Transformer le Big Data en Smart Data : améliorer les insights manufacturiers

Les fabricants regorgent de données mais manquent d'insights. Selon une recherche d'IBM, seulement 28 % des organisations « utilisent les données des équipements, processus et systèmes pour tirer des insights pour l'amélioration continue des processus ».

Le problème ? Le Big Data seul génère rarement une valeur significative sans contexte et intention. Pour optimiser les opérations actuelles et rester compétitif sur un marché axé sur le numérique, les fabricants ont besoin d'un moyen de convertir le Big Data en Smart Data. C'est-à-dire en informations pertinentes, précises et actionnables.

Continuez votre lecture pour en savoir plus sur le Big Data et le Smart Data, ainsi que sur la manière dont les entreprises peuvent combler l'écart.

Qu'est-ce que le Big Data dans la fabrication ?

Le Big Data est composé de jeux de données volumineux et complexes générés à travers les systèmes de fabrication, mais le volume seul ne garantit ni insight ni amélioration opérationnelle.

Les sources courantes de Big Data incluent les systèmes IIoT, les logiciels de systèmes de production et les automates programmables (PLC), les journaux de maintenance, les outils de contrôle qualité et les systèmes de gestion de maintenance assistée par ordinateur (GMAO/CMMS).

Le Big Data se concentre sur la quantité plutôt que sur la qualité, créant ainsi des défis d'utilisabilité. Si plus de données peuvent aider les entreprises à voir le tableau d'ensemble, il devient plus difficile de discerner les 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.

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

• Variété : La variété parle de variation. Les fabricants collectent maintenant tout, des données matériaux aux informations d'efficacité de performance, en passant par les données de capteurs IoT connectés et les résultats de 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 peuvent pas être fiables.

Qu'est-ce que le Smart Data ?

Le Smart Data est une information organisée, contextualisée et orientée vers un objectif, produite par l'analyse du Big Data. Alors que le Big Data est souvent collecté et stocké à grande échelle, le Smart Data est intentionnellement façonné pour soutenir la prise de décision éclairée.

Trois caractéristiques distinguent le Smart Data de son homologue Big Data :

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

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

• Précision : La précision parle de justesse. Par exemple, les machines à haute température peuvent nécessiter un étalonnage de seulement quelques dixièmes de degré. Tout écart rend les sorties inutilisables. Le Smart Data est des données précises.

Pas sûr si vous avez du Big Data ou du Smart Data ? Commencez par une question simple : les données sont-elles simplement stockées, ou aident-elles à répondre aux questions opérationnelles et commerciales ?

Différences clés entre Big Data et Smart Data

Le Big Data et le Smart Data jouent tous deux un rôle dans les opérations de fabrication. Le Big Data pose les bases pour l'analyse de tendances à grande échelle et peut soutenir l'alignement avec les attentes réglementaires et les directives telles que les bonnes pratiques de fabrication (BPF/GMP). Le Smart Data, quant à lui, aide les fabricants à identifier les problèmes, définir les solutions et prendre des actions ciblées.

Il y a quatre différences clés entre le Big Data et le Smart Data :

1. Le Big Data met l'accent sur la collecte ; le Smart Data met l'accent sur l'utilisation.

1. Le Big Data est général ; le Smart Data est spécifique.

1. Le Big Data privilégie le contenu ; le Smart Data privilégie le contexte.

1. Le Big Data est stable ; le Smart Data est rapide.

Pourquoi le Big Data seul échoue souvent dans la fabrication

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

Historiquement, les entreprises n'étaient équipées que pour capturer des données de haut niveau, telles que les volumes de production totaux, les temps de cycle ou les taux de retouche. L'avènement de systèmes et capteurs toujours connectés à petite échelle a cependant permis la collecte de données machine à grande échelle. Aujourd'hui, les fabricants peuvent suivre et enregistrer chaque détail des opérations d'équipement, du démarrage initial aux charges de travail standards en passant par les temps d'arrêt imprévus. Chaque processus des actifs de la ligne de production, chaque action du personnel et chaque opération logicielle devient une partie du paysage Big Data.

