Maintenance prédictive IA : sécuriser la décision en pharma

Ajouter de l’intelligence artificielle à une maintenance pharmaceutique peut rendre les décisions moins sûres. Contrairement à une idée répandue, détecter davantage d’anomalies ne protège pas nécessairement les lots : une alerte inexpliquée peut déclencher une intervention inadaptée sur un équipement pourtant stable.

Le risque vient du contexte manquant. Une variation de vibration sur l’agitateur d’un bioréacteur n’a pas la même signification selon la vitesse, la viscosité du milieu, la phase de culture ou une opération récente de maintenance.

Pour le directeur des systèmes d’information, DSI, et le responsable de la sécurité des systèmes d’information, RSSI, le sujet dépasse donc le choix d’un algorithme. Il faut rendre une alerte exploitable sans ouvrir un accès dangereux au procédé ni contourner les décisions de la qualité.

Le vrai enjeu : intervenir sans compromettre le lot

Le problème central est celui-ci : comment décider d’une intervention sur l’entraînement d’un bioréacteur à partir d’une alerte prédictive, sans compromettre un lot en cours ? Une dérive mécanique mérite une investigation, mais elle ne justifie pas automatiquement un arrêt.

Le temps compte. Une dégradation confirmée peut nécessiter une action rapide, tandis qu’une fausse alerte peut provoquer une interruption évitable ou mobiliser inutilement les équipes.

Les bonnes pratiques de fabrication, ou GMP, imposent de maîtriser les opérations susceptibles d’affecter la qualité du produit. L’IA ne remplace ni l’évaluation du risque qualité, ni les procédures approuvées, ni la responsabilité des personnes habilitées.

La frontière doit être explicite. Le système détecte un comportement inhabituel, la maintenance examine sa plausibilité physique, puis production et qualité évaluent la conduite à tenir selon les règles du site.

Dans une usine pharmaceutique, le périmètre informatique comprend aussi parfois une salle blanche avec zone critique de classe ISO 5, ainsi que la sérialisation des médicaments conditionnés. Ces fonctions ne doivent pas devenir des sources de données ou des dépendances du pilote prédictif simplement parce qu’elles sont connectées au même environnement numérique.

Le premier livrable n’est donc pas un tableau de bord. C’est une règle de décision comprise par le directeur qui porte le risque et par le technicien qui doit vérifier l’alerte.

Commencer par la preuve disponible, pas par les capteurs

Avant tout achat, je propose de reconstruire le chemin qui relie une mesure à une décision de maintenance. Cette lecture croise le fonctionnement de l’équipement, l’historique des interventions et les informations réellement accessibles pendant une fabrication.

Que mesure-t-on exactement ? Une vibration relevée sur le carter moteur, une intensité électrique et une température de palier ne décrivent pas le même phénomène, même si leurs évolutions peuvent se compléter.

Relier les signaux aux phases du procédé

Une valeur isolée trompe facilement. Pour interpréter le comportement de l’entraînement, il faut notamment connaître la vitesse de rotation, l’état de marche et la phase opératoire autorisée comme contexte d’analyse.

La comparaison doit rester pertinente. Un fonctionnement à vide ne constitue pas une référence suffisante pour juger une agitation en charge, et une période de nettoyage ne doit pas être assimilée sans précaution à une phase de culture.

L’identification des équipements mérite autant d’attention que les courbes. Un moteur remplacé sans mise à jour de sa référence ou un capteur déplacé peut rendre l’historique difficile à interpréter.

Vérifier la qualité avant la quantité

Horodatage, unités, calibration et continuité des mesures constituent le socle du pilote. Il faut également distinguer une donnée manquante d’une valeur réellement stable et conserver la trace des transformations appliquées.

Un signal absent doit rester visible. Une interpolation silencieuse peut produire une courbe rassurante tout en masquant une coupure de collecte au moment décisif.

Ce travail relève d’abord de la maintenance industrielle et de la connaissance du procédé. Le modèle vient ensuite, lorsque l’équipe sait ce qu’elle peut raisonnablement déduire des données disponibles.

