Edge ou cloud pour la maintenance prédictive : quand utiliser lequel

Le faux dilemme

Chaque fournisseur de maintenance prédictive vous dira que son approche est meilleure. Les fournisseurs edge disent que le cloud est trop lent et trop cher. Les fournisseurs cloud disent que l'edge ne peut pas gérer des modèles complexes. Les deux ont tort — ou plutôt, les deux ont raison dans des contextes spécifiques.

La vraie question n'est pas « edge ou cloud ? ». C'est « quel calcul doit se faire où, et pourquoi ? »

La matrice de décision

| Facteur | Edge | Cloud | Hybride | |---|---|---|---| | Exigence de latence | < 10 ms (critique pour la sécurité) | < 500 ms (acceptable) | Mixte | | Connectivité | Intermittente/inexistante | Fiable | Variable | | Complexité du modèle | Simple (IF, ONNX) | Complexe (LSTM, Transformer) | Les deux | | Volume de données | > 100 000 points/s | Résumés agrégés | Pré-filtré | | Réglementation | Les données ne peuvent pas quitter le site | Région cloud conforme | Traitement local, méta vers le cloud | | Coût à l'échelle | CAPEX fixe | OPEX variable | Optimisé | | Fréquence de mise à jour | Manuelle/planifiée | Continue | Échelonnée |

Quand l'edge l'emporte

1. Latence critique pour la sécurité

Un système de détection de pompage de compresseur ne peut pas attendre 200 ms pour un aller-retour vers le cloud. Le temps que la réponse arrive, les dommages mécaniques sont déjà faits.

Règle empirique : Si l'exigence de temps de réponse est inférieure à 50 ms, cela doit tourner en edge. Point.

Exemple réel : Un compresseur centrifuge tournant à 12 000 tr/min effectue une révolution complète en 5 ms. La détection du pompage doit se déclencher en 2 à 3 révolutions. C'est 10 à 15 ms — impossible via un aller-retour réseau vers le cloud.

2. Connectivité peu fiable

Les plateformes pétrolières offshore, les mines souterraines, les sites de fabrication ruraux et les équipements mobiles (flottes, grues, navires) ont souvent une connectivité intermittente. Votre système PdM doit continuer à fonctionner quand le réseau ne le fait pas.

Ce qui fonctionne en edge :

• Détection d'anomalies par Isolation Forest (petit modèle, inférence rapide)
• Réseaux de neurones exportés en ONNX (pré-entraînés dans le cloud, déployés en edge)
• Alertes basées sur des règles en secours
• Mise en tampon locale des données avec synchronisation à la reconnexion

3. Souveraineté des données

Certains secteurs (défense, nucléaire, pharmaceutique) interdisent que les données de capteurs quittent l'installation. L'inférence en edge avec uniquement des scores de santé agrégés envoyés à un tableau de bord central satisfait à la fois le besoin ML et l'exigence de conformité.

4. Économies de bande passante

Un seul capteur de vibration échantillonnant à 25,6 kHz génère environ 2 Go/jour de données brutes. Multipliez par 200 capteurs, et vous regardez 400 Go/jour — coûteux à streamer vers le cloud et inutile pour la plupart des cas d'usage.

Prétraitement edge : Extrayez des caractéristiques localement (RMS, kurtosis, pics spectraux, fréquences de roulement), envoyez le vecteur de caractéristiques de 20 octets au lieu de la forme d'onde brute de 200 Ko. C'est une réduction de bande passante de 10 000x.

Quand le cloud l'emporte

1. Entraînement de modèles complexes

L'entraînement d'un autoencoder LSTM ou d'un modèle Transformer TranAD nécessite du calcul GPU, de grands jeux de données couvrant des mois d'historique et une optimisation des hyperparamètres. Cela ne se passe pas en edge.

Le schéma :

1. Les données des capteurs fluent vers le cloud (brutes ou extraites en caractéristiques)
2. Les modèles s'entraînent sur des clusters GPU (Ray Train, distribué)
3. Les modèles entraînés exportent vers ONNX
4. Les modèles ONNX se déploient en edge pour l'inférence

2. Apprentissage croisé des actifs

La capacité PdM la plus puissante est d'apprendre des schémas sur l'ensemble de votre parc. « La pompe 7A à l'usine de Chicago montre le même schéma de dégradation qui a précédé la défaillance de la pompe 3B à l'usine de Munich le mois dernier. »

Cela nécessite des données centralisées de tous les actifs — ce qui signifie le cloud. Les dispositifs edge ne voient que leurs capteurs locaux.

