IOT et industrie : Amélioration de la productivité d'Analytics dans toute l'entreprise

Sommaire
                        
                            
                                Par Takayuki Sugizaki, Yokogawa Electric
Les directeurs d'usine sont confrontés au double défi d'augmenter l'efficacité de la production tout en maintenant un équipement vieillissant, et les dirigeants d'entreprise doivent faire de même dans toute l'entreprise de fabrication. Dans les industries de transformation, les experts en la matière (PME) sont les employés utilisateurs finaux possédant l'expertise requise pour comprendre les processus et l'équipement.
                            
                        

                        
                            
                             Amélioration de la productivité d'Analytics dans toute l'entreprise
                        
                    Les directeurs d'usine sont confrontés au double défi d'augmenter l'efficacité de la production tout en maintenant un équipement vieillissant, et les dirigeants d'entreprise doivent faire de même dans toute l'entreprise de fabrication. Dans les industries de processus, les experts en la matière (PME) sont les employés utilisateurs finaux possédant l'expertise requise pour comprendre les processus et l'équipement. Ce sont généralement des ingénieurs, mais dans certains cas, ils peuvent être formés dans une autre discipline technique. Les experts en la matière (PME) sont essentiels pour fournir l'expertise nécessaire pour relever ces défis, mais ils sont rares.

Par conséquent, il est essentiel d'augmenter la productivité des PME, ce qui peut être fait grâce à l'application efficace des innovations technologiques numériques telles que l'Internet industriel des objets (IIoT), l'intelligence artificielle (AI) et l'apprentissage automatique (ML). De nouvelles augmentations de la productivité des PME peuvent être réalisées en soutenant leurs efforts avec des connaissances commerciales et de domaine fournies par des experts fournisseurs, tels que ceux de Yokogawa, en particulier lorsque les données sont stockées dans le cloud pour un accès sécurisé par toutes les parties concernées.

Les données de production obtenues dans le domaine de la technologie opérationnelle (OT) sont la principale, et souvent la seule, source de données pour de nombreux fabricants. Les PME, les opérateurs et le personnel des autres usines utilisent largement ces données pour améliorer la productivité, à la fois dans les usines individuelles et dans l'ensemble de l'entreprise à travers une flotte d'équipements d'exploitation.

De plus en plus, ces données OT seront complétées par des données d'installations et d'équipements obtenues via l'application des innovations des technologies de l'information (IT), créant de nouvelles opportunités pour fusionner les données de production OT avec les données d'équipements IT.

Cela permettra aux fabricants et aux PME de passer de la détection à la création de sens en suivant ces trois étapes.

De la détection à la création de sens
La transformation numérique (DX) comporte trois étapes. Après la première numérisation des informations (numérisation), la détection devient une création de sens en numérisant l'analyse des données (numérisation), et enfin en réalisant le DX des activités de l'entreprise et de la culture organisationnelle.

La numérisation des informations consiste simplement à numériser des informations visuelles ou sur papier. Dans cette étape, les informations analogiques sont codées et converties en informations numériques afin de pouvoir être facilement stockées et traitées. Cela se fait le plus souvent en automatisant les activités d'acquisition de données manuelles à l'aide de données collectées à partir de capteurs connectés à des réseaux câblés et sans fil, ce que l'on peut appeler la détection.

La détection est déjà courante pour les données de production nécessaires au fonctionnement automatique des usines en temps réel. Mais les données d'équipement, qui incluent toutes les autres données qui pourraient potentiellement être utilisées pour améliorer la production mais qui ne sont pas nécessaires pour un fonctionnement automatisé en temps réel, ne sont souvent pas détectées et sont plutôt collectées manuellement. Cette collecte manuelle de données présente un certain nombre de problèmes, notamment les coûts élevés, l'exposition des travailleurs à des environnements dangereux ou dangereux, les lectures peu fréquentes et les erreurs introduites lors de la saisie des lectures sur les plates-formes informatiques. En raison de ces problèmes et d'autres, les données d'équipement font défaut pour la plupart des fabricants, ce qui entrave les efforts de numérisation.

La création de sens à l'étape de la numérisation donne un sens aux données acquises par la numérisation. L'objectif final des fabricants n'est pas de collecter des données, mais plutôt de créer de la valeur à partir de ces données. Par exemple, en surveillant les tendances des données, de nouvelles mesures peuvent être générées pour indiquer des signes d'anomalie. Ce type d'analyse de données peut être effectué automatiquement en utilisant l'IA et le ML, libérant les PME de certaines des tâches associées à la création de sens.

DX est la dernière étape, une transformation des activités d'entreprise et de la culture organisationnelle pour provoquer un changement dans la façon dont les entreprises, les entreprises et les personnes interagissent pour améliorer la performance opérationnelle des usines et des flottes. À l'étape DX, une création de valeur supplémentaire peut être réalisée en intégrant organiquement les fonctions et les données OT et IT. Par exemple, les données d'équipement concernant l'état et les performances de l'équipement peuvent être numérisées et introduites dans le processus de production pour une optimisation améliorée.

Heureusement, les nouvelles technologies facilitent le processus de détection au sensemaking.

