Données sombres - il s'agit des données collectées dans l'atelier qui restent intactes ou qui ne sont pas utilisées pour améliorer la production d'une manière ou d'une autre. L'entreprise moyenne laisse 90 % de ses ensembles de données intouchés et cela s'applique aux installations de l'industrie manufacturière. Cette statistique signifie qu'en dépit de l'augmentation du taux de déploiement des solutions de collecte de données, la plupart des ensembles de données capturées restent dans des silos inutilisés. Mais cela ne devrait pas être le cas.
Le changement de paradigme vers l'usine intelligente nécessite d'automatiser les flux de travail traditionnels et de mettre les données sombres au travail en utilisant des solutions technologiques de pointe. Les fabricants qui envisagent un avenir où des machines interconnectées interagissent en temps réel et prennent des mesures précises doivent comprendre que les données sombres finiront par avoir leur utilité grâce aux progrès constants de la technologie.
Il y a vingt ans, l'analyse des modèles de données des machines pour prédire les défaillances était à peine possible en raison des limites de la collecte d'ensembles de données spécifiques tels que les données de vibration. Aujourd'hui, les capteurs et les dispositifs IoT nécessaires pour collecter des données machine, même à partir d'équipements anciens, ne coûtent que quelques dollars et sont disponibles dans le monde entier. À l'inverse, l'obtention d'informations à partir de données sombres à l'aide de technologies telles que les technologies de jumeau numérique, les API ou les plateformes IIoT deviendra la norme dans les années à venir et les entreprises manufacturières doivent se positionner pour tirer parti des capacités élargies d'analyse des big data.
L'accélération des progrès dans les technologies d'analyse du big data donnera aux fabricants les moyens d'élaborer des stratégies axées sur les données pour remodeler l'atelier. Les cas d'utilisation sont les suivants
Les données provenant de l'atelier ont toujours une histoire à raconter. Il peut s'agir d'une amélioration des performances des machines ou des effets d'une augmentation de la demande. L'utilisation de l'outil analytique adéquat permet de développer les grandes lignes de l'histoire, son intrigue, et de la terminer. Grâce à des données précises et à l'outil analytique approprié, les fabricants peuvent anticiper les changements et élaborer des plans optimisés pour y faire face.
La planification des capacités permet aux fabricants d'exploiter les données de l'atelier. Un outil de planification de la capacité utilise les données historiques pour déterminer comment les fluctuations de la demande affecteront les ressources disponibles et comment atténuer les problèmes opérationnels. La planification de la capacité est également liée à l'optimisation de l'agencement, car l'agencement de l'atelier réduit le trafic dans l'atelier et améliore les performances opérationnelles.
Les outils traditionnels de planification de la capacité, tels que les systèmes d'entreprise de fabrication ou les logiciels de modélisation de simulation, sont équipés pour améliorer les plans de capacité. L'utilisation du jumeau numérique apporte un élément de temps réel à la planification de la capacité, comme le montre l'exemple de CKE Restaurant.
Pour améliorer la productivité, CKE Restaurant, la société mère de Hardees et Carl's Jr, a prévu de reconfigurer l'agencement de ses cuisines et d'améliorer leur capacité afin de répondre à la demande croissante des clients. En s'appuyant sur les données relatives à l'atelier, CKE a mis au point différentes configurations de plans d'atelier proposés permettant d'améliorer la productivité. Les employés ont interagi avec succès avec l'environnement numérique en utilisant des casques de réalité augmentée pour tester et déterminer la configuration optimale pour les agencements de magasins proposés.
L'application la plus courante des données collectées dans l'atelier consiste à assurer le suivi des machines et des processus de production en capturant en permanence des données opérationnelles. La surveillance des conditions permet au fabricant de détecter les lignes de défaillance et nécessite une analyse approfondie. Tout d'abord, les technologies de collecte de données, telles que les dispositifs IoT ou les capteurs, assurent le suivi des opérations des machines et les outils analytiques analysent constamment les modèles de données pour détecter les anomalies. Généralement, les anomalies détectées sont ensuite localisées ou tracées jusqu'au composant de la machine défectueux et des mesures sont prises.
La surveillance de l'état des machines est également le précurseur de l'élaboration de stratégies de maintenance prédictive. Les données capturées à partir des déploiements de maintenance conditionnelle deviennent des ensembles de données historiques qui sont analysées pour découvrir des modèles qui prédisent les pannes futures de l'équipement. Un exemple de maintenance prédictive est le déploiement par Volvo Group Truck d'une plateforme IIoT pour suivre et analyser les données de ses camions. Le suivi constant du taux de performance des camions et des données des véhicules a aidé Volvo à développer une stratégie de maintenance prédictive qui a réduit les temps de diagnostic de 70 %.
La mise en œuvre de l'industrie 4.0 passe par la compréhension de son concept commercial de base. Ces concepts incluent ; l'optimisation des performances de l'usine basée sur les données, la maintenance prédictive, la validation et les tests, etc. L'adoption réussie de l'un ou l'autre de ces modèles d'entreprise nécessite des capacités étendues de capture de données et d'analyse. L'exemple de CKE Holding met en évidence l'utilisation d'outils d'analyse de données pour valider, tester et améliorer les plans et l'exemple de Volvo présente l'analyse de données comme un outil de surveillance des conditions.
L'évolution des industries vers l'industrie 4.0 est alimentée par des solutions de transformation numérique qui facilitent la capture et l'analyse des données, mais il est possible d'aller plus loin. Aujourd'hui, 65 % des données obscures restent cachées dans les équipements et les processus de fabrication. Réussir à récolter ou à capturer ces ensembles de données fournira aux fabricants plus de matière à travailler pour atteindre des objectifs spécifiques à l'industrie.
L'introduction de l'informatique de pointe devrait permettre de relever les défis liés à la capture et à l'utilisation des données cachées dans l'atelier. En tirant simultanément parti de l'analyse décentralisée qu'offre la périphérie et en utilisant des plateformes analytiques centralisées telles que le jumeau numérique, il sera possible d'avancer vers l'usine du futur qui fonctionne à l'électricité.