Transformer le Big Data en Smart Data :améliorer la connaissance de la fabrication

Les fabricants sont gourmands en données et à court d'informations. Selon une étude d'IBM, seulement 28 % des organisations "utilisent les données des équipements, des processus et des systèmes pour tirer des informations en vue d'une amélioration continue des processus". 

Le problème ? Le Big Data à lui seul génère rarement une valeur significative sans contexte et intention. Pour optimiser les opérations actuelles et rester compétitifs sur un marché axé avant tout sur le numérique, les fabricants ont besoin d'un moyen de convertir le Big Data en smart data. C'est-à-dire des informations pertinentes, exactes et exploitables. 

Continuez à lire pour en savoir plus sur le Big Data et les Smart Data, ainsi que sur la manière dont les entreprises peuvent combler le fossé. 

Qu'est-ce que le Big Data dans le secteur manufacturier ?

Le Big Data est composé d'ensembles de données volumineux et complexes générés par les systèmes de fabrication, mais le volume à lui seul ne garantit pas une meilleure compréhension ou une amélioration opérationnelle. 

Les sources de Big Data courantes incluent les systèmes IIoT, les logiciels de système de production et les contrôleurs logiques programmables (PLC), les journaux de maintenance, les outils de contrôle qualité et les systèmes informatisés de gestion de la maintenance (GMAO). 

Le Big Data se concentre sur la quantité plutôt que sur la qualité, ce qui crée à son tour des problèmes de convivialité. Même si davantage de données peuvent aider les entreprises à avoir une vue d'ensemble, il devient plus difficile d'avoir une vue d'ensemble des détails. 

Quatre caractéristiques sont communes au Big Data : 

• Volume :  Le volume fait référence à la quantité de données générées. De nombreuses entreprises génèrent désormais des téraoctets (To) de données chaque jour. 

• Vitesse :  La vélocité fait référence à la vitesse à laquelle les données sont créées et mises à jour. Avec de nombreuses lignes de production fonctionnant 24 heures sur 24, 7 jours sur 7 et 365 jours par an, les données ne s'arrêtent jamais.  

• Variété :  La variété parle de la variation. Les fabricants collectent désormais tout, des données matérielles aux informations sur l'efficacité des performances, en passant par les données des capteurs IoT connectés et les résultats du contrôle qualité.  

• Véracité :  La véracité est la vérité :les données sont-elles exactes et fiables ? Le Big Data n'est pas utile si les sources de données ne sont pas fiables. 

Qu'est-ce que les données intelligentes ?

Les données intelligentes sont des informations organisées, contextualisées et ciblées produites grâce à l'analyse du Big Data. Alors que les mégadonnées sont souvent collectées et stockées à grande échelle, les données intelligentes sont intentionnellement façonnées pour soutenir une prise de décision éclairée. 

Trois caractéristiques distinguent les données intelligentes de leurs homologues Big Data : 

• Qualité :  La qualité fait référence à des données claires, concises et correctement formatées.  

• Pertinence :  La pertinence fait référence à l'opportunité. Bien que les données historiques jouent un rôle dans la planification à long terme, des données actualisées sont nécessaires pour garantir que les actions répondent aux conditions actuelles. 

• Précision :  L'exactitude parle la précision. Par exemple, les machines à haute température peuvent nécessiter un étalonnage de quelques dixièmes de degré seulement. Si vous en augmentez ou en diminuez, les résultats risquent de ne pas être utilisables. Les données intelligentes sont des données précises. 

Vous ne savez pas si vous disposez de Big Data ou de Smart Data ? Commencez par une question simple :les données sont-elles simplement stockées ou aident-elles à répondre à des questions commerciales et opérationnelles ?   

Principales différences entre le Big Data et les Smart Data

Les mégadonnées et les données intelligentes jouent un rôle dans les opérations de fabrication. Le Big Data jette les bases d'une analyse des tendances à grande échelle et peut prendre en charge l'alignement sur les attentes et les directives réglementaires telles que les bonnes pratiques de fabrication (BPF). Les données intelligentes, quant à elles, aident les fabricants à identifier les problèmes, à définir des solutions et à prendre des mesures ciblées. 

Il existe quatre différences clés entre le Big et les Smart Data : 

1. Le Big Data met l’accent sur la collecte ; les données intelligentes mettent l’accent sur l’utilisation. 

2. Le Big Data est général; Les données intelligentes sont spécifiques. 

3. Le Big Data donne la priorité au contenu ; les données intelligentes donnent la priorité au contexte. 

4. Le Big Data est stable ; les données intelligentes sont rapides. 

Pourquoi le Big Data seul échoue souvent dans le secteur manufacturier

Les entreprises ne peuvent pas se permettre d'ignorer le rôle du Big Data dans le secteur manufacturier. 

