Les tableaux de bord BI intègrent les données d'usine intelligente pour une analyse significative

L'avènement de l'IoT industriel et des usines intelligentes a imposé de nouvelles exigences sur les systèmes d'analyse de nouvelle génération pour déverrouiller les données d'exploitation de manière innovante. Alors que l'analyse industrielle intelligente est un cas d'utilisation relativement récent, l'activité commence à se réchauffer. Le défi consistera à trouver des tendances significatives à partir des données extraites de plusieurs points de contact IoT industriels, au-delà du simple stockage du contenu dans des journaux opérationnels.

L'usine intelligente générée par les capteurs de l'Internet des objets (IoT) doit être corrélée avec d'autres points de données de l'entreprise, et la recherche de sens doit devenir une partie intégrante des flux de travail quotidiens, et non un moment fugace.

L'intégration des données IoT dans les processus réguliers nécessite un logiciel d'analyse. Ce logiciel est alimenté par l'intelligence artificielle, l'IA et les technologies d'apprentissage automatique. Une autre partie de l'équation est constituée par les connecteurs IoT qui relient les tableaux de bord d'informatique décisionnelle aux données d'exploitation de l'usine.

Alors que les tableaux de bord BI font depuis longtemps partie de l'analyse en coulisses, la plupart n'ont pas été en mesure de traiter correctement les entrées de données IoT industrielles jusqu'à récemment. Pour que les usines intelligentes évitent les données cloisonnées, il est primordial de sélectionner des tableaux de bord BI équipés d'analyses capables. Aujourd'hui, de nombreux tableaux de bord combinent l'IoT industriel avec l'accès à des lacs de données - de vastes pools de stockage destinés à agréger de grandes quantités d'informations non structurées - ou encore des bases de données cloud.

« Les données d'usine intelligente ont beaucoup en commun avec les données provenant d'autres fonctions d'une entreprise », a déclaré Enno de Boer, partenaire, McKinsey. « Pour être utile, il doit être utilisé pour éclairer la prise de décision. » Sinon, il est inutile de récolter et d’agréger de grandes quantités de données.

Tout au long de la chaîne de valeur

Pour être vraiment utiles, les données d'usine doivent être intégrées tout au long de la chaîne de valeur, a déclaré de Boer, qui dirige le travail de McKinsey dans la fabrication numérique et sa collaboration avec le Forum économique mondial dans le cadre du réseau Global Light House.

Grâce à une meilleure utilisation de l'analyse, de Boer voit une production sur mesure qui influence tout « de l'approvisionnement en composants à la livraison du dernier kilomètre ».

L'analyse de la Business Intelligence est aujourd'hui une caractéristique commune des produits informatiques d'entreprise. Mais l'application de la technologie pour les opérations s'est avérée plus difficile. Malgré les blocages dans la mise en œuvre, le marché mondial devrait atteindre 16 milliards de dollars d'ici 2026, selon ResearchAndMarkets.com.

Carte d'évaluation Smart Factory Analytics

De nombreux fournisseurs s'efforcent désormais de fournir des analyses industrielles et des tableaux de bord BI améliorés. Les acteurs à la pointe du marché des usines intelligentes incluent ABB, Honeywell International, Robert Bosch, Siemens et d'autres.

Lorsqu'il s'agit de capturer, de traiter, de stocker et d'analyser les données d'usine intelligente, les géants de l'informatique avec une empreinte notable dans la fabrication font partie du mélange. Les principaux d'entre eux sont IBM, Hewlett Packard Enterprise et SAP. Des startups innovantes dans le domaine des données ont également ciblé les exigences spécialisées de l'analyse d'usine intelligente, telles que Cloudera et DataStax.

Alors que le cloud devient le point central de l'analyse d'usine, les leaders du cloud Amazon Web Services, Google et Microsoft créent des pipelines de workflow de données spécialisés. Les joueurs prennent à leur tour en charge les tableaux de bord de business intelligence des utilisateurs finaux tels que ceux de Looker, Microsoft, Tableau et autres.

Construire une usine intelligente

Construire des analyses d'usine intelligentes est une tâche formidable. Un site de fabrication typique peut créer plus de 2 200 de données en un seul mois, et la plupart de ces données ne sont pas analysées, selon un rapport d'IBM sur la transformation numérique. L'afflux de données non analysées contribue au problème des projets industriels de validation de principe (POC) de l'IoT qui s'éternisent.

La plupart des données industrielles sont générées en dehors de l'informatique, souligne Manish Chawla, directeur général des industries, de l'énergie, des ressources et de la fabrication chez IBM. Il a indiqué que les efforts récents de l'industrie se concentrent sur l'amélioration des fondations du projet; une mauvaise planification peut prolonger le délai d'exécution des POC.

"Les gens ont essayé de construire un penthouse sans avoir de fondations", a-t-il déclaré.

Chawla a également déclaré qu'IBM avait récemment travaillé aux côtés de Siemens et de Red Hat sur une approche multiplateforme pour exécuter des analyses à partir de la plate-forme IoT industrielle de Siemens, MindSphere, plus près de la périphérie de l'usine.

SAP s'efforce de permettre aux clients d'analyser un mélange de données historiques orientées séries temporelles ainsi que des données IoT et commerciales, a déclaré Dominik Metzger, vice-président et responsable de la gestion des produits, de la fabrication et de l'IoT industriel, SAP. Un historien des données est une fonction logicielle qui enregistre la sortie des processus informatiques de fabrication à des fins de gouvernance.

Pour Metzger, l'un des changements clés de ces dernières années est le degré de standardisation dans le traitement des données. "C'est devenu plus économique et évolutif", a déclaré Metzger, citant les lacs de données comme catalyseur d'analyse pour les usines intelligentes.

