au franchissement d'un seuil. La prévisionnelle, elle, estime quand la défaillance surviendra. Confondre les trois est la première cause de projets ratés : on achète des capteurs en croyant prédire, alors qu'on ne fait que du conditionnel mal calibré.
Quels équipements se prêtent vraiment à la maintenance prédictive ?
Ceux qui sont à la fois critiques, instrumentables et dont la défaillance émet un signal mesurable avant la rupture (machines tournantes (analyse vibratoire), moteurs électriques, systèmes hydrauliques (huile), enceintes thermiques. Les équipements peu critiques, uniques sans jumeau, ou dont la panne est aléatoire (électronique, erreur humaine) n'y gagnent rien. L'ISO 17359 pose d'abord la criticité, ensuite la technique de surveillance.
Comment calcule-t-on le retour sur investissement d'un projet de maintenance prédictive ?
En multipliant le coût d'arrêt horaire par la durée moyenne d'un arrêt, par le nombre d'arrêts non planifiés par an, par un taux de détection réaliste et par la part d'arrêt réellement évitée, puis en retranchant le coût annuel de fonctionnement. L'investissement (capteurs, intégration, formation) se compare à ce net. Sans ces cinq facteurs, un « ROI de 10 fois » n'est pas un calcul, c'est un slogan.
Quels gains la littérature publique constate-t-elle vraiment ?
Le guide O&M du PNNL / FEMP (2010) compile des « independent surveys » : −25 à −30 % de coûts de maintenance, −70 à −75 % de pannes, −35 à −45 % de downtime. La même source donne une fourchette plus étroite, −8 à −12 %, quand on compare le prédictif à un préventif déjà en place. Ces enquêtes ne sont pas identifiées nommément. L'AFIM (2025) et l'ADEME (PREDICT ADAPT, 2017) ne publient aucun pourcentage de ROI.
Dans quels cas la maintenance prédictive ne vaut-elle pas le coup ?
Parc hétérogène sans historique commun, équipements peu critiques, absence de GMAO, faible coût d'arrêt, défaillances aléatoires sans signal, ou projet qui commence par l'outil plutôt que par la criticité. Dans ces cas, un préventif bien tenu ou un conditionnel simple (un seuil de température) rapporte davantage, pour beaucoup moins cher.
Combien d'historique de pannes faut-il avant d'espérer prédire ?
Assez pour observer plusieurs cycles de dégradation jusqu'à la défaillance, ou à défaut des régimes de fonctionnement contrastés. Sans pannes labellisées, on fait de la détection d'anomalies, pas de la prévision de durée de vie restante. L'AFIM le rappelle : les modèles data-driven « nécessitent beaucoup de données fiables ». Un an de capteurs sur une machine qui n'est jamais tombée en panne n'entraîne rien.
Un doute sur la criticité de vos équipements ou sur les chiffres à mettre dans la formule ? Décrivez votre situation en quelques lignes.