Le défi ? Les volumes de données peuvent mener à une vision tunnel ; les fabricants supposent que simplement collecter des données suffit à générer des insights et inciter à l'action. En pratique, cependant, les initiatives Big Data échouent souvent à fournir 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 et agir sur les données.

• Trop de tableaux de bord, trop peu d'insights.

Comment le Smart Data améliore la performance manufacturière

Le Smart Data améliore la performance manufacturière car il fournit des insights actionnables. Considérez quatre grands ensembles de données structurées collectés à partir de multiples sources, incluant les capteurs d'équipement, les contrôleurs, les rapports utilisateurs et les benchmarks opérationnels. L'insight utilisable est contenu dans les données, mais n'est visible que lorsque les données sont validées, organisées et analysées.

Ces processus transforment le Big Data manufacturier en Smart Data, offrant de multiples avantages pour la performance. Le premier est une analyse des causes racines plus rapide. Équipées de données contextuelles sur comment, quand et pourquoi un équipement a échoué, les équipes peuvent résoudre les sources plutôt que les symptômes.

Le Smart Data améliore également la fiabilité et la disponibilité des actifs. En combinant les données de performance actuelles et historiques, les équipes peuvent identifier les points de défaillance possibles qui pourraient mener à des temps d'arrêt imprévus et prendre des mesures pour y remédier. Par exemple, si l'analyse révèle qu'un actif à forte charge subit des pannes électriques régulières, l'entreprise peut planifier une maintenance plus fréquente pour résoudre le problème immédiat tout en recherchant simultanément la cause racine.

D'autres avantages du Smart Data incluent une meilleure qualité et un meilleur rendement liés à des informations précises et actuelles sur les taux de rebut et de retouche, ainsi qu'une planification et des prévisions de charge de travail améliorées basées à la fois sur les besoins opérationnels et l'efficacité des équipements.

Enfin, le Smart Data favorise un alignement plus fort entre les équipes. C'est parce que le Smart Data aide les équipes de maintenance, les opérateurs, les gestionnaires et la direction à parler le même langage, réduisant le risque de travail redondant ou d'opportunités manquées.

Le rôle de la maintenance et de la fiabilité dans les stratégies Smart Data

Les données de maintenance et de fiabilité jouent un rôle clé dans les stratégies Smart Data. C'est un processus réciproque. Le suivi de la maintenance et de la fiabilité améliore l'impact du Smart Data, et le Smart Data aide à piloter l'amélioration continue des processus de maintenance et de fiabilité.

Ici, quatre avantages sont courants :

• L'historique de maintenance fournit le contexte des défaillances : Les historiques de maintenance offrent un insight significatif pour découvrir le contexte des pannes machines et peuvent soutenir l'analytique prescriptive.

• Les conditions d'actifs peuvent être liées aux résultats de performance : Les conditions d'actifs comprennent souvent des données structurées et non structurées. Avec les sorties des capteurs, les entreprises peuvent également incorporer les rapports utilisateurs contenant des recommandations basées sur des années d'expérience. La combinaison de ces sources de données pilote de meilleurs résultats de performance.

• Des données actionnables réduisent la maintenance réactive et les risques de temps d'arrêt imprévus : La maintenance réactive est coûteuse et chronophage car elle ne commence qu'après les défaillances. Utiliser le Smart Data pour créer des cartes de chaleur, des rapports de risque et des visualisations de données aide à identifier les causes potentielles de temps d'arrêt imprévus.

• Le Smart Data sous-tend l'analytique de maintenance prédictive : L'analytique prédictive permet aux équipes de maintenance de devancer les problèmes potentiels. Elle joue aussi un rôle dans des analyses plus avancées qui fournissent une vision de bout en bout sur la performance machine et les améliorations potentielles.