SAP considère l'intégration de l'analyse de données IoT dans les processus métier comme la prochaine étape clé de sa stratégie Industrie 4.0, qu'il a baptisée Industrie 4. L'Industrie 4 est une architecture de référence qui couvre les workflows provenant de sources telles que les historiens de données, les services de périphérie et le cloud ou l'ERP. des systèmes dotés de capacités de business intelligence.

Les analyses nécessitent un volume de données

L'évolution de l'analyse d'usine intelligente est compliquée par des forces affectant l'analyse en général. Par exemple, l'essor des analyses prédictives et prescriptives basées sur l'IA et l'apprentissage automatique présente plusieurs défis de mise en œuvre. Ici, les utilisateurs doivent procéder de manière réfléchie lorsqu'ils utilisent l'analyse pour approfondir les opérations, selon Ed Cuoco, vice-président de l'IA et de l'analyse chez PTC.

Lors de la mise en œuvre de l'analyse pour le diagnostic, par exemple, il arrive parfois qu'un simple contrôle statistique des processus soit préférable à l'apprentissage automatique ou aux solutions de type IA, a déclaré Cuoco.

"Sans données historiques de bonne qualité en volume, vous ne pourrez peut-être pas obtenir les informations que vous souhaitez", a-t-il ajouté.

Le fournisseur de plate-forme IoT PTC travaille en étroite collaboration avec les utilisateurs finaux et d'autres fabricants de logiciels pour fournir des analyses de la ligne de front de l'usine à l'utilisateur final de l'entreprise, et parfois inversement. C'est le cas d'un récent accord selon lequel le framework Fujitsu Smart Factory utilise la réalité augmentée Vuforia de PTC et les plates-formes ThingWorx pour transmettre des informations d'analyse aux opérateurs.

Nouveaux graphiques pour l'analyse

La technologie des données graphiques – longtemps à la périphérie de la scène de l'analyse de données avancée – a été acceptée dans les usines et dans d'autres environnements. Les bases de données graphiques telles que Aura Enterprise de Neo4j se sont avérées utiles et ont mis en contexte les analyses d'usine intelligentes des utilisateurs et ont permis des projets collaboratifs qui identifient de nouvelles efficacités opérationnelles.

Contrairement aux bases de données relationnelles qui sous-tendent la majeure partie des analyses de données et stockent les données dans des lignes et des colonnes, les formats de données graphiques utilisent des mappages de données pour gérer des connexions complexes entre les éléments de données. Les secteurs cibles de Neo4j comprennent l'automobile, la garantie, l'analyse, la gestion de la chaîne d'approvisionnement et les instruments médicaux. Le secteur médical en particulier avait démontré la capacité des bases de données graphiques à favoriser la collaboration entre les équipes, selon Amy Hodler, directrice des programmes d'analyse graphique et d'IA, Neo4j.

Une entreprise d'instruments médicaux cherchant à suivre les défaillances avant l'expédition du produit a trouvé les méthodes graphiques de Neo4j utiles, a noté Hodler. L'identification de telles défaillances implique généralement un travail de détective car tous les sous-composants d'un instrument défectueux doivent être tracés pour déterminer s'ils sont responsables de la défaillance.

Pour mettre l'analyse entre les mains d'un plus grand nombre d'utilisateurs, Neo4j propose des connecteurs qui relient ses modèles de données graphiques à des tableaux de bord de visualisation et de découverte de données tels que Tableau, Tibco Spotfire et autres. La société propose également son propre outil de visualisation Bloom.

Les outils de gestion de logiciels de DataStax, une entreprise qui a largement conduit à la commercialisation de la base de données open source NoSQL, se connectent également à une multitude de tableaux de bord visuels. L'édition entreprise du produit DataStax prend en charge la gestion des données graphiques. Parmi les créateurs d'applications IoT utilisant son logiciel se trouve Locstat, basé en Afrique du Sud, qui a déployé le produit pour analyser les données des capteurs et les analyses de streaming en temps réel.

"La visualisation devient un élément de plus en plus important pour essayer de comprendre ce qui se passe dans le paysage de l'IoT, en particulier lorsque vous faites face à une configuration assez complexe", a déclaré Matthias Broecheler, technologue en chef chez DataStax.

Les outils d'analyse visuelle aident le personnel d'exploitation, les développeurs et autres, a-t-il ajouté. Dans le même temps, Broecheler a noté que certaines décisions dans les usines intelligentes nécessitent une réponse immédiate. Cette force motrice est à l'origine de nouvelles formes de traitement analytique qui, sans transformation humaine, détectent et répondent de manière autonome aux anomalies de l'usine.

Au revoir, silos de données

Dans les usines intelligentes, les responsables, les opérations sur le terrain et les équipes de développement informatique doivent travailler ensemble comme dans tout autre type de transformation d'entreprise, a déclaré de Boer de McKinsey.

"Les transformations échouent lorsque les équipes fonctionnent en silos, et une seule fonction conduit les tentatives d'initier des changements", a-t-il déclaré dans une interview par e-mail. La volonté de démocratiser les données exige que les personnes de toute l'organisation comprennent la puissance des nouvelles technologies et comment les utiliser, a déclaré de Boer.

Pour le secteur manufacturier, le rôle du personnel d'exploitation dans la détermination de la démocratisation des données sera révélateur.

« Avec les outils d'analyse entre les mains du personnel d'exploitation, les entreprises seront en mesure de développer plus facilement des solutions qui répondent aux défis commerciaux », a déclaré de Boer.

De Boer de McKinsey a souligné les programmes d'académie d'analyse mis en place par les membres du Global Lighthouse Network et a fait valoir que toutes les parties prenantes pourraient gagner à participer, y compris tout le monde, de la salle du conseil d'administration aux premières lignes de production.