COVID-19 accélère l'évolution de l'acquisition et l'analytique de données

Les stratégies d'acquisition de données évoluent à l'ère du COVID-19, poussées par des exigences accrues pour la visualisation de données à distance et des décisions pilotées par les données en temps réel. Les interfaces homme-machine (IHM) et les systèmes de contrôle de supervision et acquisition de données (SCADA) deviennent encore plus importants pour atteindre la transformation numérique car ils peuvent effectuer des analyses sur dispositifs de bord (edge), fournissant l'agilité et la résilience fondamentales au succès.

Connexion avec capteurs nouveaux et anciens

Les instruments traditionnels et les nouveaux capteurs Internet des Objets (IoT) installés sur équipements de terrain sont à proximité immédiate de dispositifs de bord, qui peuvent à leur tour capturer de grandes quantités de données produites telles que pressions de pompes ou conditions de fonctionnement des machines. International Data Corporation (IDC) prévoit que 79,4 zettaoctets de données seront créés par l'IoT seul en 2025, mais toutes ces données brutes ne produiront pas nécessairement des insights. Au lieu de cela, la valeur ne sera créée qu'en obtenant et appliquant information, connaissance, et insights dérivés de l'analyse des données brutes, donnant aux utilisateurs finaux le pouvoir d'améliorer les processus.

Des solutions de capteurs intelligents sont disponibles aujourd'hui pour compresser, filtrer, ou convertir les signaux temps réel dans le format désiré pour analyse ; cependant, il y a de nombreux dispositifs hérités déjà en service avec des protocoles propriétaires qui ont aussi besoin d'être inclus pour une transformation pilotée par les données complète. Comme les installations logicielles IHM/SCADA sont déjà près du bord, il est naturel et commode d'utiliser ce logiciel pour communiquer avec les dispositifs hérités et collaborer avec les capteurs intelligents pour supporter la prise de décision pilotée par les données en temps réel.

Apporter l'analytique au bord (edge)

Le logiciel IHM/SCADA capable d'effectuer des analyses avancées sur dispositifs de bord jouera un rôle pivot dans le contrôle, la visualisation, et la formulation d'insights et connaissances à partir de données temps réel. Parce qu'il est déjà utilisé pour la visualisation et le contrôle, le logiciel IHM/SCADA fournit actuellement surveillance et contrôle des opérations (Figure 1).

À l'avenir, le logiciel IHM/SCADA peut fournir un contexte essentiel aux données temps réel en support de la prise de décision pilotée par les données. Il peut aussi détecter des motifs connus et découvrir des anomalies, et prédire et alerter les opérateurs d'une défaillance imminente bien à l'avance. L'inférence et l'action locale peuvent être gérées sur le dispositif de bord ou serveur de bord, tandis que les données agrégées ou la modélisation prédictive peuvent être effectuées dans le cloud. L'analytique avancée étend les capacités traditionnelles de l'IHM/SCADA pour que les utilisateurs puissent comprendre la cause racine des événements et comportements ainsi que prédire les conditions futures.

Le déploiement d'applications IHM/SCADA mobiles avec analytique au bord du réseau offre aux organisations un niveau additionnel de flexibilité pour supporter des services mobiles intelligents pour travailleurs à distance. Ces applications mobiles peuvent exploiter la collecte riche de données depuis dispositifs distants et la partager avec un serveur de bord pour agrégation et analyse supplémentaires avant de l'envoyer au cloud pour modélisation machine et autres analyses.

L'intégration étroite de l'analytique avec les applications IHM/SCADA, définie comme analytique embarquée, est en hausse à cause du besoin de transformer les données en connaissance. Allied Market Research prévoit que le marché de l'analytique embarquée s'étendra de 25,13 milliards USD en 2016 à 60,28 milliards d'ici 2023. Quand le logiciel IHM/SCADA traditionnel est amélioré par des capacités d'analytique embarquée, les utilisateurs obtiennent une meilleure expérience d'application en fusionnant insight et action dans la même application.

Les résultats de l'analytique embarquée incluent indicateurs clés de performance (KPI), évaluations statistiques, et alertes près de où les opérateurs font leur travail et où les décisions sont prises. Cette demande de pousser la transformation numérique plus près du bord où les données sont collectées existe à cause de la pression pour prendre des décisions pilotées par les données plus vite. Avec le besoin d'accélérer vers des réponses quasi temps réel, les opérateurs n'ont plus le temps de retourner en salle de contrôle pour l'analyse.

Apprentissage automatique et algorithmes

L'analytique de données extrait des insights significatifs de données temps réel et d'autres sources. L'apprentissage automatique est une forme d'analytique utilisant des algorithmes pour extraire des données, en apprendre, et puis prédire le futur basé sur les données historiques. Les algorithmes transforment un jeu de données en un modèle. La méthode optimale d'entraînement — ou apprentissage — de l'algorithme dépend du type de problèmes résolus, des ressources informatiques disponibles, et de la nature des données. Deux méthodes d'apprentissage principales sont supervisé et non supervisé.

