Renforcer la prise de décision dans la fabrication avancée grâce à une analytique puissante

La fabrication avancée est un effort difficile et complexe. Et alors que les goûts et tendances des consommateurs ont accéléré le désir de nouveaux produits et raccourci les cycles de vie des produits existants, les fabricants d'aujourd'hui doivent s'appuyer sur le big data pour les aider à gérer, prédire et poursuivre les bons produits au bon moment. Une étude de PwC montre que jusqu'à 92 % des fabricants considèrent leur prise de décision comme étant soit fortement pilotée par les données, soit quelque peu pilotée par les données.

Il est facile de penser au big data comme une entité géante unique à gérer pour arriver aux bons insights. Mais il existe différents types de données qui peuvent être utilisés selon le niveau de maturité de l'entreprise ainsi que le type de logiciel que les gestionnaires et parties prenantes peuvent déployer pour améliorer la prise de décision au niveau de l'entreprise et de l'usine. Nous appelons cela le parcours d'analytique manufacturière, et il inclut quatre types d'analytique de données.

Au fur et à mesure que les fabricants mûrissent dans leurs capacités analytiques, ils passent de l'analytique descriptive à l'analytique prescriptive.

Quatre types d'analytique de données manufacturières

• Analytique descriptive – L'analytique descriptive dit à l'utilisateur ce qui s'est passé. C'est un type de traitement de données qui utilise des données historiques à travers l'usine ou l'entreprise pour rechercher des motifs, associations et relations. En utilisant l'agrégation de données et le data mining, les données sont organisées d'une manière qui peut produire des insights profonds sur les actions passées.

Cette information peut produire de la valeur qui aide à développer des stratégies de produits et de façons qui aident les utilisateurs à comprendre les tendances au fil du temps. Elle peut être appliquée dans de larges catégories telles que la qualité, la finance et les revenus. Mais l'analytique descriptive est limitée par sa nature rétrospective. Bien que des motifs et tendances utiles puissent émerger pour éclairer la prise de décision, elle est limitée dans son application aux occurrences actuelles et futures. Pour les entreprises qui sont fortement pilotées par les données, des types additionnels d'analytique de données sont également utilisés.

• Analytique diagnostique – Là où l'analytique descriptive décrit ce qui s'est passé, l'analytique diagnostique explique pourquoi cela s'est passé. Armé de la compréhension qu'une machine ou groupe de produits s'est comporté d'une certaine manière, l'analytique diagnostique aide à déterminer pourquoi. L'analytique diagnostique utilise des techniques telles que le drill-down, le filtrage avancé et le data mining pour rechercher des corrélations pour expliquer le pourquoi. Ce type d'analyse est utile pour rassembler des insights sur des problèmes spécifiques et développer des prédictions fiables sur comment les éviter.

Un exemple de la valeur de l'analyse diagnostique est de déterminer si les alertes sont valides. Parce que les usines connectées d'aujourd'hui génèrent une énorme quantité de données rassemblées à partir d'un grand réseau de capteurs et dispositifs edge, l'analyse diagnostique peut qualifier les alertes et les catégoriser pour que les opérateurs humains puissent les comprendre et agir. Et avec le volume de données d'un grand réseau de capteurs, l'apprentissage automatique peut être utilisé pour développer des modèles qui expliquent avec précision pourquoi quelque chose s'est passé, ce qui permet une prise de décision précise.

• Analytique prédictive – L'analytique prédictive est utilisée pour expliquer ce qui est le plus susceptible de se passer. En utilisant les résultats rassemblés de l'analytique descriptive et diagnostique, l'analyse prédictive est précieuse dans la prévision. Elle utilise ces données pour prédire des données qui ne se sont pas encore produites. En utilisant la modélisation statistique, le data mining et l'apprentissage automatique, l'analytique prédictive utilise une variété de techniques telles que :

• Segmentation : Groupes basés sur les similarités.
• Association : Identification de la fréquence des occurrences conjointes et création de règles qui déterminent ce qui se produira après qu'un ensemble spécifique de variables interagisse.
• Corrélation : Identification des relations entre les propriétés des éléments.
• Prévision : Dérivation des valeurs et occurrences futures.

