Internet Industriel des Objets IIOT : Conseils de fabrication pour une mise en œuvre réussie

Sommaire
                        
                            
                                La définition de Digital Twin a été bien vérifiée au cours des dernières années, mais il semble que quand il est temps de piloter des projets, elle soit oubliée. En résolvant ces problèmes, tout le reste – y compris la surveillance des performances, l'IdO, l'analyse prédictive et la simulation opérationnelle – se mettra en place.
                            
                        

                        
                            
                             Digital Twin Strategies: conseils de fabrication pour une mise en œuvre réussie
                        
                    Selon Gartner, 75% des organisations mettant en œuvre l'IoT utilisent déjà des jumeaux numériques ou prévoient le faire dans un délai d'un an, car cela devient un élément important d'une stratégie d'analyse prédictive. Cependant, la plupart des organisations n’ont pas dépassé leur phase pilote et ne l’utilisent certainement pas à grande échelle. Alors, pourquoi les organisations ne saisissent-elles pas les opportunités que le Digital Twin offre aux fabricants? Comme Thomas Edison l’a dit un jour, «la plupart des gens ratent une occasion parce qu’elle est vêtue d’une salopette et ressemble à du travail.»

Pour le rendre plus attrayant, les fournisseurs proposent des solutions existantes pour soutenir le Digital Twin qui sont «faciles» et «simples à utiliser». Par exemple, les fournisseurs fournissent des modèles de CAO ou de simulation et les représentent comme une représentation exacte du produit ou de l'actif qui a été fabriqué ou opère sur le terrain – même si beaucoup de choses ont changé depuis leur création.

La définition de Digital Twin a été bien vérifiée au cours des dernières années, mais il semble que quand il est temps de piloter des projets, elle soit oubliée. Les organisations doivent s'efforcer d'obtenir la configuration individuelle exacte du produit ou de l'actif, mais les solutions qu'elles mettent en œuvre ne font rien de tel. En résolvant ces défauts, tout le reste – y compris la surveillance des performances, l'IdO, l'analyse prédictive et la simulation opérationnelle – se mettra en place, créant une valeur considérable pour l'organisation.

Pourquoi les organisations n'ont pas réussi à mettre en œuvre le jumeau numérique

En termes simples, un modèle ― CAD, simulation, nomenclature d'ingénierie (eBOM) ou nomenclature de fabrication (MBOM) ― n'est pas un jumeau numérique. Un jumeau numérique est d'abord créé lorsque la fabrication du produit est terminée, ce qui est indiqué lorsque les composants sérialisés sont enregistrés. Toutes les autres informations créées avant ce point sont liées aux parties techniques et sont considérées comme des données de thread numériques accessibles par les configurations individuelles de Digital Twin.

En ce qui concerne la mise en œuvre, les organisations ne parviennent pas à se concentrer sur les technologies nécessaires pour savoir exactement ce qui est nécessaire pour collecter les données opérationnelles et de performances associées. Ils manquent également de voir à quoi ressemble l'actif à un moment donné. Une valeur commerciale tangible est créée à ce stade.

Pourquoi l'analyse prédictive et les efforts IIoT sont voués à l'échec

Si les organisations n'ont pas de contexte dans leur configuration Digital Twin, quand vient le temps de mettre en œuvre des technologies, telles que l'IIoT et l'analyse prédictive, elles ne généreront que des indices, pas des résultats précis. Par exemple, les organisations peuvent collecter toutes les données opérationnelles et de performances sur un actif qu'elles souhaitent, mais dès qu'un actif est supprimé du système, l'historique opérationnel lié à cet actif continue avec lui. Si les données suivent le système lui-même, cela changera complètement le contexte du système surveillé. Par exemple, lorsque l'on regarde les performances opérationnelles d'un avion, les informations initiales au début de la surveillance sont absolues, surtout lorsqu'il y a suffisamment de contexte pour commencer. Mais, lorsque des pièces sont remplacées par de nouvelles pièces, cela modifie les paramètres de durée de vie. Par conséquent, à moins que vous ne mettiez constamment à jour le contexte de l'avion, les algorithmes sont supprimés, ce qui entraîne un coût immense. Les résultats peuvent indiquer des besoins de maintenance, alors qu'en réalité, aucune intervention n'est requise, ce qui réduit les heures de travail et la productivité du système. Pour que l'analyse prédictive ou IIoT soit efficace, le contexte de l'actif et du système est requis. Les organisations doivent disposer des technologies et des processus nécessaires pour remplacer les données opérationnelles de l'ancien actif par les données opérationnelles du nouvel actif afin d'obtenir une représentation précise de ce qui est surveillé. Les organisations doivent prendre en compte la configuration physique de cet actif dans le cadre de leurs algorithmes d'analyse prédictive pour obtenir la bonne réponse, et pas seulement estimer une moyenne globale.
Le secret de l'intégration du jumeau numérique dans la stratégie technologique d'un fabricant