Une architecture qui ne commande pas le bioréacteur

Pour un premier déploiement, je privilégierais une analyse sans capacité d’écriture vers la commande du procédé. Une recommandation consultative permet de tester la valeur du dispositif sans lui confier directement une action sur l’équipement.

Cette séparation doit être technique. Un simple engagement de l’éditeur ne suffit pas si le compte utilisé conserve des droits d’administration ou si un chemin réseau permet d’atteindre les automates.

Les technologies opérationnelles, désignées par OT, regroupent ici les systèmes qui surveillent et pilotent les équipements pharmaceutiques. Le RSSI doit examiner les flux réels, les comptes de service, les accès distants et les possibilités de propagation depuis la plateforme analytique.

Limiter les accès et prévoir la déconnexion

Une architecture possible extrait les données nécessaires depuis un historien industriel vers une zone intermédiaire maîtrisée. Les échanges sont filtrés, les accès nominatifs lorsque cela s’applique, et les opérations d’administration journalisées.

Le procédé doit rester autonome. Une indisponibilité du service prédictif ne doit ni arrêter l’agitation ni empêcher les alarmes existantes de fonctionner.

Pour un site pharmaceutique africain dont la liaison distante est intermittente, un traitement local avec synchronisation différée peut être préférable à une dépendance permanente au cloud. Ce choix dépend toutefois de la connectivité réelle, des compétences disponibles et des règles de gouvernance des données du site.

L’énergie mérite le même examen. Si des microcoupures affectent la collecte, il faut distinguer leurs effets d’une dégradation mécanique et vérifier la reprise du service, sans prétendre résoudre l’alimentation électrique par un modèle statistique.

Les mises à jour doivent enfin être contrôlées. Une nouvelle version du modèle, d’une bibliothèque ou d’un connecteur peut modifier les résultats et nécessite une évaluation de son impact avant utilisation.

Cas hypothétique : une alerte sur l’agitateur

Prenons un cas entièrement hypothétique dans une usine pharmaceutique produisant des lots biologiques. Le site dispose d’un bioréacteur instrumenté, d’une salle blanche comprenant une zone critique ISO 5 pour des opérations aseptiques et d’une ligne de conditionnement avec sérialisation.

Le pilote reste volontairement étroit. Il concerne uniquement la dérive mécanique de l’entraînement du bioréacteur, sans intégrer les systèmes de la salle blanche ni ceux de la sérialisation.

Pendant une phase de culture, le modèle signale une évolution inhabituelle des vibrations. L’intensité électrique augmente également, mais la vitesse de rotation reste conforme à la consigne enregistrée.

L’équipe n’arrête pas automatiquement l’installation. Elle vérifie d’abord la validité de la mesure, puis compare l’événement à des phases opératoires comparables pour déterminer si le changement pourrait venir de la charge plutôt que d’un défaut mécanique.

Une vérification indépendante est envisagée selon les conditions autorisées par le site. Si elle exige une intervention susceptible d’affecter l’état qualifié de l’équipement ou les conditions de fabrication, elle suit les procédures applicables et l’évaluation qualité correspondante.

Deux suites restent possibles. Une dérive corroborée peut conduire à préparer une intervention dans une fenêtre approuvée ; une variation expliquée par le procédé doit plutôt être documentée pour éviter de reproduire la même fausse alerte.

L’approvisionnement change aussi l’arbitrage. Si le palier concerné est importé et soumis à un délai variable, préparer sa disponibilité peut être utile avant toute décision d’arrêt, sans transformer cette anticipation logistique en diagnostic certain.

Le résultat recherché est une décision justifiable. Dans ce scénario, aucun gain chiffré ni aucune durée de vie restante ne peuvent être annoncés sans preuves supplémentaires.

Valider l’usage et mesurer les mauvaises décisions

Un modèle performant sur des données historiques n’est pas automatiquement adapté à une utilisation pharmaceutique. Sa validation doit être proportionnée à son usage prévu, à son influence sur les décisions et au risque pour le produit.

L’usage prévu doit être écrit. « Signaler une dérive à investiguer » et « recommander le maintien en service pendant une durée donnée » sont deux fonctions très différentes.

