Les méthodologies de fabrication sans gaspillage étant de plus en plus largement adoptées à mesure que nous progressons dans l'ère numérique, il existe plus que jamais des possibilités de transformer les cycles de production de routine en données qui font la différence.
Cela s'explique en grande partie par la maturation des "big data", unterme générique désignant un ensemble de techniques de stockage, d'organisation et d'analyse développées pour les ensembles de données massives.
Dans ce billet, nous vous présenterons quelques concepts clés du big data, ainsi que les cas d'utilisation et les applications les plus importants pour l'analyse des big data dans l'industrie manufacturière.
Définition du Big Data dans l'industrie manufacturière
Les Big Data se définissent comme des ensembles de données exceptionnellement volumineux, pouvant atteindre des milliards de lignes et de paramètres. Dans l'industrie manufacturière, les Big Data peuvent inclure des données collectées à chaque étape de la production, y compris des données provenant de machines, d'appareils et d'opérateurs.
Ces données peuvent être structurées ou non.
Le volume et la complexité des grands ensembles de données et le nombre d'outils, de techniques et de meilleures pratiques spécifiques pour les traiter ont conduit à la maturation du domaine de la science des données et de l'analyse des grandes données dans et autour de l'industrie manufacturière.
Connectez les systèmes, les machines et les opérateurs dans l'ensemble de vos opérations
Allez au-delà du MES traditionnel et découvrez comment Tulip peut vous aider à automatiser la collecte de données et à suivre les mesures de production en temps réel.
Concepts du Big Data
S'il est possible de comprendre comment la croissance du big data va révolutionner l'analyse des données de fabrication sans comprendre comment cela fonctionne "sous le capot", pour ainsi dire, la connaissance de quelques concepts clés peut s'avérer très utile.
Tout d'abord, il est important de comprendre que l'analyse des big data n'est pas seulement une question de logiciel.
Le matériel et l'infrastructure nécessaires pour prendre en charge l'IA, Apprentissage machine, et les algorithmes d'apprentissage en profondeur sont considérables.
Dans de nombreux cas, les données de fabrication sont stockées dans des lacs de données via le cloud et traitées sur des clusters GPU plutôt qu'avec des processeurs CPU traditionnels. Tout ceci est une façon jargonneuse de dire que la quantité de données générées par l'usine moderne nécessite des outils de stockage et de traitement actualisés pour les prendre en charge.
En ce qui concerne l'analyse des données, même les techniques les plus sophistiquées reposent sur quelques méthodes et processus fondamentaux.
Séparer avec certitude la corrélation de la causalité
En particulier dans le secteur de la fabrication, il est absolument essentiel de comprendre les causes profondes pour Amélioration continue.
Il n'est donc pas surprenant que les outils conçus pour déterminer si deux variables sont corrélées ou non, ou pour déduire quelles variables sont causales, soient si importants. Alors que les techniques standard telles que la régression linéaire sont utilisées avec succès depuis des décennies, les algorithmes du site Apprentissage machine permettent de trouver la corrélation et la covariance dans des ensembles de données plus vastes et plus bruyants.
Isolement des valeurs aberrantes et non aberrantes
Lorsque vous travaillez avec un grand ensemble de données, il est essentiel de comprendre quels sont les points de données qui peuvent être regroupés en une tendance et quels sont ceux qui sont aberrants.
Cela est important non seulement parce que de meilleures données signifient des résultats plus nets, mais aussi parce que la détection des valeurs aberrantes est importante pour des programmes tels que la maintenance prédictive, qui repose sur la détection des anomalies et leur corrélation avec la défaillance d'une machine ou la dégradation d'une pièce.
Avec suffisamment de données, les réseaux neuronaux et l'analyse Apprentissage machine (forêt aléatoire, forêt d'isolement) peuvent aider à détecter, classer et mesurer l'importance des points de données.
Créer de nouvelles classifications
L'un des résultats les plus intéressants de Apprentissage machine est la production de nouvelles structures de classification et de hiérarchies d'une organisation qui pourraient facilement échapper aux efforts humains. Généralement appelés "apprentissage non supervisé" ou "analyse de grappes", ces algorithmes analysent et classent les informations contenues dans un ensemble de données en détectant les schémas inhérents à ces dernières. Dans le domaine de la fabrication, une application des algorithmes de classification pourrait consister à trouver de nouvelles informations sur l'efficacité des machines dans les données collectées dans le cadre d'un programme Suivi machine .
