Les utilisateurs s'attendent à ce que les IHM modernes, telles que SmartView d'ADISRA, fournissent des données et une visualisation partout où elles sont nécessaires sur une variété d'appareils.

Développer une stratégie de données | Conception de la machine

En un coup d’oeil

  • La visualisation devient critique pour l’analyse et la prise de décision basée sur les données.
  • Il n’y a aucune raison de collecter des données qui n’amélioreront pas les décisions ou les opérations.
  • Des données correctement affichées permettent aux utilisateurs de comprendre plus clairement les problèmes et constituent un moyen extrêmement utile de les résoudre.

Certains gestionnaires et concepteurs pensent à tort que plus de données est toujours préférable pour résoudre des problèmes. Mais cela n’est vrai que si les données peuvent être facilement comprises et exploitées.

Dans le secteur industriel, des technologies constamment améliorées, y compris des capteurs plus intelligents et des capacités de calcul accrues, ont rendu plus facile et plus pratique que jamais la collecte de rames de données (c.-à-d. «Big data»). La visualisation est également devenue une composante importante de l’analyse et de la prise de décision basée sur les données. Mais avec autant de nouvelles options, il est naturel de se demander comment les entreprises industrielles peuvent gérer au mieux la vaste quantité de données disponibles à partir des capteurs, des machines et des processus, et transformer ces données en informations exploitables. En d’autres termes, quelle devrait être leur stratégie statistique?

Stratégies de données

Les stratégies de données pour améliorer une entreprise industrielle se divisent en deux catégories: utiliser les données pour améliorer le processus décisionnel ou les utiliser pour améliorer les opérations. Définir et comprendre le problème à résoudre et les questions sans réponse associées détermine les données à collecter. Bien qu’il n’y ait aucun sens à collecter des données qui n’amélioreront pas les décisions ou les opérations, les informations proviennent parfois de sources de données inattendues, il est donc conseillé de créer un réseau de collecte de données plus large que prévu initialement.

Une fois que les questions auxquelles il faut répondre sont clairement comprises, il est préférable de se concentrer uniquement sur les données nécessaires.

Source d’information

Les données industrielles proviennent de plusieurs types de sources:

Données d’automatisation Edge. Les contrôleurs logiques programmables (API), les contrôleurs intégrés et les données de capteur associées fournissent des données brutes sur l’état de la machine.

Données du système de contrôle industriel. Les systèmes de contrôle de supervision et d’acquisition de données (SCADA) ou les historiens peuvent avoir des années d’enregistrements sur les machines.

Données d’application métier. Les systèmes d’exécution de fabrication (MES) de niveau supérieur et le système de planification des ressources d’entreprise (ERP) et de gestion des actifs d’entreprise (EAM) peuvent contenir des données couvrant les opérations de l’entreprise, y compris des informations non opérationnelles étendues telles que si un actif est sous garantie ou non.

Appareils portables et données d’appareils mobiles basés sur l’utilisateur. Ces appareils peuvent fournir des données en temps réel telles que des photos, des vidéos et du son de machines pour des diagnostics à distance.

Données autonomes. Les drones peuvent fournir une vidéo aérienne des défauts des actifs, tandis que des capteurs de suivi et de traçabilité surveillent l’emplacement des actifs.

Données ouvertes ou Web. Les informations disponibles en externe, telles que les données météorologiques et cartographiques, peuvent identifier l’emplacement des actifs et les conditions environnementales et autres affectant les performances de la machine.

Lors de l’élaboration d’une stratégie de données, les utilisateurs identifient généralement les données «idéales» dont ils ont besoin pour répondre à leurs questions. Il peut être possible d’obtenir directement ces données idéales, ou si cela n’est pas possible, de s’en sortir avec des données pertinentes qui peuvent être manipulées et interprétées pour fournir les informations nécessaires.

Avec les bonnes données disponibles, les prochaines étapes de l’analyse peuvent commencer à répondre: Que s’est-il passé (descriptif)? Pourquoi est-ce arrivé (diagnostic)? Et que se passera-t-il ensuite (prédictif)?

La visualisation est un moyen extrêmement utile de répondre à ces questions.

Visualisation descriptive

La visualisation descriptive prend des données brutes et les organise dans une taxonomie – la classification des données dans une structure et un contexte qui aident les utilisateurs à résoudre un problème spécifique en comprenant plus clairement les problèmes. La visualisation descriptive est une étape importante dans l’extraction d’informations à partir de données.