• Analytique prescriptive – En utilisant l'analyse des trois autres types, l'analytique prescriptive utilise l'apprentissage automatique, les algorithmes avancés et les règles d'affaires définies pour prescrire quelle action sera prise. De plus, l'analytique prescriptive peut montrer le résultat probable de cette action. Cela donne aux décideurs un niveau de précision ainsi qu'une gamme d'options pour déterminer plus d'un résultat possible basé sur les objectifs de l'entreprise. L'avenir de la fabrication, où les décisions ne sont pas seulement prises mais les systèmes sont adaptés automatiquement basés sur ces décisions, est piloté par l'analytique prescriptive.

Les données sont ce qui rend MachineMetrics si bon dans ce que nous faisons. Et chez MachineMetrics, l'objectif des données est de donner du pouvoir à une large gamme d'algorithmes d'apprentissage automatique et d'analytique approfondie pour construire une plateforme en temps réel, actionnable, pour générer de la valeur à travers l'OEE et les gains d'efficacité manufacturière. Combiné avec des tableaux de bord personnalisés qui permettent la visualisation via des IHM fixes ainsi que des dispositifs portables, les décisions peuvent être prises basées sur la puissance de ces analytiques pour responsabiliser les opérateurs et piloter l'efficacité.

Une ressource approfondie sur la pratique de la collecte et de l'utilisation de l'analytique pour piloter une plus grande efficacité sur l'atelier.

Utiliser l'analytique dans un environnement de fabrication connecté

La stratégie de prise de décision change au fur et à mesure qu'une entreprise mûrit. Et le type d'analytique utilisé change également. Pour les entreprises qui ne sont pas fortement pilotées par les données, 79 % de l'accent de leur analytique consiste en seulement l'analytique descriptive et diagnostique. À l'autre bout du spectre se trouvent les entreprises fortement pilotées par les données où l'analytique prédictive et prescriptive composent 54 % de son utilisation analytique. MachineMetrics aide ses clients à réaliser les avantages de l'analytique approfondie et à les appliquer de manière unique à leur opération.

Pour les organisations « quelque peu pilotées par les données » et « fortement pilotées par les données », l'arrivée de l'IoT industriel signifie que ceux utilisant la technologie de fabrication avancée peuvent utiliser des dispositifs et logiciels pour se concentrer sur la bonne combinaison d'analytique pour les meilleurs résultats. La technologie et les logiciels IoT industriels fournissent un niveau d'interopérabilité entre différents types d'équipements pour standardiser les données pour utilisation dans les logiciels analytiques. Les clients de MachineMetrics ont fait l'expérience de cela et l'ont utilisé pour s'intégrer avec d'autres solutions telles que les systèmes ERP, les outils de planification et d'ordonnancement, et les logiciels OEE.

Sans l'utilisation de capteurs et dispositifs edge déployés sur les équipements, la collecte de vastes quantités de données ne serait pas possible. Grâce à MachineMetrics, les clients peuvent utiliser ces données en temps réel, permettant l'itération la plus précise des données au sein des programmes analytiques. Et avec des capteurs et dispositifs edge déployés, la latence peut être éliminée, créant une information aussi proche que possible de l'instantané.

Compte tenu des vastes quantités de données collectées avec les dispositifs IIoT, les données brutes signifient peu sans l'analytique. La raison en est que les humains ne pourraient pas traiter les données en décisions significatives. Cependant, au-delà du type d'analytique utilisé, c'est la capacité de visualiser les résultats pour prendre ces décisions. La technologie IIoT d'aujourd'hui délivre la capacité de déplacer les résultats analytiques dans des formats visualisés. Tableaux de bord interactifs, écrans personnalisés et dispositifs portables optimisés tels que tablettes et téléphones permettent aux opérateurs, techniciens et gestionnaires de voir une représentation visuelle de leurs machines et étages d'usine.

La collecte de données permet une surveillance précise des actifs, une surveillance des conditions en temps réel, des statistiques de production en temps réel et des rapports d'utilisation. Elle peut les délivrer visuellement avec des tableaux de bord d'opérateur personnalisés et des notifications et alertes appropriées. Cela permet une surveillance précise des temps d'arrêt et de la performance qualité ainsi que des domaines actionnables pour la configuration et le changement de série. Allant plus loin, l'analytique de données aide à piloter un plus grand insight dans les données collectées, ce qui peut aider à identifier les tendances, pointer les relations cause-effet, expliquer les goulets d'étranglement de production, et même lancer des programmes de maintenance prédictive.

En utilisant les types d'analytique de données ci-dessus, les fabricants peuvent s'intégrer avec les logiciels d'entreprise existants pour améliorer leur performance tout en délivrant des informations en temps réel pour piloter une prise de décision optimisée à travers l'entreprise, de l'atelier au bureau corporate.