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 deux décennies, l’analyse des schémas de données machine pour prédire les défaillances était à peine possible en raison des limitations liées à la collecte d’ensembles de données spécifiques tels que les données de vibration. Aujourd’hui, les capteurs et les dispositifs IoT nécessaires pour collecter les données des machines, même des équipements anciens, ne coûtent que quelques dollars et sont disponibles dans le monde entier. À l’inverse, l’obtention d’un aperçu des 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 des big data donnera aux fabricants les moyens d’élaborer des stratégies basées sur les données pour remodeler l’atelier. Les cas d’utilisation sont les suivants :
Planification des capacités et optimisation de l’agencement
Les données provenant de l’usine 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 offre aux fabricants la possibilité d’exploiter les données de l’atelier. Ici, un outil de planification de la capacité utilise des données historiques pour déterminer comment les fluctuations de la demande affecteront les ressources disponibles et comment atténuer les défis opérationnels. La planification des capacités 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 des capacités, 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 des capacités, 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 de l’atelier, CKE a développé différentes configurations de plans d’atelier proposés avec la capacité 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 des magasins proposés.
Maintenance conditionnelle et prédictive
L’application la plus courante des données collectées dans l’atelier consiste à assurer le suivi des machines et des processus de production en recueillant en permanence des données opérationnelles. La surveillance des conditions donne au fabricant les moyens de détecter les lignes de faille 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 en erreur et des mesures sont prises.
La maintenance conditionnelle est également le précurseur du développement de stratégies de maintenance prédictive. Les données capturées à partir des déploiements de surveillance de l’état deviennent les ensembles de données historiques qui sont analysés 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 %.
Soutenir les applications de l’industrie 4.0
La mise en œuvre de l’industrie 4.0 tourne autour de la compréhension de son concept commercial de base. Ces concepts comprennent ; l’optimisation des performances de l’usine basée sur les données, la maintenance prédictive, la validation et les essais, etc. L’adoption réussie de l’un ou l’autre de ces modèles d’affaires nécessite de vastes capacités de capture et d’analyse des données. 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 de faire plus. Aujourd’hui, 65 % des données obscures restent cachées dans les équipements et les processus de fabrication. En réussissant à récolter ou à capturer ces ensembles de données, les fabricants disposeront de plus de matière première pour atteindre des objectifs spécifiques à l’industrie.
Conclusion
L’introduction de l’informatique en périphérie devrait permettre de relever les défis liés à la capture des données sombres de l’atelier et à leur utilisation. En tirant simultanément parti de l’analyse décentralisée qu’offre l’informatique de pointe et en utilisant des plateformes analytiques centralisées telles que le jumeau numérique, nous progresserons vers la réalisation de l’usine « allumée » de l’avenir.