Mieux intégrer les données en usine : comment les entreprises tirent le meilleur parti de leurs machines et des informations de production
Publié le 25 septembre 2020 dans AI
La science des données stratégiques constitue une pièce maîtresse de chaque cas de figure de l'Industrie 4.0. Une approche d'exploration de données en quatre étapes basée sur le protocole CRISP-DM est synonyme de projets réussis.
Chaque fois que le « Big Data » est mentionné, la plupart des gens pensent d'abord aux réseaux sociaux ou à l'analyse du comportement des clients dans le commerce en ligne. Réfléchissez-y à deux fois : l'analyse stratégique des données prend également de l'ampleur dans l'environnement de production. Selon Frost & Sullivan, l'analyse des données dans le secteur industriel présente un potentiel immense. Les experts ont découvert que l'efficacité de la production pouvait être augmentée d'environ 10 %, que les coûts d'exploitation pouvaient être réduits de près de 20 % et que les coûts de maintenance pouvaient être réduits de 50 % en se concentrant davantage sur l'utilisation des données déjà présentes dans le processus de production. Un problème subsiste, toutefois : les données peuvent être collectées et stockées dans les usines relativement facilement. Cependant, il ne se produit pas grand-chose ensuite, et les informations importantes qui sont cachées dans les informations disponibles sont perdues. En outre, le personnel et le budget à consacrer à cette tâche est souvent insuffisant. Heureusement, celles et ceux qui surmontent ces obstacles et se concentrent sur la science des données industrielles vont bientôt acquérir de nouvelles connaissances. Ils transforment leur environnement de production en paradis des données.
Approche du projet de science des données : préparation, analyse et élaboration d'applications, évaluation et maintenance
La science des données industrielles est une nouvelle discipline. De fait, il n'existe (toujours) pas d'approche généralement valide adaptée à chaque entreprise. Chaque solution et application nécessitent une analyse et une modélisation des données personnalisées pour obtenir des résultats optimaux. Cependant, une approche standard est utile. Le modèle CRISP-DM (Cross-Industry Standard Process for Data Mining) est la base la plus couramment adaptée. OMRON a simplifié et adapté le logiciel CRISP-DM à une nouvelle approche. Les quatre étapes de cette approche sont la préparation, l'analyse et le développement d'applications, l'évaluation et la maintenance. Pour plus d'informations sur ces phases, vous pouvez consulter l'illustration.Phase 1 : préparation
La phase de préparation est la phase la plus importante. Un projet de science des données ne sera jamais couronné de succès si l'objectif n'est pas précis. Par conséquent, à cette première étape importante, tous les participants et les experts du domaine traitent d'abord du problème ou de l'exigence spécifique afin d'arriver à un objectif de projet clairement défini. Ils analysent en détail la machine et/ou le processus de production, afin d'obtenir un aperçu des données déjà disponibles et qui restent à collecter. Dans ce processus, un ensemble de données initial peut être recueilli et analysé comme une sorte d'étude de faisabilité. À la fin de la phase de préparation, un rapport est réalisé et fournit des informations sur la valeur générée attendue, ainsi qu'un retour sur investissement réaliste.Phase 2 : analyse et développement d'applications
Dans ce qui suit, les données sont collectées sur une période plus longue afin d'obtenir une image représentative de la machine et du comportement du processus. Selon l'objectif du projet, un pipeline de données comporte les étapes ci-dessous :
- Collecte de données : les données sont recueillies à partir de diverses sources, des données brutes des capteurs aux informations des systèmes MES.
- Prétraitement des données : les données collectées sont préparées pour l'étape d'analyse, transformées, fusionnées et nettoyées.
- Analyse des données : les algorithmes d'analyse développés et les modèles d'apprentissage machine sont appliqués.
- Application : les résultats et les conclusions de l'analyse des données sont publiés. Il peut s'agir de visualisations, de données adaptées à la situation ou au groupe cible, ou de retour envoyé à la machine.
Les modèles d'apprentissage machine nécessaires peuvent être formés et validés lors des autres étapes de traitement des données. En cas de validation, une application peut être développée en fonction du pipeline de données décrit, lequel peut être facilement mis en œuvre et exécuté.
Phase 3 : évaluation
L'application est utilisée dans l'environnement de production, les performances et les résultats commerciaux sont évalués. Si les performances ne répondent pas aux attentes, les phases précédentes du projet sont de nouveau exécutées.Phase 4 : entretien et maintenance
Les processus de production évoluent et le comportement de la machine est également sujet à des changements constants. Cela peut être dû à des mises à jour ou à l'usure. Par conséquent, une revalidation régulière de la solution est nécessaire pour s'assurer qu'elle fonctionne de façon réaliste et reste une valeur sûre. La quantité de données disponibles augmente également et il est souvent possible de mettre au point de meilleurs modèles. Par conséquent, les modèles existants (apprentissage machine) doivent être réévalués régulièrement.Exemple pratique - Chaîne SMT
Une solution basée sur les données n'a pas toujours besoin d'intégrer des modèles d'apprentissage machine sophistiqués ou de l'intelligence artificielle. Parfois, un traitement efficace des données et l'apport opportun et bien pensé d'informations appropriées peuvent suffire. Vous trouverez un exemple de ce projet de science des données dans le livre blanc « Data Science Services by Omron – How to get the full value from your Factory floor data », téléchargeable gratuitement. Le projet a été réalisé à l'usine Omron Manufacturing of the Netherlands (OMN) sur des lignes SMT (Surface-Mount Technology), dont les composants électroniques sont montés et soudés sur des cartes de circuits imprimés (PCB).Seules les solutions les plus couramment utilisées atteignent leur plein potentiel
Développer le potentiel du Big Data dans votre propre environnement de production n'est pas facile, mais le jeu en vaut la chandelle. Il ne suffit pas de recueillir des données et de créer quelques graphiques. Il s'agit de filtrer les informations pertinentes pour la production à partir des données et de les présenter au bon public. La clé est de transformer les données en informations utiles. Cela doit être réalisé en étroite collaboration entre les spécialistes des données et les experts du processus de production. Ce n'est qu'alors qu'une solution prisée, souvent utilisée et générant une valeur à long terme pourra être développée.
Pour plus d'informations sur la manière de tirer pleinement parti des données de l'industrie, consultez le dernier livre blanc d'Omron:
