L’industrie manufacturière est connue pour les vastes ensembles de données qu’elle produit. Ces ensembles de données comprennent à la fois des données structurées et non structurées issues des processus de production et, pendant longtemps, elles n’ont pas été collectées jusqu’à l’avènement de l’industrie 4.0.
Les progrès antérieurs, tels que les méthodologies de production allégée, s’appuyaient sur des données. Pour mettre en œuvre des processus allégés, le fabricant devait saisir les données relatives aux machines et à l’utilisation des stocks afin de réduire le gaspillage. Les ensembles de données collectées ont été utilisés pour calculer les mesures d’utilisation des machines, telles que l’efficacité globale des équipements (OEE), et pour déterminer le nombre de ressources disponibles.
L’application de données pour mettre en œuvre la production allégée a permis de réduire considérablement les déchets provenant de machines et d’opérations individuelles, mais elle n’a pas permis d’obtenir une vision globale du fonctionnement de l’usine à l’échelle de l’établissement. Le concept d’Industrie 4.0 entend faire passer l’optimisation des équipements individuels au niveau supérieur en optimisant les opérations interdépendantes qui définissent la fabrication. Pour y parvenir, il faut rassembler des ensembles de données provenant de tous les aspects d’un cycle de production afin d’optimiser la productivité.
Capturer les Big Data dans l’usine
L’exploitation du big data pour mieux comprendre les processus de fabrication commence par la capture des données. Tout d’abord, la collecte de données à partir de machines équipées de technologies de communication modernes telles que le Wi-Fi n’a rien à voir avec la collecte de données à partir d’équipements anciens dotés d’une technologie analogique. L’équipement moderne peut être branché sur des réseaux pour transférer les données vers le nuage ou une plateforme centralisée d’agrégation des données, tandis que les systèmes existants doivent être extraits et transférés vers la plateforme centralisée.
Aujourd’hui, les appareils intelligents conçus pour le secteur industriel peuvent être branchés sur les E/S analogiques ou les ports des systèmes existants pour capturer des données. Les défis liés à la capture de données à partir d’équipements existants ne sont pas les seuls auxquels les fabricants sont confrontés en matière de capture de données à l’échelle de l’installation. Traditionnellement, les données relatives à l’environnement de l’atelier, telles que la température, l’agencement de l’installation et les données concernant les systèmes de manutention sont considérées comme des données non structurées et difficiles à capturer.
L’IdO donne désormais aux fabricants la possibilité de capturer des données non structurées provenant de l’atelier. L’IdO permet également la capture et le flux de données en temps réel dans l’ensemble de l’usine afin de fournir aux technologies de transformation numérique les données dont elles ont besoin pour analyser les opérations de l’atelier.
Cas d’utilisation des Big Data dans l’industrie manufacturière
Tirer parti des ensembles de données saisies est l’étape suivante lorsqu’un fabricant a mis en œuvre avec succès un processus de collecte de données d’atelier. Les cas d’utilisation pour l’exploitation des big data sont les suivants :
1. Maintenance prédictive
Actuellement, l’utilisation la plus courante des ensembles de données historiques est l’optimisation des stratégies de maintenance et la réduction des temps d’arrêt grâce à la planification prédictive. La maintenance prédictive implique la capture des données opérationnelles historiques des actifs de l’atelier afin de déterminer les schémas de panne de l’actif et de ses composants.
Les stratégies de maintenance prédictive réussies réduisent de 75 % les temps d’arrêt non planifiés causés par des équipements défectueux. La stratégie de maintenance prédictive de BASF, la plus grande entreprise de fabrication de produits chimiques au monde, en est un exemple. Pour éliminer les problèmes liés aux temps d’arrêt imprévus des équipements, l’entreprise a mis en œuvre une stratégie de capture des données en utilisant les solutions IIoT de Schneider Electric pour capturer les données des machines.
En s’appuyant sur le big data, l’entreprise a pu saisir 100 variables d’état liées à la santé de ses équipements dans 63 de ses ateliers. L’analyse des données capturées a permis à BASF de réduire considérablement ses temps d’arrêt et d’augmenter le cycle de vie de ses machines.
