L’intelligence numérique de votre entreprise est-elle bloquée et improductive ? Un solide “échafaudage” d’informations et de données permet de débloquer efficacement le flux de données et de connaissances dans toute l’entreprise.
Les entreprises investissent dans des projets de numérisation pour atteindre des objectifs majeurs à long terme, énumérés dans le tableau 1.1 La transformation numérique permet essentiellement d’ouvrir le flux de données (sous différents formats) et de connecter des sources multiples à des utilisateurs distants et sur site. Grâce à des architectures et des plateformes avancées, les processus de transfert de données et d’informations sont plus rapides. Par conséquent, les données relatives aux opérations et au marché sont des actifs commerciaux et ont de la valeur. L’accès plus rapide à l’information est la finalité. De nombreuses entreprises doivent répondre : L’échafaudage optimal (plateforme) est-il en place pour soutenir le flux de données et la disponibilité des informations (IA) dans toute l’entreprise ?
Toutes les données ne sont pas égales
Les industries de transformation et de fabrication ont accumulé des volumes de données mais ont eu du mal à les convertir en informations utilisables. Les projets de numérisation visent à améliorer l’analyse et à fournir des capacités prédictives. Ces efforts impliquent l’utilisation de jumeaux numériques, de l’IA, de l’apprentissage automatique (ML) et de la maintenance prédictive (PdM). Ces méthodes nécessitent de grandes quantités de ressources de données de qualité.
Tableau 1. Objectifs d’investissement pour les projets numériques1
| Sécurité | Zéro accident |
| Durabilité | Zéro événement ou communiqué significatif |
| Disponibilité/fiabilité | Zéro temps d’arrêt/interruption des opérations |
| Finances | Aucune perte de bénéfices |
Tableau 2. Principales préoccupations concernant les données
- Absence ou insuffisance de données
- Accès inexistant ou limité aux bases de données
- Données corrompues
- Données manquantes ou incomplètes
- Format et balises incorrects (manquants) entre les sources de données
- Questions de sécurité
Le retour sur investissement des programmes numériques est souvent mesuré en fonction de la fiabilité accrue des opérations et de l’amélioration des performances en matière de sécurité et d’environnement (tableau 1). Le succès dépend de la disponibilité et de la quantité de données valides et du flux d’informations dans l’ensemble de l’organisation. Toutes les données ne sont pas égales. Le tableau 2 résume de nombreuses préoccupations concernant les données sur les usines et les équipements. En particulier pour les outils avancés (IA et ML), ces problèmes peuvent faire dérailler même les meilleurs algorithmes.
Où sont les sources de données ?
Les mesures (données horodatées) sont collectées depuis de nombreuses années. La figure 1 illustre une prise de décision courante pour les installations de traitement. Comme le montre la figure 2, les données relatives à la production, à l’exploitation et aux équipements circulent souvent en boucle fermée, ce qui crée des silos de bases de données et d’informations. Pour atteindre les objectifs du tableau 1, les données requises peuvent se trouver dans de nombreuses sources (historiens) qui ne sont souvent pas connectées.
Les projets numériques ont besoin d’IA pour effectuer des analyses de plus haut niveau (IA, ML, PdM et big-data).2 Les plateformes ou architectures de données sont des échafaudages. Elles permettent de collecter, de stocker, d’analyser et de partager des données et des informations avec des utilisateurs identifiés (locaux et distants). Ce cadrage permet d’accélérer les services de partage d’informations dans de nombreuses directions – verticales et horizontales. Comme l’illustre la figure 3, les capacités en matière de données et d’informations passent de systèmes en boucle fermée à des systèmes en boucle assistée. Désormais, les données peuvent être acquises de n’importe où.3
Données au niveau d’utilisation le plus bas
Des dispositifs physiques, tels que des capteurs, des actionneurs de vannes, des démarreurs de moteurs et autres, seront disponibles pour surveiller et automatiser les équipements et machines de traitement.4 La transformation numérique relie les fournisseurs de données aux fonctions de supervision et d’analyse. Cette relation est en constante évolution avec de nouveaux développements, notamment les systèmes intelligents. edge computing. Les dispositifs avancés edge ont des capacités d’analyse du même niveau que les PC.4 Grâce aux capacités de pré-analyse, les actions critiques peuvent être lancées au niveau du dispositif, sans qu’il soit nécessaire d’agir sur data center .
Données utilisées comme capital
La gestion des données en tant qu’actifs commerciaux nécessite d’évaluer la manière dont les données et les informations sont collectées et partagées. D’après le tableau 2, toute lacune dans la gestion des données érode la confiance dans l’utilisation de ces informations pour les décisions critiques, telles que le changement de produit, les temps d’arrêt planifiés, le remplacement des équipements et les changements de traitement. Lors de l’élaboration de projets numériques, la sélection des données et des plateformes est une décision cruciale. Les entreprises du secteur de l’énergie ont investi dans des systèmes d’automatisation/de contrôle depuis les années 1990. L’intégration et la mise à jour des systèmes existants sont essentielles dans la conception de l’IA pour les projets d’analyse et d’optimisation.
Les projets de données sont complexes ! Parmi les autres problèmes associés aux données, citons:5
- Suffisance des données – Quelle quantité de données est nécessaire pour les projets d’analyse ?
- Confiance dans les données – L’étalonnage et le biais des compteurs et des instruments peuvent influencer la précision et la fiabilité des données mesurées. Par conséquent, un mauvais entretien des appareils générant des données introduit des erreurs.
- Propagation des données – Combien de temps s’écoule-t-il entre les changements de processus ou d’équipement avant qu’ils ne soient enregistrés ? Quels sont les écarts entre les événements déclencheurs et les conditions de défaillance ?
- Gouvernance des données – La question de la propriété des données doit être abordée. Les données automatisées peuvent-elles être écrasées ou modifiées ? Les sources de données sont-elles protégées contre les attaques externes ?
Les relations concernant la manière dont les données sont stockées, partagées et utilisées continuent d’évoluer. Les entreprises d’exploitation et de fabrication sont passées d’une position réactive à une position proactive. Les données sont une monnaie de connaissance qui doit être investie et utilisée. L’IA fournit aux organisations les connaissances, le contenu et l’échafaudage des données. Il est tout aussi important que l’IA soutienne l’IA et l’analyse des big data dans l’ensemble de l’organisation (figure 3).3 Les algorithmes de l’IA n’ont peut-être pas besoin d’IA, mais l’application des résultats en a besoin.2
Littérature citée
1White, Douglas, ” Digital transformation in refining and petrochemical plant operations : Looking back, look forward”, AFPM 2020 Summit, Summit 20-63, 27 août 2020, emerson.com.
2Earley, Seth, ” Streamlining information flows in the digital workplace : The role of artificial and knowledge engineering”, Digital Workforce Experience, 14 octobre 2020, https://www.earley.com/.
3 Perino, Joe, “Edge computing dans le nouvel écosystème”, août 2020, https://resource.stratus.com/whitepaper/edge-computing-in-the-new-ot-ecosystem/.
4Eastburn, Josh, “Building Industrial IoT from edge to cloud,” Automation 2020, vol. 4, https://www.automation.com/getmedia/8c645082-44f0-47b6-81db-c7b6f60ac1a4/automation2020_aug_cloud_engineering.pdf.
5KBC, “Manifeste sur la numérisation”, https://www.kbc.global/uploads/files/whitepapers/KBC%20Digitalization%20Manifesto_US.pdf.
