Ce n'est qu'à partir de la troisième phase « Visibility » que les choses deviennent vraiment intéressantes : en reliant tous les points de données entre eux, on crée pour ainsi dire un modèle numérique actualisé « ou ombre numérique » de l'usine. Il s'agit d'une étape fondamentale et radicale, les silos existants sont rompus. Cela a des conséquences pour la structure opérationnelle et même pour la culture d'entreprise. Les données structurelles du PLM (Product Lifecycle Management), de l'ERP et du MES sont combinées aux données de streaming des PLC et des capteurs pour parvenir à une « single source of truth ».

Dans une quatrième phase, « Transparancy », on peut comprendre via l'analyse des causes fondamentales pourquoi certains événements ont lieu pendant le processus de production. Dans cette phase, les bases sont également jetées via le data engineering pour ajouter la prévisibilité ou « Predictive Capacity » dans la phase cinq. Ce sont ces cas d'usage prédictifs, tels que la maintenance prédictive et la qualité prédictive, qui frappent l'imagination de nombreuses entreprises. Mais avant d'en arriver là, il faut nager dans bien des eaux (de données). Dans une phase ultime, on pourrait arriver à « l'Adaptability » où, par exemple, la machine modifie elle-même la séquence d'ordres de production pour éviter les temps d'arrêt ou envoie elle-même des ordres de travail à l'équipe de maintenance. Bref, le modèle Acatech indique clairement qu'une approche progressive, qui commence petit, est possible.

Les données abondent.

La génération actuelle de capteurs et d'appareils IIoT (Industrial Internet of Things) est capable de se connecter assez facilement à des machines et équipements plus anciens, avec un effort et un coût limités.

La captation de données devient donc de plus en plus facile et de plus petites entreprises sont désormais capables de collecter des masses de données de processus. Cela présente le grand avantage d'avoir un aperçu en temps réel de ses paramètres de production et donc de pouvoir réagir beaucoup plus rapidement à certains événements ou arrêts. Dans une étape suivante, comme indiqué dans le modèle, il est possible d'intégrer la prévisibilité via l'analytique et l'IA (Machine Learning), notamment sur la base de ces données en temps réel. Par exemple, en installant un capteur sur une installation de filtration, celui-ci peut indiquer automatiquement quand elle doit être remplacée. Une inspection visuelle par un collaborateur de la maintenance n'est pas nécessaire, on économise du temps et des ressources.

Ces investissements relativement modestes ne font pas le poids face aux résultats possibles pour l'entreprise. Optimisation des processus, qualité accrue, gestion de l'énergie plus efficace, arrêts plus courts (OEE, Overall Equipment Effectiveness), temps de cycle plus court ; un business case est vite établi, même pour les entreprises plus petites ou de taille moyenne.

Les grandes comme les petites entreprises tirent donc profit d'une approche Smart Industry axée sur les données et d'une feuille de route par phases. Mieux vaut aujourd'hui que demain, même en ces temps incertains. Est-ce une question de taille ? Non, mais de maturité !

Ce blog est le deuxième d'une série dans laquelle nous examinons les mythes et les faits concernant la numérisation dans le secteur industriel. Les deux premiers mythes ont déjà été révoqués, à découvrir dans les semaines à venir quels mythes ou faits subsistent.

Lire aussi:

• Mythe ou réalité : la digitalisation n'est pas indispensable dans l'industrie