Données sur les machines pour les fabricants - Mesures clés que vous devriez suivre

L'adoption croissante de l'internet des objets (IoT) a bombardé les fabricants d'un flot de données qu'ils peuvent difficilement traiter avec les méthodes traditionnelles des technologies de l'information.

Et comme les usines deviennent de plus en plus technologiques, 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 l'ensemble de l'atelier.

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

Avec l'automatisation pure et simple des secteurs mécanisés d'une opération de fabrication, une mine de données s'échappe des machines et des appareils installés dans l'usine.

En termes plus simples, les données générées par les machines sont justement des données provenant des appareils de la chaîne de production et d'autres zones 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 s'appuyaient fortement sur des logiciels propriétaires pour enregistrer et trier différentes données non uniformes provenant des appareils de l'usine. Cependant, le déluge actuel de données nécessite un traitement plus poussé afin de fournir des informations exploitables aux équipes chargées de contrôler les opérations.

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

Les opérations de fabrication devenant de plus en plus complexes, il en va de même pour les types d'appareils requis dans l'atelier. 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 de manière générale dans ces types de données :

• Données des capteurs : Les machines fonctionnant de manière quasi-continue pendant leur temps de fonctionnement programmé, elles passent par différentes fonctions et processus qui génèrent des données précieuses. Les capteurs installés dans les 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 la surveillance de l'état de l'équipement par le biais de l'efficacité globale de l'équipement (TRS), ce qui permet de prendre des décisions en matière de maintenance prédictive et de dépannage.

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

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

Regardez notre webinaire à la demande : Visualisez vos opérations de manière holistique avec Suivi machine →

Les fabricants qui intègrent les technologies numériques dans leurs opérations sont mieux équipés pour optimiser les processus, ce qui garantit que la production se déroule sans heurts et s'améliore au fil du temps. Le degré de capacité d'une entreprise à conduire le site Amélioration continue dépend de la manière dont elle met en œuvre les efforts de collecte de données sur les machines et de l'endroit où elle les met en œuvre.

Avant de vous 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.

Par la suite, vous pouvez mettre en œuvre diverses solutions, propres à votre activité, afin d'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 sur le sol de l'usine sont une grande source 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'un système informatique de pointe qui analyse ces données, éliminant ainsi la nécessité d'une intervention humaine dans le processus d'optimisation de la machine.

• Systèmes connectés : Les machines sur le terrain ne donnent pas toujours une image 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.

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

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

• 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 de la machine : Également connu sous le nom de temps de fonctionnement, il s'agit du temps réel pendant lequel une machine fonctionne au cours d'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 produits qu'une machine produit au cours d'une période donnée. Cette mesure peut également s'appliquer à l'ensemble de la chaîne de production pour en vérifier l'efficacité.

• Efficacité globale de l'équipement (TRS) : Mesure de la productivité, TRS indique la proportion de temps pendant laquelle une machine fonctionne à plein régime. Cette mesure est un produit de la disponibilité, de la performance et de la qualité de la machine.

• Rendement au premier passage: Il s'agit de la proportion de 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 entreprise de fabrication le temps d'exploitation perdu en raison d'une défaillance de l'équipement. Il s'agit donc également d'un indicateur de la fiabilité d'une machine.

• Temps moyen d'immobilisation : Cette mesure, appelée MDT, est une indication globale du temps nécessaire à la réparation et à l'entretien. 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 les machines 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 des machines. Des études montrent que si les lacs de données deviennent monnaie courante dans l'industrie, 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. Les lacs de données inefficaces conduisent les fabricants au piège de la richesse des données et de la pauvreté de l'information.

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 les utiliser 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 bande passante nécessaire pour faire quoi que ce soit avec ces données au-delà de l'impression de fichiers PDF et de la création de quelques tableaux et graphiques.

Pour sortir du piège du DRIP, les fabricants doivent enrichir les données générées par les machines avec des données humaines et indiquer où, comment et par qui les données ont été collectées. La contextualisation des données est l'action d'ajouter des données humaines aux données générées par les machines afin d'élever les données au rang d'informations. Elle permet à votre entreprise d'obtenir des informations significatives et exploitables. Il s'agit d'une étape fondamentale dans l'évolution vers des systèmes de fabrication prédictifs et adaptables.

En combinant différentes sources et différents types de données, la contextualisation des données permet aux travailleurs de première ligne de disposer d'informations en temps réel et de connaissances exploitables pour prendre des décisions opportunes et efficaces au sein même de 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 évoluer rapidement et durablement.

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