1. état de préparation des infrastructures
Les appareils et les systèmes sont-ils connectés à un réseau fiable et résilient pour la collecte et le partage des données ?
Si la question ne vous a pas encore été posée, elle ne saurait tarder.’ Les dirigeants des secteurs de la fabrication de pointe, tels que les biens de consommation et l'automobile, veulent savoir : “Quel est notre plan en matière d'IA ?’” Et ils ne demandent pas des prévisions sectorielles génériques, ils veulent des informations spécifiques à votre organisation ou à votre usine.’ …
Pour les équipes sur le terrain, entendre cette question peut engendrer un sentiment de pression, de confusion et une course effrénée pour trouver des réponses qui rassurent la direction tout en reflétant les réalités de la production.
Il existe un décalage entre ce que veulent les dirigeants et ce que les opérations peuvent réellement fournir aujourd'hui.’ Les fabricants savent qu'ils devront tôt ou tard progresser dans le domaine de l'IA (et d'une manière ou d'une autre), mais cette dynamique est freinée par l'incertitude. Il est difficile de parler de solutions avancées lorsque les fondamentaux font encore défaut.’ De nombreux processus de fabrication avancés (ceux qui nécessitent des niveaux élevés de précision et de performance) manquent encore de la base numérique, des capacités de collecte de données automatisées et de l'infrastructure intégrée nécessaires pour soutenir et développer l'IA.
Pour vous aider à répondre avec assurance lorsque la question de l'IA atterrit sur votre bureau, voici un cadre pratique que vous pouvez utiliser pour mettre en œuvre l'IA dans les secteurs de fabrication avancés qui apportent l'innovation au monde.’ Cette feuille de route peut également vous aider à expliquer aux dirigeants où vous en êtes dans ce parcours (et ce qui est nécessaire pour faire progresser votre usine).’
Étape 1 : Évaluez l'état actuel de votre plante
Les dirigeants supposent souvent que leur entreprise est prête pour l'IA et les données et analyses fondamentales sur lesquelles elle repose. La réalité, cependant, est que vous ne pouvez pas construire de l'intelligence à partir d'entrées d'opérateurs variées et d'équipements cloisonnés.’
Pour réussir en matière d'IA, il faut d'abord comprendre son point de départ et sa signification. C’est la seule façon de construire une feuille de route réaliste et réalisable.’ (Il est difficile d'atteindre sa destination si l'on ne sait pas où l'on se trouve !)’’
Cette évaluation exige une appréciation honnête dans trois domaines :
2. Préparation des données
Les informations sont-elles complètes, à jour, cohérentes et correctes afin de pouvoir être utilisées pour alimenter les modèles d'IA ?
3. Identification des objectifs
Quels sont les objectifs de votre organisation en matière d'IA, et quels défis ou opportunités souhaite-t-elle cibler ?
Après avoir effectué ces évaluations, vous devriez être en mesure de déterminer si le réseau OT de votre usine ’ Peut transmettre de manière fiable les données appropriées pour l'IA et si vos données peuvent permettre une analyse significative. …
état de préparation des infrastructures
La fiabilité des performances de l'IA dépend de la capacité des capteurs, des automates programmables et autres dispositifs à transmettre des informations pour analyse et action. Ces systèmes doivent communiquer de manière transparente entre l'atelier de production et la couche applicative, sans intervention manuelle.
Les lignes de traitement et d'emballage, les stations d'inspection de la qualité, les capteurs, les utilités et les diverses bases de données d'une installation connectée envoient en temps réel les informations de production et de performance à un emplacement central afin qu'il puisse prendre en charge l'analyse des données. ’ Une hausse soudaine de température, une interruption de cycle ou un changement d'état de la machine peuvent être automatiquement enregistrés, horodatés et associés à la machine et à l'exécution appropriées.
Mais la précision en pâtit lorsque les travailleurs doivent saisir manuellement ces informations dans un système à la fin de leur quart de travail. Par exemple, le fait de compter sur des opérateurs pour saisir les données de sortie des machines dans des feuilles de calcul ne peut pas garantir l'exactitude ou l'actualité des données.’ Si l'IA utilisait ces données pour prévoir la qualité des produits, anticiper les besoins de maintenance ou optimiser la production par lots, les résultats seraient peu fiables.
Si vous dépendez de la saisie manuelle parce que vos systèmes ne sont pas connectés à un réseau fiable pour capturer et transmettre automatiquement les données, alors vous n'êtes pas encore tout à fait prêt pour l'IA.
Pour obtenir une image réaliste de la situation actuelle, il convient d'évaluer chaque système de l'atelier. Identifiez les lignes, machines et systèmes de contrôle connectés à un réseau (c’est-à-dire capables d’envoyer et de recevoir des données automatiquement) et ceux qui nécessitent une intervention humaine.