Améliorer la numérisation
L'étape de numérisation nécessite une détection améliorée pour:

Mesurer diverses quantités physiques avec précision pour vérifier l'état de l'équipement avec une qualité et une fidélité des données suffisantes
Numérisez les données de santé et de performance de l'équipement
Simplifiez l'installation et le fonctionnement des capteurs
Fournit un fonctionnement à long terme des capteurs dans des environnements souvent difficiles avec un minimum d'entretien requis

Yokogawa a développé le Sushi Sensor sans fil à faible coût, un système de connexion aux réseaux étendus à faible consommation d'énergie standard pour résoudre ces problèmes et d'autres. Sushi Sensor utilise la norme de communication ouverte LoRaWAN, qui est soutenue et promue par la LoRa Alliance et ses plus de 500 entreprises liées à l'IoT et membres utilisateurs finaux. Même dans un environnement d'usine de processus typique avec divers obstacles physiques, une communication longue distance avec un rayon de 1 km est possible, sans avoir besoin de répéteurs et de routes sans fil (figure 1).

Figure 1: Les caractéristiques du capteur Sushi les rendent idéales pour un déploiement dans des environnements d'usine typiques. Ces capteurs sont alimentés par batterie, donc aucune infrastructure filaire de tout type n'est requise. L'installation est simple, par exemple le capteur de vibration est installé soit par une vis de fixation ou un aimant. Avec des mises à jour des données une fois par heure, les intervalles entre les remplacements de batterie dépassent quatre ans dans la plupart des applications. Ces capteurs sont classés IP 66/67 à la poussière et à l'eau, et ils sont également antidéflagrants.

Ces types de capteurs et le réseau LoRaWAN sont très différents des réseaux d'instruments traditionnels, tels que ISA100 et WirelessHART, déployés dans de nombreuses usines pour collecter des données de production OT.

Les capteurs LoRaWAN sont plus petits et moins chers que ceux utilisés dans les réseaux d'instruments traditionnels, ont une très faible consommation d'énergie, ne nécessitent pas beaucoup de bande passante réseau et peuvent communiquer sur des distances beaucoup plus longues.

Lorsque ces types de capteurs sont utilisés dans les applications de surveillance des installations et des équipements pour remplacer la surveillance manuelle, la productivité des PME est améliorée car les données sont collectées plus fréquemment avec une plus grande fidélité et moins d'erreurs. Des données plus nombreuses et de meilleure qualité améliorent également la prochaine étape, la numérisation.

Meilleure numérisation
L'étape de numérisation est l'endroit où la création de sens est effectuée, et elle nécessite:

Capacité à effectuer une analyse de données avancée
Surveillance des tendances pour une utilisation efficace des données détectées pour la maintenance des équipements
Fonctions pour détecter les signes d'anomalie avant que l'équipement ne tombe en panne
Mauvais diagnostic

Figure 2. Les tours de l'opérateur peuvent être remplacés par une surveillance en ligne à l'aide de Sushi Sensor.

À l'aide de ces données, l'état de chaque équipement rotatif a été surveillé. Les résultats ont été utilisés pour planifier la maintenance uniquement en cas de besoin, ce qui a entraîné moins d'interruptions imprévues, des intervalles de temps plus longs entre les réparations, peu ou pas de réparations réactives et des coûts réduits.

Détection des anomalies du roulement à billes à l'aide de l'IA et du ML
Sushi Sensor a été installé sur un équipement rotatif pour mesurer les vibrations et transmettre ces données sur LoRaWAN. Comme le montre la figure 3, une étiquette notée, un type d'indicateur d'indice de santé, a été automatiquement créée à l'aide d'un algorithme AI / ML montrant qu'il y avait un signe d'anomalie trois mois avant l'échec. En combinant les données du capteur avec et les résultats de l'algorithme AI / ML, il a été possible de déterminer les signes de l'anomalie du roulement à billes, un facteur prédictif de défaillance de la machine tournante.

Figure 3: La maintenance prédictive avancée peut être effectuée à l'aide de Sushi Sensor et AI.

Il s'agit d'un exemple de création de sens automatisé dans lequel les données numérisées par détection ont pu créer une nouvelle valeur à l'aide de l'IA / ML. La productivité des PME a été augmentée en les libérant de la tâche d'analyser manuellement les données pour prévoir les défaillances des équipements rotatifs.

Conclusion
Les PME sont essentielles aux efforts d'analyse, mais elles font défaut dans la plupart des entreprises manufacturières. L'application intelligente des technologies numériques peut augmenter considérablement la productivité des PME, à la fois pour une seule usine et dans toute l'entreprise. Lorsque les données sont stockées dans le cloud, les connaissances commerciales et de domaine des experts des fournisseurs peuvent être appliquées pour compléter les efforts des PME des utilisateurs finaux, augmentant ainsi leur productivité et leur efficacité.

Chiffres tout courtoisie de Yokogawa

A propos de l'auteur
                            
                            Takayuki Sugizaki est directeur au département de stratégie informatique du centre de technologie de l'information de Yokogawa. Il a rejoint Yokogawa en 2003 et est responsable de la promotion des produits et solutions sans fil dans le monde entier.

Cliquez ici pour plus d'informations

Avez-vous apprécié cet excellent article?
                            Consultez nos bulletins électroniques gratuits pour lire d'autres articles intéressants.
                            Souscrire
                        
                    
                    

                    

                

Laisser un commentaire