Dix ans après la création de la marque, Air France Industries KLM Engineering & Maintenance fête l’anniversaire de Prognos, sa suite de maintenance prédictive destinée aux compagnies aériennes. L’occasion de regarder comment un projet de recherche interne est devenu un service vendu à des dizaines d’opérateurs, et ce que cette trajectoire dit de la maintenance industrielle en général : la donnée ne remplace pas l’ingénieur, elle lui donne quelques jours d’avance.
Plan de l'article
Une marque créée le 18 octobre 2016 #
Selon Aerobuzz, qui relaie l’annonce d’AFI KLM E&M du 30 octobre, la marque Prognos a été créée le 18 octobre 2016. Au départ, il s’agissait d’un projet de recherche de fin d’études. L’ambition affichée était simple : repérer les problèmes techniques avant qu’ils ne perturbent les vols.
Les débuts sont documentés par Le Journal de l’Aviation dès juillet 2017. L’outil est né dans le MRO Lab, le programme d’innovation du groupe, avec une preuve de concept en 2015 puis une industrialisation engagée début 2016. Le point de départ était l’Airbus A380, dont certains équipements tombaient en panne. Le système carburant de l’appareil, avec ses 28 sous-systèmes, a été le premier traité.
À lire Barrages : la R&D d’EDF affine la détection des fuites et la surveillance des ouvrages
Détecter une défaillance une semaine avant #
Le principe décrit à l’époque reste celui de toute démarche de maintenance conditionnelle. Les données opérationnelles déjà produites par l’avion sont analysées pour repérer une dérive. Le Journal de l’Aviation indiquait qu’une défaillance pouvait être détectée 10 à 20 vols avant la panne, soit environ une semaine pour planifier le remplacement de la pièce.
Un exemple cité dans l’article de 2017 parle à tous les responsables maintenance : l’échange préventif d’une pompe carburant avait évité une immobilisation de deux jours à Singapour. Les équipes soulignaient aussi un point de fiabilité du diagnostic : selon David Vazquez, cité par le journal, « tous les éléments remplacés préventivement ont été confirmés en faute par le constructeur ».
Il fallait alors deux à trois mois de collecte de données pour produire des algorithmes efficaces sur un système donné. Ce délai d’apprentissage est un enseignement utile hors de l’aéronautique : un modèle prédictif ne se branche pas du jour au lendemain sur une ligne de production.
Trois solutions : avions, moteurs et groupes auxiliaires #
Aujourd’hui, Prognos regroupe trois offres complémentaires, détaille Aerobuzz : Prognos pour les avions, pour les moteurs et pour les groupes auxiliaires de puissance (APU ou GAP). Des équipes de surveillance dédiées transforment les prévisions en recommandations de maintenance adaptées à chaque opérateur.
La déclinaison APU illustre le changement d’échelle. Lancée en 2017 et exploitée par EPCOR, filiale d’AFI KLM E&M, elle est passée d’un seul client à plus de 55 en 2026. Elle surveille plus de 1 800 groupes auxiliaires répartis en neuf types et traite chaque jour plus de 3 500 rapports.
D’abord centrée sur l’analyse des tendances de performance, la solution a progressivement ajouté des capacités prédictives. La surveillance a permis d’intervenir à temps avant des pannes potentiellement graves, notamment des déplacements latéraux de pales et des problèmes de roulements.
Un effet sur toute une flotte mondiale
Le cas le plus marquant concerne le Boeing 787. En 2024, des recherches menées par les équipes Prognos sur les systèmes de climatisation de l’appareil ont contribué à une modification visant à améliorer la fiabilité des groupes auxiliaires sur l’ensemble de la flotte mondiale de 787, rapporte Aerobuzz. Une analyse de données conduite par un prestataire a donc remonté jusqu’à une évolution technique chez le constructeur.
Ce qui a fait la différence, selon AFI KLM E&M #
Anne Brachet, directrice générale adjointe de l’ingénierie et de la maintenance d’Air France-KLM, résume le parcours ainsi : « Lorsque nous avons commencé à développer Prognos il y a dix ans, nous cherchions à mieux exploiter les données opérationnelles dont nous disposions déjà. » Elle attribue le succès à « l’étroite collaboration entre nos spécialistes des données et nos équipes d’ingénierie ».
Ce binôme data et métier est souvent le maillon faible des projets industriels. Beaucoup d’usines collectent déjà des vibrations, des températures ou des courants moteurs sans que personne ne transforme ces signaux en ordres de travail. L’exemple de Prognos montre que la valeur vient moins de l’algorithme que de la boucle complète : détection, interprétation par un expert, intervention planifiée, retour d’expérience.
Prochaine étape : la maintenance prescriptive #
Pour sa deuxième décennie, AFI KLM E&M veut étendre Prognos aux systèmes d’aéronefs, aux moteurs et aux APU en s’orientant vers une maintenance prescriptive. En développant l’intelligence artificielle et en affinant les algorithmes, l’objectif est d’aider les compagnies non seulement à anticiper les pannes, mais aussi à déterminer l’intervention la plus appropriée et le meilleur moment pour la réaliser.
La nuance est importante pour les services maintenance de l’industrie. Le prédictif répond à la question « quand cet équipement va-t-il lâcher ? ». Le prescriptif répond à « que faut-il faire, et quand, compte tenu des contraintes d’exploitation ? ». C’est là que se jouent les arbitrages entre disponibilité, stock de pièces détachées et charge des équipes.
Les leçons pour un site industriel #
Sans disposer des moyens d’un groupe aéronautique, plusieurs principes de Prognos sont transposables. Commencer par un système critique et bien instrumenté, comme l’A380 et son circuit carburant. Accepter une période d’apprentissage de plusieurs mois. Mesurer la fiabilité des alertes en vérifiant que les pièces déposées étaient réellement défaillantes. Et confier l’exploitation des prévisions à une équipe identifiée, faute de quoi les alertes finissent ignorées.
À lire Pourquoi nettoyer ses données avant de changer de GMAO améliore la performance
Dix ans après, la trajectoire de Prognos confirme que la maintenance prédictive n’est plus un démonstrateur : c’est un service d’exploitation, avec des clients, des volumes quotidiens et des effets mesurables sur la fiabilité des équipements.
