Augmenter la productivité grâce aux données de la machine
L’analyse des données révolutionne de nombreuses industries, y compris l’industrie manufacturière. Les fabricants ont une opportunité extraordinaire d’analyser de manière holistique toutes les données provenant des processus d’approvisionnement, de production et de distribution. Si la quantité et la variété des données posent des défis importants, les gains potentiels pour les fabricants en termes de productivité et de rentabilité globales peuvent être considérables. Tous les fabricants devraient donner la priorité à l’intégration d’une infrastructure analytique moderne capable de transformer des données complexes en informations exploitables en temps réel. Ceux qui parviennent à intégrer efficacement l’analytique manufacturière dans leur organisation obtiendront des avantages concurrentiels significatifs, tandis que ceux qui retardent l’adoption courent le risque de prendre du retard.
L’analytique de fabrication est un terme général qui englobe diverses méthodes capables de transformer les données en informations qui peuvent ensuite générer des résultats commerciaux souhaitables.
Les éléments clés communs à ces méthodes sont les suivants
- Une infrastructure efficace pour la capture et le stockage des données
- Analyse des données pour générer des informations exploitables
- Le déploiement efficace de solutions pour améliorer les résultats de l’entreprise
- Suivi et adaptation pour une maintenance à long terme des solutions déployées.
Qu’est-ce que les données machine ?
Les données machine, parfois appelées données générées par la machine, sont les informations numériques créées automatiquement par les activités et les opérations des appareils en réseau, notamment les ordinateurs, les téléphones mobiles, les systèmes intégrés et les produits vestimentaires connectés. Dans un contexte plus large, les données machine peuvent également inclure des informations générées par des sites web, des applications d’utilisateurs finaux, des programmes déployés dans le cloud, des serveurs, etc.
Les données machine sont rarement modifiées par les humains, mais elles peuvent être collectées et analysées. Les données machine sont créées automatiquement, généralement selon un calendrier fixe ou en réponse à un événement. Les journaux d’appels d’un système de téléphonie, les enregistrements de transactions d’un distributeur automatique de billets ou les journaux de réseau qui enregistrent toute adresse IP qui envoie un signal à un serveur donné sont tous des données machine.
La quantité de données générées et stockées par les êtres humains augmente de façon exponentielle chaque année depuis quelque temps déjà, sous l’impulsion de la prolifération des technologies télématiques telles que le GPS, le Wi-fi et les réseaux de données mobiles, ainsi que l’identification par radiofréquence (RFID) et l’Internet des objets (IoT). Comme un nombre croissant d’entreprises commencent à tirer parti de l’analyse des données massives et de l’apprentissage automatique, il existe de plus en plus de possibilités d’analyser efficacement les données des machines parallèlement à d’autres types de données d’entreprise, afin d’identifier de nouvelles perspectives et de nouvelles informations susceptibles de guider les décisions commerciales.
Quelle est la définition de l’automatisation intelligente ?
L’automatisation est désormais un concept technique familier pour les entreprises. Nombre d’entre elles automatisent des tâches manuelles et reproductibles dans un souci d’efficacité. L’aspect intelligent est introduit par la robotique, l’intelligence artificielle et d’autres technologies émergentes qui peuvent exécuter des actions humaines et agir de manière indépendante en prenant des décisions ou en interprétant des données sans intervention humaine directe.
L’automatisation intelligente est donc la convergence de ces technologies “intelligentes” avec les processus automatisés pour améliorer l’automatisation des processus d’entreprise. EY définit l’automatisation intelligente (IA) comme “l’intégration de la robotique avec de multiples composants issus de différentes technologies émergentes.”
Les défis de la collecte des données des machines
Les fabricants comprennent la valeur des données, et l’absence de collecte efficace et d’utilisation de données dans la prise de décision s’explique en grande partie par deux facteurs :
Les fabricants ont une aversion pour la technologie ou continuent d’utiliser des pratiques dépassées, ce qui entraîne une collecte manuelle des données et ses conséquences.