Une fois les données collectées, les utilisateurs doivent développer un storyboard qui définit le flux de données, puis créer une interface utilisateur intuitive associée qui est facilement compréhensible et exploitable pour les opérateurs. Une simple visualisation ne suffit pas; il doit également informer les utilisateurs des actions à entreprendre. Cela signifie que les écrans IHM doivent être conçus pour transformer les données en informations immédiates, affichant des informations qui aideront les opérateurs à atteindre leurs buts et objectifs en un coup d’œil.

La visualisation descriptive fournie par les IHM et les systèmes SCADA est souvent associée à des indicateurs de performance clés (KPI), à des tableaux de bord de l’efficacité globale de l’équipement (OEE) et à des rapports. La visualisation convaincante associe le sens et les informations derrière les données à des interfaces intuitives s’adaptant à des utilisateurs spécifiques et aidant à la prise de décision.

Les progrès technologiques ont élargi les options de visualisation des données en permettant à plusieurs plates-formes et objets de visualiser les données. Les IHM traditionnelles sont des dispositifs dédiés montés sur panneau sur le terrain ou sur PC dans une salle de contrôle. Les IHM modernes peuvent être livrées n’importe où via des navigateurs Web, des appareils mobiles et des appareils portables, offrant de nouvelles possibilités de visualisation des données, variées selon l’utilisateur et l’appareil.

Les utilisateurs s’attendent à ce que les IHM modernes, telles que SmartView d’ADISRA, fournissent des données et une visualisation partout où elles sont nécessaires sur une variété d’appareils.

La façon dont les données sont visualisées est une autre affaire. Certains utilisateurs souhaitent un simple affichage tabulaire des indicateurs de performance clés, tandis que d’autres sont mieux servis avec un graphique de tendance historique des valeurs. D’autres graphiques avancés tels que des camemberts et des graphiques d’araignée peuvent mieux répondre aux besoins.

La visualisation des données s’est étendue pour inclure des interfaces multi-sensorielles et multi-points de contact, et dans les implémentations les plus modernes, il est désormais possible d’utiliser la réalité virtuelle et augmentée où les informations sont disponibles dans le champ de vision de l’opérateur via des appareils portables tels que des montres, des casques et des lunettes.

Avec la question « Que s’est-il passé? » répondu, la prochaine étape consiste à déterminer «pourquoi cela s’est produit».

Visualisation diagnostique

La visualisation diagnostique fonctionne avec des données provenant de diverses sources, y compris des données historiques et en temps réel, pour construire une compréhension de cause à effet, ce qui permet d’apprendre des comportements passés.

Pour ce faire, l’analyse des données doit détecter les événements anormaux, les changements ou les changements dans les ensembles de données. La détection d’anomalies identifie des données ou des événements qui ne sont pas conformes à un modèle attendu dans l’ensemble de données. Ces anomalies peuvent être associées au fonctionnement de l’équipement ou à des conditions de niveau supérieur. Sur une machine, si un moteur subit une consommation électrique supérieure à la normale, peut-être que l’entraînement ou les roulements sont défaillants. Pour les contrôles, plusieurs tentatives de connexion infructueuses à l’IHM pourraient indiquer une activité de cybersécurité nuisible.

Les systèmes analytiques établissent des lignes de base et des modèles dans les données, ce qui permet d’identifier les écarts et de corréler si une relation causale est derrière les anomalies. Les outils de modélisation tels que l’analyse de régression, la théorie des probabilités et l’analyse des séries chronologiques font partie des méthodes utilisées pour ce type d’analyse. Les tableaux de bord de visualisation de diagnostic comprennent des rapports et des graphiques standard tels que les séries chronologiques, la détection des pannes et les données d’analyse des causes.

L’objectif est de trouver la cause première de toute anomalie en traçant la chaîne d’événements occasionnels pour un problème, tel qu’un temps d’arrêt imprévu. De cette manière, des variables indépendantes menant à des problèmes peuvent être découvertes et traitées de manière procédurale pour résoudre les problèmes.