Les fabricants doivent changer leur philosophie et jeter les bases de chaque actif et système qu'ils souhaitent gérer. En raison des nombreuses utilisations de Digital Twin tout au long du cycle de vie du produit, ils ont également besoin d'un modèle de données flexible / dynamique ancré dans la technologie de leur choix. Seul un modèle de données dynamique prendra en charge les besoins en évolution et les différentes configurations de Digital Twins, en fonction du cas d'utilisation. Les organisations doivent démarrer toute stratégie Digital Twin en capturant et en gérant la configuration physique réelle de l'actif. Cela signifie qu'ils doivent connaître les numéros de série des composants qui ont été assemblés dans ce produit final, combien de boulons ont été utilisés pour fixer un composant, quelle valeur de couple a été appliquée à ces boulons et quelles versions de logiciel sont installées. Toutes ces choses, et bien plus, devraient se réunir pour former la représentation numérique de la configuration physique de l'actif – un processus qui fait défaut dans l'industrie aujourd'hui. Les organisations doivent connaître les actifs qu'elles possèdent au sein des systèmes qu'elles exploitent et entretiennent. Cela ne sert à rien de savoir qu'il y a un avertissement de température excessive, si nous ne savons pas vraiment ce qu'est l'actif ou comment il va réagir. Le numéro de modèle de l'actif, le numéro de série, l'historique de maintenance et l'historique d'exploitation de cet actif doivent être connus avant de déterminer si cette lecture de température «excessive» est vraiment «excédentaire».
Conclusion – Par où commencer et à quelle valeur dois-je m'attendre?

Le point de départ dépend en grande partie de la position de l'utilisateur dans le cycle de vie. S'ils sont un atelier de maintenance, ils doivent commencer par tenir des registres précis des inspections, suivre à quoi ressemblent les actifs à leur arrivée et s'assurer que les données sont enregistrées numériquement, pas sur papier. Plus précisément, les données doivent vivre dans des bases de données accessibles via des API ouvertes, consultables, inspectables et prenant en charge un modèle de données dynamique pour créer le contexte de tout cas d'utilisation Digital Twin à suivre.

Pour les fabricants, les utilisateurs doivent s'assurer que leur configuration «telle que construite» est aussi précise et détaillée que possible. Ensuite, ils peuvent commencer à étendre cette configuration «telle que construite» dans l'atelier de test, les divisions d'installation et de livraison, de mise en service et d'exploitation. Enfin, le parcours d'un actif tout au long du cycle de vie nécessitera une solution pour capturer et gérer les changements au fur et à mesure des événements, tels que les pièces de rechange, la maintenance et les mises à niveau.

A propos de l'auteur
                            
                            Jason Kasper, a rejoint Aras Corporation en avril 2017 et est responsable du marketing produit, son objectif principal étant la maintenance, la réparation, la révision (MRO), la fabrication de systèmes d'exécution et leur importance dans le cycle de vie du produit. Jason a plus de 20 ans d'expérience dans la collaboration avec les clients pour développer des solutions logicielles d'entreprise. www.aras.com

Cliquez ici pour plus d'informations

Avez-vous apprécié cet excellent article?
                            Consultez nos e-newsletters gratuites pour lire d'autres articles intéressants.
                            Souscrire
                        
                    
                    

                    

                

Laisser un commentaire