Big data Industrie 4.0 : comment le structurer ?

L’information liée aux sites industriels se multiplie et se complexifie

La dématérialisation des plans et des documents papiers liés aux installations est un impératif. Il faut stocker les données dans la durée pour les retrouver à tout instant : construction, exploitation, nouveau projet… Mais l’information liée aux infrastructures industrielles va maintenant bien au-delà des plans et des documents.

En effet, la digitalisation des usines augmente de manière exponentielle le flux de données liées aux équipements et aux installations. La dématérialisation massive d’activités et l’interconnexion généralisée (objets, machines, hommes) bouleverse le cadre, auparavant assez statique et segmenté, de l’information dans l’usine. La gestion des infrastructures des sites industriels se rapproche ainsi de celle des systèmes du secteur aérospatial-défense et d’un « Big Data des installations »

De silos d’information propres à chaque service et à chaque partie du site, les visions doivent se décloisonner. En effet, si chaque acteur au sein de l’usine dispose de sa propre vision de ce Big Data, c’est-à-dire n’est intéressé que par une partie restreinte des informations, ces données sont pourtant de plus en plus interconnectées avec celles des autres métiers.

Chacun sa vue du système complexe qu’est devenu le site industriel

Pouvoir atteindre toute information en temps réel en naviguant entre les éléments par leurs liens est essentiel. Pour illustrer l’importance de cette connexion, voici des exemples de besoins métier, et pourtant liés au même référentiel d’informations du site industriel :

• Accéder aux informations selon leur contexte (métadonnées, hiérarchie, thésaurus…). Ex : « Dans le bâtiment A, quels sont les plans validés des robots de plus de 50K€ et qui ont été audités dans les 3 derniers mois ? »
• Accéder depuis une maquette numérique BIM à l’historique d’un élément puis à ses cas d’utilisation dans l’usine. La maquette numérique BIM représente l’état du site à un instant T et gagne en valeur si on peut la lier aux informations et à l’historique de chaque élément qui la compose
• Fournir dans le cadre des audits l’ensemble de la documentation applicable ou comparer un dossier de livrable avec les exigences initiales. La documentation applicable regroupe des informations provenant de plusieurs services et il faut pouvoir, pour un équipement donné, choisir la vue documentaire à extraire en fonction du besoin
• Réutiliser lors du lancement d’un nouveau projet les informations d’un projet similaire (vision financière, logistique, technique, installation…)
• Suivre les caractéristiques précises de chaque équipement, qui dépendent d’acteurs différents, pour interagir en toute sécurité avec l’ensemble du système industriel
• Suivre les cycles contractuels et les exigences en lien avec les données techniques et les informations légales des installations physiques
• Calculer les retards des émetteurs par rapport à leurs engagements et être alerté pour surveiller les processus en temps réel

Un enjeu clé de l’Industrie du futur : comment exploiter efficacement cette masse d’information ?

Ces différents besoins sont tous dépendants de l’utilisation et l’exploitation d’un référentiel d’informations dynamique du site industriel.

Pour pouvoir exploiter le Big Data du site industriel, il ne s’agit pas uniquement de collecter les données mais de collecter les BONNES données, de les STRUCTURER de manière adéquate et de les FAIRE EVOLUER dans le temps.

Il faut donc non seulement stocker et structurer ces données mais aussi les corréler pour en tirer des analyses et les consolider. En effet, si les données portent intrinsèquement des informations, ce sont les interconnexions qui les rendent intelligentes et vivantes. Un des enjeux majeurs de l’Industrie du futur, c’est comment exploiter cette masse d’information complexe, interconnectée et hétérogène qui doit évoluer dynamiquement.

Pour cela, il faut disposer d’une structure adéquate et évolutive pour saisir et exploiter les informations. L’erreur dans de nombreux cas est de collecter d’abord les informations avec des formats hétérogènes et ensuite de se poser la question de la consolidation. C’est souvent trop tard pour les exploiter efficacement: manque d’informations cruciales, informations inutiles, données « mortes » sous format texte…

Trois dimensions pour structurer le Big Data des sites industriels

Valoriser l’information du site industriel nécessite une granularité de plus en plus importante de l’information et la mise en réseau des personnes, des processus, des données et des objets.

Ce réseau de liens se rapproche d’une collaboration 4.0 qui prend en compte chaque dimension de l’information et les interconnecte.

#1 Dimension de composition

La dimension de composition permet de définir les composants de chaque élément, quel que soit son niveau dans l’arborescence. Elle permet en particulier d’analyser les impacts des modifications, de les répercuter, de définir les cas d’emploi d’un élément et ses applicabilités.

#2 Dimension des métiers

La dimension métier permet pour chaque élément de disposer des différentes vues métiers et des informations correspondantes. Elle assure que chaque service de l’entreprise travaille au travers de son environnement métier sur des informations partagées et mises à jour en permanence.

#3 Dimension temporelle

La dimension temporelle permet de stocker et d’archiver les informations de chaque instance pour permettre de revenir à un état antérieur ou de comparer l’évolution entre deux dates. Elle garantit la traçabilité et l’archivage des données ainsi que leur capitalisation entre les projets.

La gestion de l’information du site industriel doit se fonder sur l’interconnexion de ces 3 dimensions pour structurer le Big Data et l’exploiter efficacement. Ce n’est possible que si les informations sont consolidées au sein d’un outil transversal, capable de consolider toute l’information du site.

Outil au carrefour des métiers, la technologie de PLM (Plant Lifecycle Management) permet de gérer à la fois des cycles projets complets mais aussi les interactions complexes et des vues hétérogènes d’un même ensemble de données.