Les fabricants se heurtent aux nombreux obstacles à la mise en place d’une culture et d’une infrastructure technologique qui soutiennent avec succès la collecte automatisée de données en temps réel. Nous abordons ces défis ci-dessous :
Variété des données
Non seulement il existe de nombreux types d’équipements distincts – tours, moulins, moulage par injection plastique, emboutissage, découpeurs laser, robotique, etc. – mais selon les mécanismes disponibles pour acquérir les données de ces systèmes, les points de données peuvent être très divers. Selon les mécanismes disponibles pour acquérir les données de ces systèmes, les points de données peuvent être très divers. Pour fournir des outils efficaces d’analyse de ces données à travers ces systèmes distincts, les données doivent être transformées en un modèle de données commun. Non seulement chaque commande de machine possède son propre mécanisme de collecte de données, mais les points de données peuvent également différer en fonction de la famille, de la marque et du modèle de la machine utilisant cette commande, ainsi que de la version du logiciel fonctionnant sur cette commande.
Volume de données
Les équipements de fabrication, et en particulier les équipements de fabrication discrets, sont très complexes. Une machine est un grand système de composants qui fonctionnent en coordination, ce qui entraîne des centaines de points de données distincts qui changent constamment. Selon l’application, il peut y avoir des situations où il est nécessaire de capturer des données à des taux de 100Hz ou 100KHz. Les plates-formes qui consomment ces informations doivent analyser les données à plusieurs niveaux du système pour éviter d’envoyer et de stocker des données inutiles lorsque seul le résultat agrégé ou calculé est suffisant. Ces systèmes doivent être capables d’effectuer des traitements complexes là où ils sont le plus appropriés, à la fois à la périphérie et dans le Cloud.
Vitesse des données
Alors que certains systèmes peuvent fournir de la valeur avec une faible fidélité et une latence élevée, certains cas d’utilisation de l’IdO nécessitent des données beaucoup plus en temps réel pour être efficaces. La technologie Edge est nécessaire pour traiter des volumes élevés de données, prendre des décisions en quelques millisecondes ou moins, et agir pour potentiellement prévenir les dommages à la machine ou à la pièce. Même les tableaux de bord qui fournissent une visibilité sur les performances d’un travail peuvent tirer une valeur considérable des faibles latences, en attirant immédiatement l’attention sur un processus qui prend du retard ou qui échoue.
La fabrication discrète introduit encore plus de complexité. Cela commence par la variabilité des machines dans les usines de fabrication discrète. Il existe de nombreux fabricants de machines différents, et aucune usine ne possède une seule marque de machine. Ces nombreuses machines différentes ont également des systèmes de contrôle et des protocoles de communication différents. Elles sont de différentes époques, allant de machines neuves avec des commandes modernes à des machines vieilles de 20 à 30 ans avec des capacités de commande limitées. La connexion aux différents actifs de l’usine et la collecte de données à partir de ceux-ci représentent également une entreprise importante, étant donné que la plupart de ces machines n’ont jamais été conçues pour fournir des données pour le type de solutions analytiques holistiques, d’usine ou d’entreprise que les entreprises cherchent à mettre en place aujourd’hui.
Comment les données des machines peuvent améliorer la productivité globale de votre usine ?
Votre contact
Si vous souhaitez en savoir plus sur les solutions MES et sur les solutions de connectivité machines et de collecte de données de production de Forcam, n’hésitez pas à nous contacter par e-mail à l’adresse suivante : christophe.rebecchi@forcam-enisco.net
Christophe bénéficie de plus de 30 ans d’expérience en direction commerciale et direction générale pour des éditeurs de logiciels internationaux de premier plan opérant sur le marché de la transformation digitale et de l’automatisation des processus. Christophe a dirigé les filiales françaises d’éditeurs de logiciels comme ReadSoft, Trintech, Winshuttle et Automation Anywhere, avant de prendre la Direction Générale de l’éditeur de solutions MES Forcam pour la France et les pays Francophones.
