Machine Data pour les fabricants - Les principaux paramètres que vous devez suivre

L'adoption accrue de l'Internet des objets(IoT) a bombardé les fabricants d'un flot de données qu'ils peuvent difficilement traiter avec les méthodes informatiques traditionnelles.

Et comme les usines deviennent de plus en plus techniciennes, il est devenu impératif pour les fabricants de trouver des moyens de suivre et d'analyser les données de ces machines afin de rester compétitifs.

Cela signifie que les fabricants doivent se concentrer sur les mesures clés qui affectent leurs opérations, ce qui leur permet de surveiller et d'optimiser la production dans leur atelier.

Mais avant d'entrer dans le vif du sujet, voici un bref rappel des principes de base.

Avec l'automatisation pure et simple des secteurs mécanisés d'une opération de fabrication, une foule de données s'échappent des machines et des dispositifs installés dans l'usine.

En termes plus simples, les données générées par les machines ne sont que cela : des données provenant des appareils de la chaîne de production et d'autres secteurs de l'usine. Chaque action et décision prise par une machine sans intervention humaine directe est enregistrée dans un système ou une base de données, créant ainsi des données générées par la machine.

Il s'agit d'un changement par rapport aux méthodes traditionnelles qui reposaient largement sur des logiciels propriétaires pour enregistrer et trier les différentes données non uniformes provenant des dispositifs de l'usine. Cependant, le déluge actuel de données nécessite un traitement plus poussé pour fournir des informations exploitables aux équipes qui contrôlent les opérations.

Voici quelques-uns des différents types de données générées par les machines provenant d'une usine de fabrication typique.

Lesopérations de fabrication devenant de plus en plus complexes, il en va de même pour les types d'appareils requis dans l'usine. Par conséquent, ces machines produisent différents types de données dans le cadre de leurs diverses fonctions.

En tant que telles, les données générées par les machines peuvent être regroupées en plusieurs catégories :

• Données de capteur : Comme les machines fonctionnent de manière quasi-continue pendant leur temps de fonctionnement programmé, elles passent par différentes fonctions et processus qui génèrent des données précieuses. Les capteurs intégrés aux machines enregistrent la pression, la température, l'humidité, les vibrations, l'accélération et même les niveaux de puissance. Ce type de collecte de données joue un rôle central dans le suivi de l'état de santé de l'équipement par le biais de l'efficacité globale de l'équipement (OEE), ce qui permet de prendre des décisions en matière de maintenance prédictive et de dépannage.

• Données de journal : Certaines machines utilisent des bases de données, enregistrant divers types de données qui sont essentielles pour analyser les performances et d'autres éléments critiques dans l'usine. En outre, diverses applications, serveurs web et systèmes de fichiers inclus dans les processus de fabrication peuvent être des sources idéales pour ces données générées par les machines.

• Données de réseau : Un atelier équipé de machines connectées et d'appareils intelligents génère de nombreuses données réseau, car ces instruments communiquent entre eux au cours de la production. Non seulement les machines interagissent sans fil via des périphériques, mais elles peuvent également le faire par le biais de connexions filaires sur des réseaux locaux. Ainsi, l'analyse des données des machines facilite la surveillance de l'intégrité du réseau sur lequel elles circulent.

Regardez notre webinaire à la demande : Visualisez vos opérations de manière holistique avec la surveillance des machines →.

Les fabricants qui adoptent les technologies numériques dans leurs opérations sont mieux équipés pour optimiser les processus, garantissant ainsi que la production se déroule sans heurts et s'améliore au fil du temps. La mesure dans laquelle une entreprise est capable d'apporter des améliorations continues dépend de la manière dont elle met en œuvre ses efforts de collecte de données sur les machines et de l'endroit où elle le fait.

Avant de se lancer dans cette collecte, il est impératif de passer au peigne fin vos processus d'entreprise pour déterminer votre capacité actuelle de collecte de données machine et identifier les lacunes potentielles dans la collecte de données.

Ensuite, vous pouvez déployer diverses solutions - uniques à votre activité - pour obtenir les données nécessaires à l'amélioration.

Voici quelques exemples de sources clés pour la collecte de données sur les machines :

• Les machines sur le terrain : Les machines présentes dans l'usine sont une source importante de données précieuses. Les machines modernes sont équipées de divers capteurs qui transmettent différentes formes de données. Ces données fournissent des mises à jour sur l'état de la machine en question, ce qui permet aux opérateurs de prendre des décisions éclairées si nécessaire. En outre, certaines usines disposent d'une informatique périphérique qui analyse ces données, éliminant ainsi la nécessité d'une intervention humaine dans le processus d'optimisation des machines.

