Améliorer la prise de décision dans la fabrication de pointe grâce à l'analyse

La fabrication de pointe est une entreprise difficile et complexe. Et comme les goûts et les 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, prévoir et rechercher les bons produits au bon moment. Une étude de PwC montre que jusqu'à 92 % des fabricants considèrent que leur prise de décision est soit fortement axée sur les données, soit plutôt axée sur les données.

Il est facile de considérer le Big Data comme une entité géante à gérer pour obtenir les bonnes informations. Mais il existe différents types de données qui peuvent être utilisées en fonction du niveau de maturité de l'entreprise ainsi que du type de logiciel que les responsables et les 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'analyse de la fabrication, et il comprend quatre types d'analyse de données.

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

Quatre types d'analyse des données de fabrication

• Analyse descriptive – L'analyse descriptive indique à l'utilisateur ce qui s'est passé . Il s'agit d'un type de traitement de données qui utilise des données historiques de toute l'usine ou de l'entreprise pour rechercher des modèles, des associations et des relations. À l'aide de l'agrégation et de l'exploration de données, les données sont organisées de manière à fournir des informations approfondies sur les actions passées.

Ces informations peuvent générer de la valeur qui aide à développer des stratégies de produit et de manière à aider les utilisateurs à comprendre les tendances au fil du temps. Il peut être appliqué dans de larges catégories telles que la qualité, les finances et les revenus. Mais l'analyse descriptive se limite à sa nature rétrospective. Bien que des modèles et des tendances utiles puissent émerger pour aider à éclairer la prise de décision, leur application est limitée aux événements actuels et futurs. Pour les entreprises fortement axées sur les données, d'autres types d'analyse de données sont également utilisés.

• Analyse de diagnostic – Où l'analyse descriptive décrit ce qui s'est passé , l'analyse diagnostique explique pourquoi cela s'est produit . Armé de la compréhension qu'une machine ou un groupe de produits s'est comporté d'une certaine manière, l'analyse de diagnostic aide à déterminer pourquoi. L'analyse diagnostique utilise des techniques telles que l'exploration, le filtrage avancé et l'exploration de données pour rechercher des corrélations afin d'expliquer pourquoi. Ce type d'analyse est utile pour recueillir des informations sur des problèmes spécifiques et développer des prévisions fiables sur la manière de les éviter.

Un exemple de la valeur de l'analyse de diagnostic consiste à déterminer si les alertes sont valides. Étant donné que les usines connectées d'aujourd'hui génèrent une énorme quantité de données recueillies à partir d'un large éventail de capteurs et d'appareils de pointe, l'analyse de diagnostic peut qualifier les alertes et les catégoriser afin que les opérateurs humains puissent les comprendre et agir. Et avec le volume de données provenant d'un large éventail de capteurs, l'apprentissage automatique peut être utilisé pour développer des modèles qui expliquent avec précision pourquoi quelque chose s'est produit, ce qui permet une prise de décision précise.

• Analyse prédictive – L'analyse prédictive est utilisée pour expliquer ce qui est le plus susceptible de se produire . À l'aide des résultats recueillis à partir d'analyses descriptives et diagnostiques, l'analyse prédictive est précieuse pour la prévision. Il utilise ces données pour prédire les données qui ne se sont pas encore produites. Utilisant la modélisation statistique, l'exploration de données et l'apprentissage automatique, l'analyse 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 l'interaction d'un ensemble spécifique de variables.
• Corrélation  :Identification des relations entre les propriétés des éléments.
• Prévision  :Dérivation des valeurs et occurrences futures.

• Analyse prescriptive - En utilisant l'analyse des trois autres types, l'analyse prescriptive utilise l'apprentissage automatique, des algorithmes avancés et des règles métier définies pour prescrire quelle action sera entreprise . De plus, l'analyse prescriptive peut également 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 en fonction des objectifs de l'entreprise. L'avenir de la fabrication, où les décisions ne sont pas simplement prises, mais où les systèmes sont automatiquement adaptés en fonction de ces décisions, est guidé par l'analyse prescriptive.

