Données machine pour les fabricants : les indicateurs clés à surveiller

L'adoption croissante de l'Internet des objets (IoT) a submergé les fabricants d'un tel déluge de données qu'ils peinent à les gérer avec les méthodes informatiques traditionnelles.

Et à mesure que les usines recourent de plus en plus aux technologies, il est devenu impératif pour les fabricants de trouver des moyens de suivre et d'analyser ces données machine afin de rester compétitifs.

Cela signifie que les fabricants doivent se concentrer sur les indicateurs clés qui influent sur leurs activités, ce qui leur permet de suivre et d'optimiser la production dans l'ensemble de leur atelier.

Mais avant d'aborder ce sujet, voici un bref rappel des principes de base.

Avec l'automatisation massive des secteurs mécanisés d'une usine de fabrication, une multitude de données sont générées par les machines et les appareils installés dans l'usine.

En termes plus simples, les données générées par les machines sont exactement cela : des données provenant des appareils situés sur la chaîne de production et dans d'autres zones de l'usine. Chaque action et chaque décision prise par une machine sans intervention humaine directe est enregistrée dans un système ou une base de données, ce qui génère des données générées par les machines.

Il s'agit d'un changement par rapport aux méthodes traditionnelles, qui s'appuyaient largement sur des logiciels propriétaires pour enregistrer et trier les différentes données hétérogènes provenant des équipements de l'usine. Cependant, le déluge actuel de données nécessite davantage de traitement afin de fournir des informations exploitables aux équipes chargées de la gestion des opérations.

Voici quelques-uns des différents types de données générées par des machines dans une usine de fabrication type.

À mesure que les processus de fabrication gagnent en complexité, les types d'équipements nécessaires dans les ateliers évoluent eux aussi. Par conséquent, ces machines génèrent différents types de données dans le cadre de leurs diverses fonctions.

Ainsi, les données générées par des machines peuvent être classées, de manière générale, dans les catégories suivantes :

• Données des capteurs : comme les machines fonctionnent de manière quasi continue pendant leur temps de fonctionnement prévu, elles exécutent différentes fonctions et processus qui génèrent des données précieuses. Les capteurs intégrés aux machines mesurent la pression, la température, l'humidité, les vibrations, l'accélération et même les niveaux de puissance. Ce type de collecte de données sur les machines joue un rôle central dans le suivi de l'état des équipements grâce à l'indicateur de rendement global des équipements (TRS), ce qui permet d'orienter les décisions en matière de maintenance prédictive et de dépannage.

• Données de journalisation : certaines machines utilisent des bases de données pour enregistrer divers types de données qui sont essentielles à l'analyse des performances et d'autres éléments critiques au sein de l'usine. De plus, les différentes applications, serveurs web et systèmes de fichiers intégrés aux processus de fabrication peuvent constituer des sources idéales pour ces données générées par les machines.

• Données réseau : un atelier équipé de machines connectées et d'appareils intelligents génère une grande quantité de données réseau, ces appareils communiquant entre eux tout au long du processus de production. Non seulement les machines interagissent sans fil via Appareils Edge, mais elles peuvent également le faire par le biais de connexions filaires sur des réseaux locaux. Ainsi, l'analyse des données machine permet de surveiller plus facilement l'intégrité du réseau sur lequel ces données transitent.

Regardez notre webinaire à la demande : Ayez une vue d'ensemble de vos opérations avec Suivi machine

Les fabricants qui intègrent les technologies numériques dans leurs activités sont mieux armés pour optimiser leurs processus, garantissant ainsi le bon déroulement de la production et son amélioration au fil du temps. La capacité d'une entreprise à mettre en œuvre Amélioration continue de la manière dont elle met en place ses efforts de collecte de données machine et des sources sur lesquelles elle s'appuie.

Avant de vous lancer dans ce projet de collecte de données, il est indispensable d'examiner minutieusement vos processus opérationnels afin de déterminer votre capacité actuelle en matière de collecte de données machine et d'identifier les éventuelles lacunes dans ce domaine.

Vous pourrez ensuite mettre en place diverses solutions, adaptées à votre activité, afin d'obtenir les données nécessaires pour favoriser l'amélioration.

Voici quelques exemples de sources principales pour la collecte de données machine :

• Machines en atelier : Les machines présentes directement dans l'atelier constituent une source précieuse de données. Les machines modernes sont équipées de divers capteurs qui transmettent différentes formes de données. Ces données fournissent des informations actualisées sur l'état de la machine concernée, ce qui permet aux opérateurs de prendre des décisions éclairées lorsque cela s'avère nécessaire. De plus, certaines usines ont recours à l'edge computing pour analyser ces données, ce qui élimine le besoin d'une intervention humaine dans le processus d'optimisation des machines.