En fin de compte, ces techniques se distinguent par leur capacité à "s'entraîner" sur un ensemble de données donné pour produire des résultats plus fiables à chaque nouvelle entrée, par la taille de l'ensemble de données qu'elles peuvent prendre en charge et par la fiabilité de leurs capacités de classification, de prédiction et de prévision.
Cas d'utilisation des Big Data dans l'industrie manufacturière
Maintenance prédictive
La plupart des fabricants suivent un calendrier de maintenance préventive (MP). Dans le cadre de la maintenance préventive, les superviseurs prévoient des temps d'arrêt à intervalles réguliers (ou moins réguliers) pour réparer les actifs avant qu'une panne inattendue n'entraîne des temps d'arrêt imprévus et coûteux.
Qualité prédictive
Le concept est similaire à celui de la maintenance prédictive. Il existe des dizaines de variables qui contribuent aux résultats en matière de qualité. Pour les fabricants qui suivent ces variables, l'analyse des big data peut aider à déterminer les causes profondes et à identifier les facteurs qui conduisent à des non-conformités.
Détection des anomalies
Qu'il s'agisse d'un petit écart par rapport aux normes dans la qualité d'une pièce usinée ou de la quantité de chaleur générée par l'usine elle-même, l'analyse des grandes données permet de séparer le signal du bruit. Les algorithmes modernes permettent d'identifier les anomalies avec un degré élevé de signification statistique.
Vision par ordinateur
Vision par ordinateur est un outil d'analyse de l'action humaine dynamique en temps réel. Les progrès de l'IA et de Apprentissage machine ont permis aux ordinateurs d'observer, de classer et de réagir aux événements humains au fur et à mesure qu'ils se déroulent.
Optimisation du cycle de vie des outils
Bien qu'il existe quelques astuces pour prolonger la durée de vie d'un outil, cela peut s'avérer délicat. En effet, de nombreuses variables influent sur l'usure d'un outil au fil du temps. L'analyse des big data permet d'isoler la cause première avec une plus grande certitude.
Gestion de la chaîne d'approvisionnement
Le timing est essentiel. Le big data permet de prédire avec une plus grande certitude si un fournisseur livrera ou non comme convenu, et permet d'optimiser les chaînes d'approvisionnement pour réduire les risques.
Prévision de la production
L'anticipation de la demande est essentielle pour optimiser la production. Les données que vous collectez sur vos opérations, votre entreprise et vos fournisseurs peuvent vous aider à mieux préparer l'avenir.
Améliorer le débit et le rendement
D'innombrables facteurs influent sur le rendement de la production. Le big data peut vous aider à trouver des modèles cachés dans vos processus, ce qui vous permet de poursuivre des initiatives Amélioration continue avec une plus grande certitude.
Optimisation des cellules de travail
La façon dont une cellule de travail est structurée est essentielle pour l'efficacité. L'IA peut trouver des modèles dans les interactions homme-environnement qui vous permettent de concevoir les systèmes de fabrication les plus efficaces possibles.
Gestion du cycle de vie des produits (PLM)
Dans certains secteurs (pharmacie et biotechnologie), chaque mois passé sur le marché multiplie la valeur à vie d'un produit. L'IA tire des enseignements des produits précédents et des facteurs critiques du marché pour vous aider à optimiser la valeur créée par vos produits au fil du temps.
Conclusions : La décennie des données
Les innovations présentées ici ne sont qu'un bref aperçu. Il existe d'innombrables autres applications et cas d'utilisation du big data dans l'industrie manufacturière.
Une chose, cependant, les unit tous. Vous avez besoin de données pour les réaliser. Plus tôt vous commencerez à collecter des données sur vos systèmes d'opérations de fabrication, plus tôt vous serez en mesure d'appliquer les dernières innovations en matière de science des données.
Vous souhaitez en savoir plus ? Consultez notre guide sur Suivi machine pour savoir comment commencer à collecter les données dont vous avez besoin.
Capturez en temps réel données de production et améliorez la façon dont vous gérez vos opérations
Découvrez comment un système d'applications peut vous aider à prendre de meilleures décisions fondées sur des données, grâce à un essai gratuit de Tulip.