Le Smart Data comme fondation pour l'Industrie 4.0

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

Le Smart Data, quant à lui, est la fondation de la transformation numérique.

Considérez l'intelligence artificielle (IA) et l'apprentissage automatique (ML). Ces technologies pilotent la création d'usines intelligentes qui utilisent les données actuelles et historiques pour « apprendre » au fil du temps et améliorer les opérations. L'entraînement de modèles effectué par les algorithmes ML et l'analytique de données réalisée par l'IA nécessitent tous deux des données propres et contextuelles. Lancer simplement ces outils sur des sources Big Data limitera leur efficacité. Exploiter le Smart Data raccourcit la distance entre la question et l'insight.

Le Smart Data soutient également la surveillance et l'optimisation en temps réel de la santé machine requises par l'Industrie 4.0. Dans de nombreux environnements de fabrication, les temps d'arrêt prolongés sont de plus en plus coûteux et perturbateurs. Avec l'accès au Smart Data, les équipes peuvent prendre des décisions immédiates qui améliorent la performance.

De plus, l'utilisation du Smart Data permet des initiatives numériques évolutives et durables. Les entreprises peuvent déterminer où l'argent est le mieux dépensé pour étendre les opérations de production et identifier des moyens de réduire les coûts, limiter les émissions et soutenir de nouvelles technologies vertes.

Il y a aussi un argument pour utiliser la technologie intelligente pour rester en avance sur la courbe technologique. À mesure que de nouveaux actifs activés par l'IA et des agents autonomes deviennent courants, il est facile pour les équipes de se laisser distancer. La gestion du Smart Data aide à identifier les domaines à améliorer et à suggérer des moyens d'assurer la préparation opérationnelle.

Meilleures pratiques pour créer du Smart Data dans la fabrication

Poser les bases du Smart Data dans la fabrication commence par cinq meilleures pratiques :

1. Définir des objectifs commerciaux et opérationnels clairs : Le Smart Data offre de la clarté, mais seulement si vous savez ce que vous regardez. Commencez par des objectifs clairs d'intelligence d'affaires et opérationnels. Cherchez-vous à améliorer le débit machine ? À améliorer la qualité de sortie ? À réduire les temps de réponse maintenance ? Comprendre l'objectif final aide à définir le point de départ.

2. Standardiser les définitions et métriques de données : Créez des métriques et 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 pannes (MTBF) et l'efficacité globale des équipements (OEE) pour garantir l'interopérabilité des données.

3. Se concentrer 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 haute qualité plutôt que de grandes quantités d'informations. Par exemple, des relevés de température précis pris toutes les 10 minutes sont plus précieux que des estimations approximatives collectées toutes les 30 secondes.

4. Intégrer les données entre les systèmes : Les données isolées ne sont pas intelligentes. Pour maximiser l'insight, intégrez les données entre systèmes tels que GMAO/CMMS, gestion d'actifs d'entreprise (EAM) et planification des ressources d'entreprise (ERP).

5. Construire une collaboration interfonctionnelle : Assurez un accès collaboratif au Smart Data pour aider à construire des stratégies actionnables. Cela inclut les opérateurs, le personnel de maintenance, les responsables de production, les professionnels de la technologie et les dirigeants d'entreprise.

Le Smart Data transforme l'information en action

Le Big Data offre du volume. Le Smart Data offre de la valeur. Les deux sont nécessaires pour des opérations manufacturières pilotées par les données. Le Big Data prépare le terrain pour l'analyse de tendances à grande échelle et la conformité réglementaire, tandis que le Smart Data aide les entreprises à améliorer la performance, la fiabilité et le contrôle des coûts.

Transformez l'information en action avec une analytique approfondie. ATS aide les fabricants à appliquer le Smart Data pour améliorer la fiabilité, la performance et la prise de décision. Parlons-en.

Références

IBM Institute for Business Value. (2022). Manufacturing 4.0: From data to decisions. IBM. https://www.ibm.com/thought-leadership/institute-business-value/en-us/report/manufacturing-4-0