Identifiez les lacunes existantes. Par exemple, vos nouvelles lignes d'emballage sont peut-être connectées directement à un automate programmable, mais vos anciennes cuves de mélange sont isolées et nécessitent des feuilles de suivi manuelles et des rapports de fin de poste. Dans ce scénario, vous pouvez optimiser le débit et repérer rapidement les problèmes sur les lignes automatisées, mais vous devez attendre les rapports manuels avant de pouvoir déterminer s'il y a un problème avec un mélange par lots.’ Il en résulte des angles morts qui perturbent les opérations et retardent les réponses.
Préparation des données
L'IA fonctionne grâce aux données. L'information est le fondement de toute analyse et de toute prédiction. Votre évaluation d'infrastructure détermine l'efficacité avec laquelle votre réseau peut connecter et intégrer chaque ressource afin de garantir une collecte de données automatisée et en temps réel.
Les données prêtes pour l'IA doivent être complètes, à jour, cohérentes, centralisées et accessibles.
Lorsque la qualité des données est insuffisante, vos efforts en matière d'IA sont menacés. Si l'IA est alimentée par des données inexactes ou incomplètes, elle peut’ Ils ne peuvent pas fournir de recommandations fiables, aussi perfectionnés que soient les algorithmes. Des informations manquantes, des formats incompatibles ou des données fragmentées stockées sur des machines locales peuvent nuire à l'IA’ s résultats.
Analyse de données prête pour l'IA
Posez des questions comme :
- De combien de données historiques avons-nous besoin pour automatiser certains processus ou certaines tâches ?
- Nos archives comportent-elles des lacunes susceptibles d'introduire des angles morts ou des inexactitudes ?
- Existe-t-il des données stockées sur des contrôleurs locaux auxquelles personne d'autre ne peut accéder ?
- Quelles informations sont stockées dans nos systèmes centraux (MES, CMMS, historien, ERP, etc.) et quelle proportion de ces informations utilisons-nous aujourd'hui pour résoudre les problèmes par rapport à ce qui se passait auparavant ?’ s est nécessaire pour une vue unifiée des opérations de l'usine ?
Si les données de votre usine ne sont pas’ Si vous ne souhaitez pas un environnement propre, accessible et unifié, alors vous’ Nous ne sommes pas encore tout à fait prêts pour l'IA.
Pour obtenir une image réaliste de la situation actuelle, il convient d'évaluer chaque système de l'atelier. Identifiez les lignes, machines et systèmes de contrôle connectés à un réseau (c’est-à-dire capables d’envoyer et de recevoir des données automatiquement) et ceux qui nécessitent une intervention humaine.
Identifiez les lacunes existantes. Par exemple, vos nouvelles lignes d'emballage sont peut-être connectées directement à un automate programmable, mais vos anciennes cuves de mélange sont isolées et nécessitent des feuilles de suivi manuelles et des rapports de fin de poste. Dans ce scénario, vous pouvez optimiser le débit et repérer rapidement les problèmes sur les lignes automatisées, mais vous devez attendre les rapports manuels avant de pouvoir déterminer s'il y a un problème avec un mélange par lots.’ Il en résulte des angles morts qui perturbent les opérations et retardent les réponses.
Identification des objectifs
IA’ Son efficacité dépend de votre capacité à définir clairement l'objectif du déploiement. Commencez par définir ce que votre organisation ou usine souhaite que l'IA accomplisse. Souhaitez-vous que cela réduise les temps d'arrêt ? Améliorer la qualité des produits ? Optimiser la consommation d'énergie ? Identifier les défis ou les opportunités à cibler vous aide à concentrer et à mesurer vos efforts.
Ces objectifs doivent être définis et communiqués aux équipes de direction et opérationnelles afin que les attentes soient alignées. Si les objectifs ne sont pas’ Sans définition précise et lien avec la valeur commerciale, même les systèmes d'IA bien intégrés auront du mal à produire des résultats.
Si tu’ Si vous n'êtes pas certain de ce que l'IA peut apporter à votre organisation, ni de la manière dont elle sera utilisée pour résoudre des problèmes ou vous connecter à de nouvelles opportunités, alors vous’ Nous ne sommes pas encore tout à fait prêts pour l'IA.
Étape 2 : Élaboration du contexte et intégration opérationnelle
Il doit y avoir un lien entre ce qui’ ce qui se passe sur la chaîne de production et vos objectifs à plus grande échelle, qu'il s'agisse d'améliorations de la qualité, de l'efficacité opérationnelle ou des coûts.
Une fois que votre réseau d'installations est prêt à collecter des informations, ces informations doivent être transformées en quelque chose de plus utile que de simples chiffres bruts. Cela implique d'ajouter du contexte.
Sans cela, vous’ Nous sommes bloqués à devoir rassembler des données pour créer des rapports ou des feuilles de calcul fragmentés afin de répondre à des questions de base et de résoudre les problèmes une fois qu'ils surviennent.
Si vos données manquent du contexte nécessaire pour relier les informations à des lignes, des opérateurs ou des lots spécifiques, et qu'elles peuvent’ t déclencher des actions sur le plancher de l'usine, alors vous’ Nous ne sommes pas encore tout à fait prêts pour l'IA.
