IIoT : comment migrer vers une usine intelligente en 4 étapes

Avec la miniaturisation des capteurs, c’est la quasi-totalité des systèmes et des infrastructures d’une usine qui peut être intégrée au web. Toutefois, les sites de production reposant sur l’IoT nécessitent une infrastructure adaptée ainsi que de l’intelligence artificielle pour pouvoir fonctionner de manière optimisée et autonome.

À l’image de bien d’autres activités, le secteur secondaire est également impacté par la transformation numérique, notamment grâce à des concepts tels que l’Industrial Internet of Things (IIoT). "L’agile supply chain" permet désormais aux entreprises d’adapter leurs capacités de production en fonction de la demande, de réduire la durée de production, ou encore grâce à la maintenance prédictive de limiter au minimum les temps d’immobilisation des chaines de production.

En outre, la surveillance et le monitoring accru de leurs usines leur permettent d’identifier bien plus facilement les étapes complexes dans leurs processus de fabrication pour les améliorer et limiter les rebus par exemples. Avec l'Internet industriel des objets et le machine to machine (M2M), les entreprises peuvent connecter, leurs équipements pour les rendre communicant et mettre en œuvre des solutions dites "smart" permettant de transformer les données enregistrées en outil d'amélioration de la performance pour l’entreprise. Mais pour implémenter efficacement l’IloT dans un site de production, il convient néanmoins de respecter ces quelques étapes.

Partir sur de bonnes bases

En premier lieu, il convient de déterminer les aspects essentiels de la production à observer et améliorer via l’IIoT. Déterminer avec quels indicateurs nous allons passer de "comment nous faisons" à "comment nous devons faire".  Chaque usine à des attentes et des objectifs bien différents : s’agit-t-il du résultat, de la qualité des unités produites du cycle de maintenance ou encore de la consommation des ressources ?

Les indicateurs varient d’une machine à l’autre et les sites ne disposent pas tous des données d’analyse nécessaires. Mais avant d’investir dans de nouvelles machines onéreuses, il est probablement possible d’améliorer l’équipement des machines actuelles grâce au "retrofitting", c’est-à-dire en demandant au fabricant si ces indicateurs seraient disponibles avec un rééquipement.

Il s’agit ensuite de rassembler les données en temps réel, structurées et non structurées issues des machines en vue d’obtenir une vision d’ensemble précise sur la production pour pouvoir ensuite l’analyser.

Définir l’infrastructure adaptée

Parallèlement au choix des données à analyser, il convient de préparer l’infrastructure. Dans l’industrie, la grande majorité des processus fonctionne à très grande vitesse et produit d’immenses quantités de données.

À ce titre, il est important de noter qu’il n’est pas particulièrement utile de traiter ces données dans un cloud public, tant sur le plan pratique qu’économique, d’autant plus qu’une bande passante constante (capitale pour ce modèle d’exploitation informatique) n’est pas toujours garantie. On privilégie les architectures 3 tiers "edge / core / cloud". Autrement dit, pour une analyse temps réelle, sensible à la latence ou aux déconnexions, mieux vaut analyser ces données localement "edge", à proximité des machines.

Au niveau de l’usine, en périphérie de réseau, nous utiliserons le "core" qui concatènera les données non structurées issues des "edge" pour les transformer et ainsi pouvoir renvoyer aux capteurs l’intelligence portée par l’IA. Il convient donc de réserver le "cloud" pour la sauvegarde des données à destination de deep learning via une longue période de collecte de données incluant même l’agrégation de données issues de plusieurs usines, afin de mettre en place une stratégie de blockchain ou de datadriven.

Dans cette architecture 3/3 le traitement des données gagnera nettement en rapidité, en souplesse, mais aussi en sécurité.  Il est également important de ne pas négliger dans la définition de l’infrastructure, l’importance de mettre en place un centre de commande (command center) qui permet aux équipes IT de d’industrialiser le déploiement du edge de le mettre à jour facilement ainsi que le core tout en intégrant des fonctionnalités de surveillance et de gestion des terminaux IoT.

Visualiser et analyser les données

Une fois traitées, les données doivent pouvoir être visualisées de manière pertinente. Le modèle de visualisation dépend du type de machine, des données générées et des paramètres de fonctionnement. Il est par exemple tout à fait possible de visualiser les modèles répétitifs et de lire plus facilement les performances des machines : autant de temps gagné dans l’optimisation des processus de production.

Ces analyses permettent également d’identifier des rapports plus complexes, en lien notamment avec le nombre d’unités produites ou des conditions externes de production, et présentant un impact sur l’état des machines ou la qualité des produits. Lorsque l’on sait qu’une modification de la température extérieure conduit souvent à des erreurs ou à des arrêts de production, les gérants d’usine peuvent redresser la situation en fixant des règles relatives au processus. Une solution IIoT appropriée peut ensuite surveiller automatiquement le fonctionnement normal et exécuter un protocole prédéfini en cas de déviation à la norme.

Mettre le machine learning au profit de l’usine

Pour bâtir une usine véritablement intelligente, qui ne se contente pas d’être connectée et de recueillir des données, qui passe de descriptive à prescriptive, il faut savoir tirer parti du machine learning. Cette technologie d’IA, offre aux machines la possibilité d’acquérir en continu des connaissances à partir des données collectées pour pouvoir s’adapter au mieux à chaque situation. Par exemple, un thermostat intelligent sur une machine pourrait ainsi analyser les données (températures intérieure et extérieure, heure, saison…) et apprendre à prédire la probabilité de perturbations dans la production suite à une surchauffe. Dans un second temps, ce thermostat saurait baisser de lui-même la fréquence de rotation dans le but d’éviter la panne.

Le machine learning peut également contribuer à améliorer en continu des procédures définies et à identifier les anomalies. En allant plus loin dans ce scénario, les machines pourraient réagir à d’autres facteurs appris avec le temps qui ne seraient pas forcément encore intégrés à la programmation. Il serait ainsi possible de détecter des écarts minimes dans le fonctionnement normal et d’envoyer un SMS ou un e-mail avant la survenue d’une panne.

Un site de production équipé efficacement grâce à l’IIoT permet donc réaliser des économies de ressources et d’optimiser les processus tout au long de la production et le cycle de maintenance, pour une usine réellement intelligente et autonome.