Le temps d'arrêt imprévu dans les infrastructures industrielles critiques contribue à environ 50 milliards de pertes annuelles mondiales. Les paradigmes de maintenance conventionnels—principalement réactifs ou basés sur un calendrier—échouent à détecter la dégradation à un stade précoce, entraînant un remplacement prématuré des composants ou un échec catastrophique. Cette recherche présente un cadre de maintenance prédictive (PdM) activé par l'IoT utilisant une architecture IIoT à six couches pour traiter les données de vibration, de température et de courant à haute fréquence. En intégrant l'Edge-AI pour la détection d'anomalies à faible latence avec l'apprentissage profond basé sur le cloud pour l'estimation de la durée de vie utile restante (RUL), le système fournit une vue d'ensemble de la santé des équipements. Des modèles Random Forest et CNN-LSTM hybrides ont été mis en œuvre pour capturer des dépendances temporelles complexes dans les flux de capteurs. La validation expérimentale sur cinq mois dans une installation de fabrication de roues en acier démontre une précision de classification des défauts de 99,03 %, une réduction de 75 % des temps d'arrêt imprévus et une diminution de 80 % de la fréquence des pannes. Cette étude confirme que la synergie IoT–ML facilite une transition critique vers une maintenance proactive dans des environnements Industrie 4.0.
Fulpagar et al. (Fri,) ont étudié cette question.