• Systèmes connectés : les machines présentes dans l'atelier ne fournissent pas toujours une vue d'ensemble complète. C'est pourquoi l'utilisation de systèmes d'usine connectés vous permet d'intégrer des applications externes afin d'obtenir une vision plus globale des données produites par les machines et les équipements industriels.

• Intervention humaine : les machines-outils et les systèmes connectés ont leurs limites lorsqu'il s'agit de collecter des données essentielles. Dans de nombreux cas, il est nécessaire que des opérateurs présents sur le terrain saisissent manuellement certaines données afin d'enrichir le contexte, ce qui facilite la prise de décisions éclairées.

Compte tenu de tout ce qui précède, voici quelques indicateurs clés de production que vous devriez suivre :

• Volume de production : il s'agit de la quantité de produits que votre usine est en mesure de sortir de la chaîne de production.

• Temps de fonctionnement et temps d'arrêt des machines : également appelé « temps de service », il s'agit du temps réel pendant lequel une machine fonctionne au cours d'une période donnée. Cet indicateur met en évidence le temps perdu lors des arrêts, des pannes ou des changements d'équipe.

• Rendement : quantité de produit fabriquée par une machine au cours d'une période donnée. Cet indicateur peut également s'appliquer à l'ensemble de la chaîne de production afin d'en évaluer l'efficacité.

• Taux de rendement global (TRS) : indicateur de productivité, TRS la part de temps pendant laquelle une machine fonctionne à son rendement maximal. Cet indicateur est le résultat de la disponibilité, des performances et de la qualité de la machine.

• Taux de rendement au premier passage : le taux de rendement au premier passage correspond à la proportion de produits sortant de la chaîne de production qui ne présentent aucun défaut et répondent aux spécifications sans nécessiter de retouches.

• Temps moyen entre pannes : le MTBF indique, pour une activité de production, le temps de fonctionnement perdu en raison d'une panne d'équipement. À ce titre, il s'agit également d'un indicateur de la fiabilité d'une machine.

• Temps d'arrêt moyen : également appelé MDT, cet indicateur donne une idée globale du temps nécessaire aux opérations de réparation et de maintenance. Il tient compte des retards liés au délai de livraison des pièces de rechange ainsi que du temps perdu en raison des compétences du technicien.

• Coût énergétique unitaire : il s'agit du coût de l'électricité, de la vapeur, du fioul ou du gaz nécessaire à la fabrication d'une unité donnée d'un produit en usine.

Une fois que vous avez recueilli les données clés générées par les machines que vous devez suivre, l'étape cruciale suivante consiste à transformer ces données en informations exploitables. Il ne suffit pas de disposer uniquement de données générées par les machines. Des études montrent que, bien que les lacs de données se généralisent dans le secteur, les scientifiques consacrent encore 80 % de leur temps à nettoyer des données sur des tableurs au lieu de réaliser des analyses et d'affiner des algorithmes. L'inefficacité des lacs de données conduit les fabricants dans le piège d'une situation riche en données mais pauvre en informations.

Le syndrome « riche en données, pauvre en informations » (DRIP) désigne une situation dans laquelle les organisations disposent d’une multitude de données, mais ne possèdent pas les processus nécessaires pour les exploiter et en tirer des avantages concurrentiels. Malheureusement, le DRIP est devenu la caractéristique principale de nombreux fabricants qui ont investi massivement dans la technologie : leurs données sont abondantes, mais ils n’ont pas les moyens d’en faire quoi que ce soit d’autre que de les imprimer au format PDF et de créer quelques tableaux et graphiques.

Pour sortir du piège du DRIP, les fabricants doivent enrichir les données générées par les machines grâce à des contributions humaines et préciser le lieu, la méthode et les responsables de la collecte des données. La contextualisation des données consiste à ajouter des contributions humaines aux données générées par les machines afin de les transformer en informations exploitables. Elle permet à votre entreprise d'obtenir des informations pertinentes et exploitables, et constitue une étape fondamentale dans la mise en place de systèmes de fabrication prédictifs et adaptatifs.

En combinant différentes sources et différents types de données, la contextualisation des données permet aux équipes de terrain de disposer d'informations en temps réel et d'analyses exploitables afin de prendre des décisions opportunes et efficaces directement sur le terrain. Cela se traduit non seulement par des gains d'efficacité, de qualité et de productivité, mais aussi par un nouveau niveau d'agilité qui peut aider les organisations à se développer rapidement et de manière durable.

Pour découvrir comment vous pouvez commencer à contextualiser vos données générées par des machines et les transformer en valeur ajoutée, écoutez notre webinaire sur la contextualisation et la mise en œuvre des données .