Pour un site soumis au référentiel européen, l’annexe 11 des GMP encadre les systèmes informatisés, tandis que l’annexe 15 traite de qualification et de validation. L’annexe 1 apporte le cadre applicable à la fabrication des médicaments stériles ; ces textes ne constituent pas une homologation générique des modèles d’IA.

Le référentiel applicable doit être confirmé. Il dépend notamment des activités du site, des marchés desservis et des engagements réglementaires concernés.

Tester aussi l’absence d’alerte

Les critères d’acceptation doivent couvrir les fausses alertes, les événements manqués, les délais utiles de détection et le comportement lorsque les données deviennent insuffisantes. Un modèle doit pouvoir signaler qu’il ne dispose pas d’éléments fiables pour conclure.

L’incertitude ne doit pas disparaître. Un indice de confiance n’est pas, à lui seul, une probabilité validée de défaillance ni une autorisation de poursuivre une fabrication.

Une phase d’observation sans influence directe sur la conduite permet de confronter les alertes à l’analyse humaine. Il faut aussi prévoir la traçabilité des versions, les conditions de retour arrière et les événements qui déclenchent une réévaluation du système.

De la GMAO à une aide à la décision maîtrisée

La gestion de maintenance assistée par ordinateur, ou GMAO, reste indispensable pour organiser les interventions, conserver l’historique et suivre les pièces. Seule, elle ne suffit généralement pas à interpréter une dérive multivariable en tenant compte du contexte du procédé.

Enregistrer n’est pas diagnostiquer. Une fiche d’intervention clôturée renseigne sur une action passée, mais n’explique pas nécessairement pourquoi les vibrations changent pendant une phase particulière de culture.

Le LMAI®, entendu ici comme une couche logicielle d’assistance à la maintenance intégrant l’IA, vise à compléter cette organisation par le diagnostic assisté, l’anticipation et l’aide à la décision. Cette comparaison GMAO et LMAI® permet de distinguer les rôles sans opposer artificiellement les outils.

Je porte TENGENN LMAI® dans cette logique. Pour le cas du bioréacteur, je propose d’étudier une restitution reliant l’alerte aux mesures disponibles, aux interventions précédentes et aux vérifications nécessaires, avec des limites clairement affichées.

Cela ne vaut pas déclaration de conformité GMP. L’adéquation fonctionnelle, la sécurité et la validation doivent être démontrées pour l’usage retenu sur le site.

Mes sept années d’expérience dans différents environnements industriels nourrissent une conviction : une recommandation vaut surtout par la capacité d’une équipe à la vérifier. Elles ne remplacent ni l’expertise pharmaceutique locale ni l’autorité de la qualité.

Mon accompagnement peut commencer par un diagnostic ciblé de la chaîne mesure-décision. Je peux ensuite aider à cadrer l’architecture sécurisée du pilote et son protocole d’évaluation, avec la maintenance, le DSI, le RSSI et la qualité.

Questions fréquentes

Faut-il disposer d’un historique de pannes important ?

Pas nécessairement pour repérer des écarts de comportement. En revanche, un historique limité réduit la capacité à identifier précisément un défaut ou à estimer une durée de vie restante ; le dispositif doit alors rester prudent dans ses conclusions.

L’IA peut-elle autoriser la poursuite d’un lot ?

Non, pas à elle seule. Elle peut fournir des éléments techniques, mais la décision doit suivre les procédures du site et rester entre les mains des fonctions habilitées, avec une évaluation de l’impact qualité.

Le cloud est-il indispensable ?

Non. Une architecture locale ou hybride peut convenir, à condition de maîtriser les accès, la maintenance informatique, les sauvegardes et la traçabilité, plutôt que de déplacer simplement le risque.

Une maintenance prédictive IA utile en pharma commence par une décision mieux étayée, pas par une promesse d’autonomie. Le bon pilote est celui dont on sait expliquer l’alerte, contester la conclusion et maîtriser les conséquences.

Vous cherchez à exploiter les données d’un bioréacteur sans fragiliser votre environnement GMP ? Contactez-moi directement sur mon profil LinkedIn, Eries Emmanuel Dianou : nous pourrons examiner ensemble quelle décision de maintenance vos données permettent réellement de sécuriser.