Avec l'apprentissage supervisé, un algorithme est présenté avec un ensemble d'entrées avec leurs sorties désirées (aussi appelées étiquettes). Le but est de découvrir une règle permettant à l'ordinateur de décomposer les relations et apprendre quelles données d'entrée correspondent aux sorties et comment.

Avec l'apprentissage non supervisé, un algorithme est présenté avec un ensemble d'entrées mais sans sorties désirées (étiquettes), ce qui signifie que l'algorithme doit trouver structure et motifs par lui-même en évaluant et classifiant des milliers de points de données basés sur les motifs découverts. Il y a quatre catégories traditionnelles d'analytique : descriptive, diagnostique, prédictive, et prescriptive, avec une cinquième émergente sous forme cognitive.

L'analytique descriptive répond à « Que se passe-t-il ? » Basée sur données temps réel et passées, elle tire des insights sur la performance du processus en fournissant du contexte aux données. Basée sur données temps réel, les applications IHM/SCADA utilisant l'analytique descriptive fournissent visualisation de ce qui se passe, annoncent alarmes pour les opérateurs, et livrent détails comme date/heure, valeurs associées, info machine.

L'analytique diagnostique s'appuie sur la descriptive pour répondre « Pourquoi cela s'est-il passé ? » Elle utilise les statistiques pour trouver motifs et offrir insights dans les données temps réel. Usages typiques : identification anomalies et causes racines (Figure 2).

L'analytique prédictive s'appuie sur la diagnostique pour répondre « Qu'arrivera-t-il dans le futur et pourquoi ? » Elle exploite les mêmes données historiques que les deux types précédents pour construire des modèles mathématiques utilisables pour faire des inférences sur ce qui arrivera dans le futur, prévenant les opérateurs d'événements futurs impactant la productivité (Figure 3). Plusieurs outils pour l'analytique prédictive :

• Détection d'anomalies : « Le comportement est-il anormal ? » Trouve données ne conformant pas à un motif attendu.
• Classification : « Cette machine ou processus va-t-il échouer ? » Classe données en catégories binaires : « Ce produit a-t-il un défaut ? Oui/Non. »
• Classification multi-classes : « Pour quelle raison X cette machine va-t-elle échouer ? » Classe données en 3+ catégories : « Quel type de défaut qualité ? Mineur, majeur, critique ? »
• Régression : « Combien de temps avant que cette machine échoue ? » Utilise processus statistiques pour estimer relations entre variable dépendante et une ou plusieurs indépendantes.

L'analytique prescriptive s'appuie sur la prédictive pour répondre « Que devrions-nous faire ? » Elle fournit des modèles pour informer les opérateurs sur actions recommandées. Algorithmes d'optimisation et de simulation souvent utilisés. L'IHM/SCADA avec analytique prescriptive peut prescrire plusieurs actions possibles et guider les opérateurs vers une solution.

L'analytique cognitive s'appuie sur la prescriptive pour répondre « Pourquoi devrais-je le faire ? » Elle utilise techniques d'auto-apprentissage et apprentissage profond pour émuler la pensée humaine.

Compréhension de niveau supérieur

L'analytique descriptive et diagnostique utilisent les données passées pour expliquer ce qui s'est passé et pourquoi, tandis que l'analytique prédictive, prescriptive, et cognitive utilisent les données historiques pour prévoir ce qui arrivera dans le futur avec quelles actions prendre pour affecter un résultat spécifique. Dans de nombreux cas, plusieurs analytiques et algorithmes sont utilisés simultanément, avec résultats agrégés pour une meilleure prise de décision.

Le logiciel IHM/SCADA déployé sur un dispositif de bord peut être un facteur clé pour fournir l'analytique menant les organisations vers une meilleure prise de décision pilotée par les données même depuis des lieux distants, améliorant la compétitivité.

S'il y a une lueur d'espoir dans la pandémie COVID-19, c'est les façons dont les entreprises apprennent à ajuster les modèles d'affaires vers une prise de décision pilotée par les données plus temps réel. En créant plus de visibilité à distance dans les processus utilisant personnes, équipements, matières premières, et installations, les entreprises trouvent qu'elles peuvent tourner plus optimalement en fournissant des liens plus étroits avec clients, employés, et fournisseurs.

Cet article a été rédigé par Bruno Armond Crepaldi, Directeur technique chez ADISRA (Austin, TX). Pour plus d'informations, visitez ici.

Références

1. 18 juin 2019 - La croissance des dispositifs IoT connectés devrait générer 79,4 ZB de données en 2025, selon une nouvelle prévision IDC.
2. 1er juin 2020 - Marché mondial de l'analytique embarquée pour atteindre 60,28 milliards USD d'ici 2023 : AMR.