Pour gérer cette conversion de données, certaines usines embauchent des data scientists ou des équipes complètes d'analyse de données pour donner un sens à tout cela. Mais ceci n'est pas’ une solution durable : Vous’ Nous consacrerons un temps et un argent précieux à nettoyer les informations afin que vous puissiez en tirer profit.
Chaque donnée doit raconter une histoire, qu'elle soit’ Ces informations concernent la référence produite, l'opérateur en charge de la ligne, le poste de travail concerné, les niveaux de débit de chaque lot, etc. Outre leur utilité pour l'analyse et le reporting, ces données permettent également une meilleure automatisation. Le contexte est ce qui transforme les données brutes en informations pouvant être utilisées pour déclencher automatiquement des contrôles, des alertes et des recommandations afin de répondre à des événements du monde réel.
Lorsque les données compatibles avec l'IA sont structurées à la source avec un étiquetage et une contextualisation appropriés, elles sont prêtes à fournir des informations exploitables sur les performances, la qualité et l'efficacité des lignes de production.
Étape 3 : Activer les analyses automatisées et les cas d’utilisation évolutifs
Une fois votre infrastructure solide et le contexte intégré à chaque donnée critique prête pour l'IA, la dernière étape consiste à étendre les analyses et l'automatisation mises en place dans les zones pilotes à davantage de gammes, de produits ou de processus afin d'obtenir des résultats encore plus importants.
À quoi cela ressemble-t-il en pratique ? Dans certains environnements, cela peut impliquer d'intégrer l'automatisation pilotée par l'IA dans les opérations quotidiennes afin de faciliter la configuration des machines. Les opérateurs n'ont qu'à se connecter et s'appuyer sur les recommandations du système pour optimiser tous les aspects, de la sélection des recettes aux paramètres de débit. Au lieu de s'appuyer sur l'essai-erreur ou l'intuition, les recommandations de l'IA sont tirées d'années de données historiques et d'analyses robustes.’
Cette étape est également le moment de transmettre les informations recueillies aux systèmes de contrôle de l'atelier afin de mettre à jour les procédures opérationnelles standard et d'optimiser chaque processus en vue d'une amélioration continue. Vous pouvez ainsi utiliser l'intelligence que vous avez développée pour rendre chaque cycle de production plus rentable, efficace et constant, sans avoir à réinventer la roue à chaque fois.
Si vous ne pouvez pas étendre l'analyse et l'automatisation au-delà des projets pilotes parce que vos données sont fragmentées, que vos systèmes ne sont pas entièrement intégrés ou que vos processus ne sont pas standardisés, alors vous n'êtes pas encore tout à fait prêt pour l'IA.’’’’
Belden contribue à combler le fossé entre les données et l'action
Belden peut vous aider à mettre en œuvre ce cadre pour évaluer votre situation actuelle, intégrer et contextualiser les données de votre usine et déployer l'automatisation et les informations basées sur l'IA à l'échelle de votre exploitation. Nous pouvons également vous aider à concevoir et à mettre en œuvre l'infrastructure OT adaptée pour automatiser la collecte de données et obtenir une visibilité en temps réel.
Nous commençons par vous guider à travers des évaluations qui identifient les lacunes numériques et opérationnelles, suivies de la définition de plans étape par étape pour moderniser votre infrastructure réseau et unifier les données de votre usine.
Nous vous montrerons comment unifier les lignes de production et les actifs grâce à un réseau unifié et une infrastructure d'automatisation prenant en charge la contextualisation des données et l'IA. Nos solutions de connexion complètes permettent une visibilité des actifs en temps réel et la capture de données, quel que soit le protocole ou l'âge de l'équipement.
Si votre organisation vous demande votre plan en matière d'IA et que vous ne savez pas comment répondre, contactez-moi. Notre équipe spécialisée en fabrication avancée peut vous aider à élaborer une stratégie d'IA alignée sur les objectifs, le budget et le calendrier de votre organisation.>
Apprenez-en davantage sur notre approche
Liens associés :
- Données d’usine de produits de grande consommation : votre arme secrète pour fidéliser vos clients
- Pourquoi la convergence IT-OT est essentielle pour la transformation des produits de grande consommation (PGC)
- Pourquoi vous devez connaître et réduire les coûts réels des temps d'arrêt de votre usine de biens de consommation courante
- Planifier la mise à niveau des équipements existants des produits de grande consommation : 4 questions à poser
Sam Kolczak
Responsable des ventes de solutions, fabrication intelligente
Sam Kolczak est responsable des ventes de solutions chez Belden et possède près de sept ans d'expérience dans l'accompagnement des fabricants pour moderniser leurs opérations et renforcer leurs fondements technologiques industriels.
Sam a aidé des clients à concevoir des architectures de réseaux OT, à mettre en œuvre des stratégies de collecte et d'intégration de données et à déployer des solutions de cybersécurité qui génèrent un impact commercial mesurable, permettant souvent aux organisations d'économiser des millions de dollars grâce à une disponibilité accrue, une réduction des pertes matérielles et une visibilité améliorée.