Historiquement, les entreprises n'étaient équipées que pour capturer des données de haut niveau, telles que les volumes totaux de production, les temps de cycle ou les taux de reprise. L'avènement de systèmes et de capteurs à petite échelle et toujours connectés a toutefois permis la collecte de données sur les machines à grande échelle. Aujourd'hui, les fabricants peuvent suivre et enregistrer chaque détail du fonctionnement des équipements, du démarrage initial aux charges de travail standard en passant par les temps d'arrêt inattendus. Chaque processus des actifs de la chaîne de production, chaque action du personnel et chaque opération du logiciel devient partie intégrante du paysage du Big Data. 

Le défi ? Les volumes de données peuvent conduire à une vision tunnel; les fabricants supposent que la simple collecte de données suffit à générer des informations et à agir rapidement. Dans la pratique, cependant, les initiatives Big Data ne parviennent souvent pas à générer de la valeur. Cinq causes d'échec sont courantes : 

• Collecte de données sans objectifs clairs 

• Mauvaise qualité et cohérence des données 

• Manque de standardisation entre les systèmes 

• Capacité limitée à interpréter les données et à agir sur celles-ci 

• Trop de tableaux de bord, trop peu d'informations 

Comment les données intelligentes améliorent les performances de fabrication

Les données intelligentes contribuent à améliorer les performances de fabrication car elles fournissent des informations exploitables. Considérez quatre grands ensembles de données structurées collectées à partir de plusieurs sources, y compris des capteurs d'équipement, des contrôleurs, des rapports d'utilisateurs et des références opérationnelles. Des informations utilisables sont contenues dans les données, mais ne sont visibles que lorsque les données sont validées, conservées et analysées.  

Ces processus transforment les mégadonnées de fabrication en données intelligentes, ce qui offre de multiples avantages en termes de performances. La première est une analyse plus rapide des causes profondes. Dotées de données contextuelles sur comment, quand et pourquoi l'équipement est tombé en panne, les équipes peuvent résoudre les sources plutôt que les symptômes. 

Les données intelligentes améliorent également la fiabilité et la disponibilité des actifs. En combinant les données de performances actuelles et historiques, les équipes peuvent identifier les points de défaillance possibles qui pourraient entraîner des temps d'arrêt imprévus et prendre des mesures pour résoudre ces problèmes. Par exemple, si l'analyse révèle qu'un actif à forte charge de travail subit régulièrement des pannes électriques, les entreprises peuvent planifier une maintenance plus fréquente pour résoudre le problème immédiat tout en recherchant simultanément la cause profonde. 

Les autres avantages des données intelligentes incluent une meilleure qualité et un meilleur rendement liés à des informations précises et actuelles sur les taux de rebut et de reprise, ainsi qu'une meilleure planification et prévision de la charge de travail en fonction des besoins opérationnels et de l'efficacité des équipements. 

Enfin, les données intelligentes favorisent un meilleur alignement entre les équipes. En effet, les données intelligentes aident les équipes de maintenance, les opérateurs, les responsables et les dirigeants à parler le même langage, réduisant ainsi le risque de travail redondant ou d'opportunités manquées.

Le rôle de la maintenance et de la fiabilité dans les stratégies de données intelligentes

Les données de maintenance et de fiabilité jouent un rôle clé dans les stratégies de données intelligentes. Il s'agit d'un processus réciproque. Le suivi de la maintenance et de la fiabilité améliore l'impact des données intelligentes, et les données intelligentes contribuent à l'amélioration continue des processus de maintenance et de fiabilité. 

Ici, quatre avantages sont courants : 

• L'historique de maintenance fournit un contexte pour les échecs :  Les historiques de maintenance offrent des informations significatives pour aider à découvrir le contexte des pannes de machine et peuvent prendre en charge des analyses prescriptives. 

• Les conditions des éléments peuvent être liées aux résultats en matière de performances :  Les conditions des actifs sont souvent composées de données structurées et non structurées. Outre les résultats des capteurs, les entreprises peuvent également intégrer des rapports d'utilisateurs contenant des recommandations basées sur des années d'expérience. La combinaison de ces sources de données permet d'obtenir de meilleurs résultats en termes de performances.  

• Les données exploitables réduisent la maintenance réactive et les risques de temps d'arrêt imprévus :  La maintenance réactive est coûteuse et prend du temps, car elle ne démarre que lorsque des pannes se produisent. L'utilisation de données intelligentes pour créer des cartes thermiques, des rapports sur les risques et des visualisations de données permet d'identifier les causes potentielles des temps d'arrêt imprévus. 

• Les données intelligentes sous-tendent  Analyses de maintenance prédictive  :  L'analyse prédictive permet aux équipes de maintenance d'anticiper les problèmes potentiels. Ils jouent également un rôle dans des analyses plus avancées qui fournissent des informations de bout en bout sur les performances des machines et les améliorations potentielles.