Les données sont ce qui rend MachineMetrics si bon dans ce que nous faisons. Et chez MachineMetrics, l'objectif des données est de permettre à un large éventail d'algorithmes d'apprentissage automatique et d'analyses approfondies de créer une plate-forme exploitable en temps réel pour générer de la valeur grâce à l'OEE et aux gains d'efficacité de fabrication. Combinés à des tableaux de bord personnalisés qui permettent la visualisation via des IHM fixes ainsi que des appareils portables, les décisions peuvent être prises en fonction de la puissance de ces analyses pour responsabiliser les opérateurs et améliorer l'efficacité.

Une ressource approfondie sur la pratique de la collecte et de l'utilisation d'analyses pour accroître l'efficacité de l'atelier

Utilisation d'Analytics dans un environnement de fabrication connectée

La stratégie de prise de décision change à mesure que l'entreprise mûrit. Et le type d'analyse utilisé change également. Pour les entreprises qui ne sont pas très axées sur les données, 79 % de leurs analyses se concentrent uniquement sur la description et le diagnostic. À l'autre extrémité du spectre se trouvent les entreprises fortement axées sur les données, où l'analyse prédictive et prescriptive représente 54 % de son utilisation de l'analyse. MachineMetrics aide ses clients à réaliser les avantages des analyses approfondies et les aide à les appliquer de manière unique à leur exploitation.

Pour les organisations « quelque peu axées sur les données » et « fortement axées sur les données », l'arrivée de l'IdO industriel signifie que ceux qui utilisent une technologie de fabrication avancée peuvent utiliser des appareils et des logiciels pour se concentrer sur la bonne combinaison d'analyses pour obtenir les meilleurs résultats. La technologie et les logiciels IoT industriels offrent un niveau d'interopérabilité entre différents types d'équipements pour normaliser les données à utiliser dans les logiciels d'analyse. Les clients de MachineMetrics en ont fait l'expérience et l'ont utilisé pour s'intégrer à d'autres solutions telles que des systèmes ERP, des outils de planification et d'ordonnancement et des logiciels OEE.

Sans l'utilisation de capteurs et d'appareils périphériques déployés sur les équipements, la collecte de grandes quantités de données ne serait pas possible. Grâce à MachineMetrics, les clients peuvent utiliser ces données en temps réel, ce qui permet l'itération la plus précise des données dans les programmes d'analyse. Et avec les capteurs déployés et les appareils de périphérie, la latence peut être éliminée, créant des informations aussi proches que possible de l'instantané.

Compte tenu des grandes quantités de données collectées avec les appareils IIoT, les données brutes ont peu de sens sans l'analyse. La raison en est que les humains ne pourraient pas traiter les données en décisions significatives. Cependant, au-delà du type d'analyse utilisé, il y a la possibilité de visualiser les résultats pour prendre ces décisions. La technologie IIoT d'aujourd'hui offre la possibilité de déplacer les résultats analytiques dans des formats visualisés. Des tableaux de bord interactifs, des écrans personnalisés et des appareils portables optimisés tels que des tablettes et des téléphones permettent aux opérateurs, techniciens et responsables de voir une représentation visuelle de leurs machines et de leurs ateliers.

La collecte de données permet une surveillance précise des actifs, une surveillance de l'état en temps réel, des statistiques de production en temps réel et des rapports d'utilisation. Il peut les fournir 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 des performances de qualité ainsi que des zones exploitables pour la configuration et le changement. Pour aller plus loin, l'analyse des données permet de mieux comprendre les données collectées, ce qui peut aider à identifier les tendances, à identifier les relations de cause à effet, à expliquer les goulots d'étranglement de la production et même à lancer des programmes de maintenance prédictive.

En utilisant les types d'analyse de données ci-dessus, les fabricants peuvent s'intégrer aux logiciels d'entreprise existants pour améliorer leurs performances tout en fournissant des informations en temps réel pour optimiser la prise de décision dans toute l'entreprise, de l'usine au siège social.