2. Surveillance des conditions
Alors que la maintenance prédictive surveille activement les performances des machines grâce à des outils de collecte de données, la maintenance conditionnelle tente de découvrir les anomalies à travers les opérations de l’usine en temps réel. Le déploiement de l’IIoT et des dispositifs intelligents dans l’atelier permet aux fabricants de capturer les données nécessaires pour piloter les applications de maintenance conditionnelle. Les outils de transformation numérique tels que le jumeau numérique exploitent les ensembles de données collectées pour construire des représentations virtuelles des opérations physiques de l’usine. Le jumeau numérique est ensuite utilisé pour surveiller les processus opérationnels au sein de l’atelier de fabrication.
La surveillance en temps réel des éoliennes afin de garantir des performances optimales et d’obtenir des informations sur leur fonctionnement est un exemple d’application de la maintenance conditionnelle. L’exemple de Brüel et Kjær Vibro, une société germano-danoise spécialisée dans la maintenance conditionnelle, illustre l’importance de la gestion des actifs en temps réel. L’entreprise surveille en permanence le fonctionnement des éoliennes à l’aide de centaines de capteurs répartis sur l’ensemble des installations d’éoliennes. Grâce à la maintenance conditionnelle, l’entreprise a pu prévenir les dommages, repérer les points de défaillance potentiels et obtenir des informations sur le fonctionnement des turbines afin de prendre des décisions éclairées.
3. Prévision de la production
Obtenir des réponses correctes aux questions d’hypothèses est le meilleur moyen de déterminer le nombre de ressources dont un cycle de production aura besoin pour répondre à une demande fluctuante. Les évaluations « par simulation » aident également les fabricants à décider de l’affectation des ressources disponibles pour respecter les délais de la demande et améliorer la satisfaction des clients. La saisie des données relatives à la demande et à la production peut aider les fabricants à établir des prévisions de production précises.
Les données des cycles de demande historiques constituent la base de la prévision de la demande, tandis que les données de l’atelier permettent d’évaluer les processus de production pour répondre à une demande accrue.
Un exemple est la dépendance de BAE system, une entreprise de défense, à l’égard de la technologie de simulation pour analyser ses données de production. S’attendant à une augmentation de la demande, l’entrepreneur devait élaborer un calendrier optimisé et allouer correctement les ressources pour respecter les délais de production. Pour ce faire, un modèle de simulation des opérations de l’usine a été créé à partir de données historiques. Le modèle de simulation a aidé BAE à répondre aux questions relatives à sa capacité de production et à l’affectation des ressources. BAE a également mis au point un calendrier basé sur les risques afin de s’assurer qu’elle répond à la demande des clients avec un débit de qualité.
4. Amélioration du débit
Le meilleur moyen de recréer des processus optimisés est de comprendre la combinaison des facteurs qui ont permis à un fabricant d’atteindre une productivité optimale. L’amélioration efficace du rendement commence par la saisie des données relatives à la chaîne d’approvisionnement, aux stocks et à l’utilisation des machines, et par l’association de processus de travail optimaux à ces statistiques. Les données optimisées deviennent des données de référence qui peuvent ensuite être recréées à l’infini.
Fastenal, un fabricant d’équipement d’origine, a exploité des ensembles de big data pour développer des données de référence pour ses processus opérationnels. En utilisant les données de référence analysées, l’équipementier a pu économiser environ 100 heures d’ opérations inutiles chaque mois. L’exploitation des données de référence a permis à l’équipementier d’améliorer sa productivité et sa capacité à répondre efficacement aux exigences de la demande.
5. Mise en œuvre des modèles commerciaux de l’industrie 4.0
L’objectif de la4e révolution industrielle est l’usine intelligente où l’échange de données est possible et où l’analyse se fait en temps réel pour s’assurer que les actifs peuvent prendre des décisions précises sans intervention humaine. Pour parvenir à l’industrie 4.0, il est nécessaire de capturer des ensembles de big data provenant de l’usine afin de découvrir des modèles qui simplifient le processus de prise de décision pour les machines. En tirant parti du big data et de l’apprentissage automatique, les équipements au sein de l’atelier sont dotés du contexte historique nécessaire pour prendre des mesures spécifiques.
Conclusion
Pour réaliser l’usine intelligente du futur, il faut améliorer les capacités de capture des données et tirer parti d’outils tels que la modélisation de simulation, le jumeau numérique et les technologies de prévision afin d’obtenir des informations. Les cas d’utilisation présentés ici ne sont qu’un sous-ensemble des façons dont les données peuvent être utilisées pour améliorer les opérations de fabrication. On attend des fabricants qu’ils repoussent sans cesse les limites de l’application en développant des moyens plus innovants d’utiliser les big data.