Les données intelligentes comme fondement de l'industrie manufacturière 4.0

La transformation numérique permet l'adoption des processus de fabrication 4.0, qui reposent sur des appareils et des équipements toujours connectés et toujours actifs. 

Les données intelligentes, quant à elles, constituent le fondement de la transformation numérique.  

Pensez à l'intelligence artificielle (IA) et à l'apprentissage automatique (ML). Ces technologies conduisent à la création d'usines intelligentes qui utilisent des données actuelles et historiques pour « apprendre » au fil du temps et améliorer les opérations. La formation de modèles effectuée par les algorithmes de ML et l'analyse des données effectuée par l'IA nécessitent toutes deux des données propres et contextuelles. Le simple fait de lâcher ces outils sur des sources de Big Data limitera leur efficacité. L'exploitation des données intelligentes réduit la distance entre la demande d'information et l'information. 

Les données intelligentes prennent également en charge la surveillance et l'optimisation en temps réel de l'état des machines requises par Manufacturing 4.0. Dans de nombreux environnements de fabrication, les temps d’arrêt prolongés des équipements sont de plus en plus coûteux et perturbateurs. Grâce à l'accès aux données intelligentes, les équipes peuvent prendre des décisions immédiates qui améliorent les performances. 

De plus, l'utilisation de données intelligentes permet des initiatives numériques évolutives et durables. Les entreprises peuvent déterminer où il est préférable de dépenser l'argent pour développer leurs opérations de production et identifier des moyens de réduire les coûts, de limiter les émissions et de soutenir les nouvelles technologies vertes. 

Il existe également des arguments en faveur de l'utilisation de technologies intelligentes pour garder une longueur d'avance sur la courbe technologique. À mesure que les nouveaux actifs basés sur l'IA et les agents autonomes deviennent monnaie courante, il est facile pour les équipes de se laisser distancer. La gestion intelligente des données permet d'identifier les domaines à améliorer et de suggérer des moyens de garantir la préparation opérationnelle. 

Bonnes pratiques pour créer des données intelligentes dans le secteur manufacturier

Préparer le terrain pour les données intelligentes dans le secteur manufacturier commence par cinq bonnes pratiques : 

1. Définir des objectifs commerciaux et opérationnels clairs :  Les données intelligentes offrent de la clarté, mais seulement si vous savez ce que vous regardez. Commencez par une veille économique et des objectifs opérationnels clairs. Cherchez-vous à améliorer le rendement de vos machines ? Améliorer la qualité de sortie ? Réduire les temps de réponse de maintenance ? Comprendre l’objectif final aide à définir le point de départ. 

2. Standardisez les définitions et les statistiques des données :  Créez des métriques et des définitions cohérentes pour le traitement des données. Cela signifie relier les points sur les KPI tels que le temps moyen de réparation (MTTR), le temps moyen entre les pannes (MTBF) et l'efficacité globale de l'équipement (OEE) pour garantir l'interopérabilité des données. 

3. Concentrez-vous sur la qualité des données plutôt que sur la quantité :  Plus de données ne signifie pas de meilleures données. Dans la mesure du possible, choisissez des données de meilleure qualité plutôt que des quantités d'informations plus élevées. Par exemple, des relevés de température précis effectués toutes les 10 minutes sont plus précieux que des estimations approximatives collectées toutes les 30 secondes. 

4. Intégrer les données dans tous les systèmes :  Les données isolées ne sont pas intelligentes. Pour optimiser les informations, intégrez les données dans des systèmes tels que la GMAO, la gestion des actifs d'entreprise (EAM) et la planification des ressources de l'entreprise (ERP). 

5. Développer une collaboration interfonctionnelle :  Garantissez un accès collaboratif aux données intelligentes pour vous aider à élaborer des stratégies concrètes. Cela inclut les opérateurs, le personnel de maintenance, les responsables de production, les professionnels de la technologie et les dirigeants d’entreprise. 

Les données intelligentes transforment les informations en actions

Le Big Data offre du volume. Les données intelligentes offrent de la valeur. Les deux sont nécessaires aux opérations de fabrication basées sur les données. Le Big data ouvre la voie à une analyse des tendances à grande échelle et à la conformité réglementaire, tandis que les données intelligentes aident les entreprises à améliorer leurs performances, leur fiabilité et leur contrôle des coûts. 

Transformez les informations en action grâce à des analyses approfondies. ATS aide les fabricants à appliquer des données intelligentes pour améliorer la fiabilité, les performances et la prise de décision. Parlons. 

Références

Institut IBM pour la valeur commerciale. (2022). Fabrication 4.0 :des données aux décisions. IBM. https://www.ibm.com/thought-leadership/institute-business-value/en-us/report/manufacturing-4-0