• Systèmes connectés : Les machines au sol ne donnent pas toujours une image complète. Par conséquent, l'utilisation de systèmes d'usine connectés vous permet d'intégrer des applications externes pour obtenir une vue plus globale des données produites par les machines et les équipements industriels.

• L'apport humain : Les machines-outils et les systèmes connectés ne peuvent pas tout faire pour collecter des données vitales. Dans plusieurs cas, vous avez besoin que les opérateurs sur le terrain saisissent manuellement certaines données pour donner à l'ensemble plus de contexte, ce qui facilite la prise de décisions éclairées.

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

• Le volume de production : Il s'agit de la quantité de produits que votre usine peut sortir de la chaîne de production.

• Temps de fonctionnement et d'arrêt des machines : Également connu sous le nom de temps de fonctionnement, il s'agit du temps réel pendant lequel une machine fonctionne sur une période donnée. Cette mesure met en évidence le temps perdu pendant les arrêts, les pannes ou les changements d'équipe.

• Débit : La quantité de produit qu'une machine produit au cours d'une période spécifique. Cette mesure peut également s'appliquer à l'ensemble de la chaîne de production pour vérifier son efficacité.

• Efficacité globale de l'équipement (OEE) : Mesure de la productivité, l'OEE indique la part de temps pendant laquelle une machine fonctionne au maximum de ses performances. Cette mesure est le produit de la disponibilité, des performances et de la qualité de la machine.

• Rendement au premier passage : Il s'agit de la part des produits sortant de la ligne qui ne présentent aucun défaut et répondent aux spécifications sans qu'aucun travail de rectification ne soit nécessaire.

• Temps moyen entre les défaillances : Le MTBF indique à une opération de fabrication le temps de fonctionnement perdu en raison d'une défaillance de l'équipement. En tant que tel, il s'agit également d'un indicateur de la fiabilité d'une machine.

• Temps d'arrêt moyen : Appelée MDT, cette mesure est une indication complète du temps nécessaire aux réparations et à la maintenance. Il comprend tous les retards liés au temps nécessaire pour que les pièces de rechange arrivent et le temps perdu en raison de la capacité d'un technicien.

• Coût énergétique par unité : Il s'agit du coût de l'électricité, de la vapeur, du pétrole ou du gaz nécessaire pour produire une unité de produit donnée dans l'usine.

Une fois que vous avez collecté les principales données générées par la machine que vous devez suivre, l'étape cruciale suivante consiste à transformer ces données en valeurs. Il ne suffit pas de disposer de données générées par la machine. Des études montrent que, si les lacs de données sont de plus en plus courants dans le secteur, les scientifiques passent encore 80 % de leur temps à nettoyer des données sur une feuille de calcul au lieu d'effectuer des analyses et d'affiner des algorithmes. L'inefficacité des lacs de données conduit les fabricants au piège de la richesse en données et de la pauvreté en informations.

Le syndrome DRIP (Data-rich, information-poor) est un syndrome dans lequel les organisations sont riches en données mais ne disposent pas des processus nécessaires pour utiliser ces données et créer des avantages concurrentiels. Malheureusement, le syndrome DRIP est devenu la description de nombreux fabricants qui ont investi massivement dans la technologie : leurs données débordent, mais ils n'ont pas la largeur de bande nécessaire pour faire quoi que ce soit avec ces données, à part les imprimer en PDF et créer quelques diagrammes et graphiques.

Pour sortir du piège du DRIP, les fabricants doivent enrichir les données générées par les machines avec des apports humains et indiquer où, comment et par qui la collecte des données a eu lieu. La contextualisation des données est l'action qui consiste à ajouter des données humaines aux données générées par la machine afin de transformer les données en informations. Elle permet à votre entreprise d'obtenir des informations significatives et exploitables, et constitue une étape fondamentale dans l'évolution vers des systèmes de fabrication prédictifs et adaptables.

En combinant différents types et sources de données, la contextualisation des données permet aux travailleurs de première ligne de disposer d'informations en temps réel et d'aperçus exploitables pour prendre des décisions opportunes et efficaces directement dans l'atelier. Cela signifie non seulement des améliorations en termes d'efficacité, de qualité et de productivité, mais aussi un nouveau niveau d'agilité qui peut aider les organisations à se développer rapidement et durablement.

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