Fabrication industrielle
Internet des objets industriel | Matériaux industriels | Entretien et réparation d'équipement | Programmation industrielle |
home  MfgRobots >> Fabrication industrielle >  >> Industrial Internet of Things >> Technologie de l'Internet des objets

Mettre la science des données entre les mains d'experts du domaine pour fournir des informations plus précieuses

Les technologies émergentes telles que l'analyse avancée et l'intelligence artificielle (IA) transforment le secteur manufacturier. L'usine est inondée de données générées par la croissance des capteurs de l'Internet des objets (IoT). Mais, déclare Mike Loughran, CTO pour le Royaume-Uni et l'Irlande chez Rockwell Automation , les données seules ne sont pas une marchandise utile. Ces données nécessitent une expertise du contexte et du domaine qui leur est appliquée avant d'être analysées pour fournir des informations et une valeur commerciales précieuses.

L'analyse et l'IA ont perturbé de nombreuses industries, en particulier l'espace de consommation. Aujourd'hui, nous voyons des publicités ciblées et des plateformes de commerce électronique sur les réseaux sociaux qui peuvent prédire les produits que nous voulons acheter, et les applications basées sur la localisation peuvent même faire des recommandations en fonction de l'endroit où vous vous trouvez. Le thème sous-jacent ici est que l'analyse permet des décisions fondées sur les données en faisant apparaître des informations au bon moment.

Avantages clairs

La question naturelle est de savoir comment l'industrie manufacturière, qui est assez différente de l'espace de consommation, capitalise sur cette opportunité. Les avantages sont clairs à voir. En moyenne, les entreprises de fabrication qui se lancent dans la transformation de leurs opérations en adoptant la transformation numérique et l'analyse visent à augmenter leurs revenus jusqu'à 10 %, à réduire leurs coûts d'exploitation jusqu'à 12 % et à améliorer l'efficacité des actifs jusqu'à 30 %.

D'autres technologies numériques sont à l'origine de ce type de croissance à deux chiffres, mais lorsque les fabricants essaient d'appliquer ces technologies à l'analyse, ils rencontrent des défis uniques. La raison en est que l'application de l'analyse dans le contexte de la fabrication est complexe. Très souvent, l'analyse se positionne comme une solution clé en main où vous collectez d'abord toutes les données de manière centralisée, puis appliquez simplement un algorithme ou un modèle pour atteindre la terre promise.

Eh bien, ce n'est pas si simple. La plupart des charges de travail analytiques industrielles ne devraient probablement pas être exécutées dans le cloud, en raison des coûts élevés de bande passante du réseau et d'une latence plus longue. Il est plus logique de déployer ces modèles analytiques plus près de la périphérie, là où les données sont produites. Il faut également beaucoup de travail pour former un modèle analytique pour un environnement industriel. Pour comprendre cela, il faut plonger un peu plus dans le monde des données industrielles.

Gestion de gros volumes de données

Premièrement, les fabricants doivent gérer un volume remarquablement élevé de données générées par les systèmes de l'usine en temps réel, ainsi que des données historiques. L'ironie est que, selon le cas d'utilisation, seule une fraction de ces données extraites peut être pertinente. Ils doivent ensuite intégrer ces données provenant de sources disparates qui pourraient utiliser des protocoles différents.

Ces systèmes hétérogènes peuvent également avoir différentes technologies héritées qui peuvent rendre la connectivité et l'agrégation de données difficiles. En outre, ils peuvent ne pas avoir de modèle de données commun en place entre les systèmes, ce qui rend les relations ou les relations entre les points de données plutôt floues.

Les informations doivent également être transmises à la personne concernée ou au système pour conduire une action dans un court laps de temps afin de la rendre pertinente. Enfin, l'application de l'analytique nécessite une connaissance approfondie des processus industriels sous-jacents. Il est généralement extrêmement difficile de trouver l'expertise en science des données et en processus chez la même personne.

Pour réussir, il est essentiel d'avoir un partenaire qui peut non seulement comprendre à la fois la fabrication et l'analyse, mais peut également adapter une solution à vos cas d'utilisation. Idéalement, ce partenaire doit avoir une solide expérience dans la fabrication et être familiarisé avec le matériel de processus et la technologie d'exploitation, et bien sûr vos objectifs commerciaux.

Simplifier la science des données en pratique

Ce qu'il faut, ce sont des outils pour permettre aux ingénieurs de contrôle et de processus d'effectuer des analyses sans avoir recours à des scientifiques des données. Nous devons simplifier la pratique de la science des données. Lorsque nous parlons aux clients qui sont sur leur parcours de transformation numérique, il y a deux exigences communes. Le premier est le travailleur numérique et le second est l'apprentissage automatique.

Il y a quatre étapes que les entreprises doivent suivre avec l'analyse des données. Premièrement, ils doivent identifier les attributs opérationnels importants. Ils peuvent ensuite passer à l'établissement de structures de données logiques. Une fois cet objectif atteint, ils peuvent mettre en place des pratiques pour capturer des données à grande vitesse. Enfin, il est nécessaire de réutiliser les modèles à travers la couche d'information pour plus d'efficacité et de rapidité. L'objectif est d'accélérer les résultats en équipant les ingénieurs d'outils de science des données.

Nous essayons de faciliter la tâche des ingénieurs en automatisation ou en contrôle de certaines de ces activités de science des données. C'est ce que nous pouvons faire dans notre produit ThingWorxs Analytics qui consomme les données et passe par certaines des étapes que les scientifiques des données devraient suivre. Il fournit des modèles de solutions innovantes qui mettent la science des données entre les mains des experts du domaine.

Il peut regarder à travers les balises pour corréler celles qui sont nécessaires pour la prédiction optimale. Sur cent, voire mille, il n'y en a que cinq qui peuvent avoir un impact majeur. Il passe ensuite automatiquement par ce qu'on appelle l'apprentissage automatique, qui aide à choisir l'algorithme à exécuter, et commence même à exécuter un certain nombre de scénarios pour choisir quel algorithme ou quelle collection d'algorithmes donne le meilleur résultat.

C'est cette sorte de simplification, de ce qui est un processus complexe, qui permettra aux experts du domaine d'extraire vraiment la valeur qui est enfermée dans les données collectées et annonce l'ère du citoyen data scientist.

L'auteur est Mike Loughran CTO pour le Royaume-Uni et l'Irlande chez Rockwell Automation .

À propos de l'auteur

Mike Loughran est CTO pour le Royaume-Uni et l'Irlande chez Rockwell Automation, un fournisseur d'automatisation industrielle et de technologies de l'information. Il travaille dans l'entreprise depuis plus de 14 ans, ayant commencé dans le domaine de la vente de logiciels et gravissant les échelons jusqu'au poste de direction qu'il occupe maintenant.


Technologie de l'Internet des objets

  1. Que dois-je faire avec les données ? !
  2. Les avantages de l'adaptation des solutions IIoT et d'analyse de données pour l'EHS
  3. La 5G sera-t-elle à la hauteur de la vision 2020 ?
  4. Maintenance dans le monde numérique
  5. Démocratiser l'IoT
  6. Maximiser la valeur des données IoT
  7. Mettre la science des données entre les mains d'experts du domaine pour fournir des informations plus précieuses
  8. La valeur de la mesure analogique
  9. Préparer le terrain pour le succès de la science des données industrielles