3. Analytics avancées

• Analyse des causes racines : Les graphes causaux PCMCI ont besoin de données provenant de plusieurs capteurs et actifs liés
• Durée de vie résiduelle : Les modèles Weibull-RNN avec intervalles de confiance ont besoin de données historiques de défaillances
• Explications par attribution de caractéristiques : Le calcul des contributions de caractéristiques pour l'explicabilité est coûteux en calcul
• Jumeaux numériques : Les modèles informés par la physique nécessitent des environnements de simulation centralisés

4. Tableaux de bord multi-sites

Un Directeur des Opérations a besoin d'une vue unique sur 15 usines, 3 000 actifs et 20 000 capteurs. C'est un problème cloud — agrégation, visualisation et accès basé sur les rôles à grande échelle.

L'architecture hybride

Les meilleurs systèmes PdM utilisent les deux. Voici comment les couches fonctionnent :

Couche 1 : Capteur → Passerelle edge (μs)
  - Conditionnement du signal, échantillonnage, FFT
  - Arrêts de sécurité immédiats (câblés, pas logiciels)

Couche 2 : Agent edge (ms)
  - Extraction de caractéristiques (statistiques glissantes, caractéristiques spectrales)
  - Inférence de modèle ONNX (score d'anomalie, classe de défaut de base)
  - Alertes locales (SMS, sortie relais, IHM locale)
  - Mise en tampon des données pour téléversement par lot

Couche 3 : Plateforme cloud (secondes)
  - Pipeline ML complet (LSTM, TranAD, Weibull-RNN, CNN)
  - Correspondance de schémas inter-actifs
  - Explications par attribution de caractéristiques
  - Prédiction RUL avec intervalles de confiance
  - Tableau de bord, reporting, intégration GMAO

Couche 4 : MLOps cloud (heures/jours)
  - Ré-entraînement des modèles sur les données accumulées
  - Tests A/B des nouvelles versions de modèles
  - AutoML pour l'affinage spécifique au tenant
  - Export ONNX → déploiement edge

Flux de données en pratique

1. Vibration à 12 kHz → FFT edge → 256 bins spectraux → Cloud (toutes les 10 secondes)
2. Température/pression à 1 Hz → Statistiques glissantes edge → Cloud (toutes les 60 secondes)
3. Score d'anomalie edge → Cloud (temps réel via MQTT) → Tableau de bord
4. Prédiction LSTM cloud → Moteur d'alerte → PagerDuty/ServiceNow

Optimisation des coûts

L'approche hybride n'est pas seulement techniquement supérieure — elle est moins chère :

| Architecture | Coût mensuel (200 actifs) | Latence | Capable hors ligne | |---|---|---|---| | Cloud uniquement | ~2 400 € (calcul + bande passante) | 200-500 ms | Non | | Edge uniquement | ~8 000 € (CAPEX matériel amorti) | < 10 ms | Oui | | Hybride | ~1 800 € (bande passante réduite + cloud plus petit) | < 10 ms local, < 500 ms cloud | Partiellement |

Les économies de bande passante grâce au prétraitement edge seul paient généralement le matériel edge en 6 mois.

Choisir votre architecture

Commencez avec le cloud si :

• Vous avez une connectivité fiable (> 99 % de disponibilité)
• Votre exigence de latence est > 100 ms
• Vous avez < 50 actifs (le CAPEX matériel edge ne se justifie pas)
• Vous voulez le délai de valorisation le plus court

Commencez avec l'edge si :

• Vous avez une connectivité peu fiable ou inexistante
• Vous avez des exigences de latence critiques pour la sécurité (< 50 ms)
• Les données ne peuvent pas quitter votre installation
• Vous disposez déjà de passerelles edge (Raspberry Pi, Siemens IOT2050, etc.)

Commencez en hybride si :

• Vous avez 50+ actifs sur plusieurs sites
• Vous avez besoin d'une réponse locale rapide ET d'une analytique cloud avancée
• Vous voulez un apprentissage croisé des actifs avec une résilience locale

L'approche de Prevly

Prevly prend en charge les trois architectures :

• Déploiement edge : Agent edge autonome avec inférence ONNX, tableau de bord local et synchronisation par lots parquet — pour les sites qui ont besoin d'autonomie sur site et de souveraineté des données.
• Déploiement cloud : SaaS cloud complet avec tous les modèles ML, explicabilité, prédiction RUL et intégrations.
• Déploiement hybride : Agents edge plus la plateforme cloud — apprentissage à l'échelle du parc avec résilience locale.

Consultez les tarifs actuels pour les plans à jour et ce que chaque niveau inclut.

L'agent edge fonctionne sur n'importe quel appareil Linux avec Python 3.10+ — d'un Raspberry Pi 5 à 35 € à une passerelle industrielle Advantech. Les modèles s'entraînent dans le cloud et se déploient automatiquement en edge via l'export ONNX.

Parce que la bonne réponse à « edge ou cloud ? » est presque toujours « oui ».

Lectures complémentaires : Maintenance prédictive sur site ou dans le cloud · Surveillance OPC-UA en lecture seule · Construire ou acheter une solution PdM