Grâce à la visualisation de diagnostic, il est possible d’explorer la cause profonde exacte du problème sans avoir à déterminer s’il existe une corrélation. Le défi est pour les tableaux de bord de présenter avec précision toutes les informations pertinentes afin qu’elles puissent être facilement comprises. Bien que les tableaux de bord soient la méthode d’accès aux données, la visualisation de diagnostic est l’outil pour comprendre les causes et les effets.

La visualisation de diagnostic, qui peut être créée avec InsightView d'ADISRA, est utilisée pour découvrir les écarts par rapport au fonctionnement de base et aider les utilisateurs à explorer les causes profondes d'un problème.La visualisation de diagnostic, qui peut être créée avec InsightView d’ADISRA, est utilisée pour découvrir les écarts par rapport au fonctionnement de base et aider les utilisateurs à explorer les causes profondes d’un problème.

Une fois « pourquoi est-ce arrivé? » est compris, les utilisateurs voudront explorer « ce qui va se passer ensuite? » pour connaître les meilleures actions à entreprendre.

Visualisation prédictive

La visualisation prédictive s’appuie sur les deux étapes précédentes, en utilisant des données provenant à la fois de sources en temps réel et historiques pour fournir un aperçu de ce qui pourrait se passer dans le futur. L’analyse prédictive aide à déterminer la meilleure action suivante à entreprendre pour éviter un dysfonctionnement de l’équipement ou un autre problème, conduisant éventuellement à de meilleures opérations.

Des modèles de calcul doivent être développés pour décrire l’équipement et les processus d’exploitation. L’analyse prédictive nécessite l’accès à plusieurs sources de données et à de nombreuses données pour entraîner ces modèles. À titre d’exemple, pour un modèle prédisant une panne de machine, l’algorithme doit être formé sur des données historiques contenant des résultats qui ont été identifiés ou étiquetés en relation avec une panne de machine. Pour que le modèle prédise les pannes de la machine, une bonne règle de base consiste à lui enseigner 10 fois plus d’exemples que le nombre de variables de données qui affectent la panne. Si 10 variables de données sont impliquées, cela nécessite au moins 100 exemples de pannes identifiées.

Les modèles prédictifs doivent être constamment améliorés pour plus de précision. Si un modèle manque un certain type de défaillance, la cause première de cette défaillance doit être réinjectée dans le modèle pour le recycler pour cette situation. De plus, si les données et les contextes commerciaux changent, les modèles devront peut-être être recalibrés pour compenser ces changements.

Les données idéales sont transformées en connaissances utiles lorsque la visualisation prédictive utilise des analyses prédictives et des tableaux de bord. Ces tableaux de bord doivent être clairs, concis et complets. Les tableaux de bord faciles à comprendre fournissent des informations significatives sur les modèles prédictifs, même complexes, avec plusieurs sources de données, car ils présentent les informations comme une source unique et cohérente.

Les tableaux de bord de données prédictives, tels que cette vue créée avec KnowledgeView d'ADISRA, combinent les résultats des modèles prédictifs et fournissent des prévisions du moment où une pièce, une machine ou un processus peut échouer afin que les utilisateurs puissent agir en temps opportun.Les tableaux de bord de données prédictives, tels que cette vue créée avec KnowledgeView d’ADISRA, combinent les résultats des modèles prédictifs et fournissent des prévisions du moment où une pièce, une machine ou un processus peut échouer afin que les utilisateurs puissent agir en temps opportun.

La visualisation prédictive fait passer le processus de prise de décision d’une vue limitée des données compartimentées à des prévisions entièrement coordonnées pour les actions futures. La visualisation prédictive traduit des modèles prédictifs complexes en une interprétation simple des résultats analytiques.

La visualisation descriptive, diagnostique et prédictive offre un moyen efficace de combiner et d’interpréter de grandes quantités de sources de données complexes et disparates afin que les utilisateurs puissent obtenir des informations opérationnelles. La bonne présentation des données permet une meilleure prise de décision basée sur les données et identifie les tendances avant qu’elles ne se produisent. La transformation numérique basée sur la présentation des données via la visualisation aide les utilisateurs à augmenter leurs revenus, à éliminer les temps d’arrêt, à réduire les coûts et à maintenir un bon service client. La visualisation est le meilleur outil pour résumer les données pour une prise de décision efficace.

Marcia Gadbois est la présidente et directrice générale d’ADISRA.

Articles similaires

Commencez à saisir votre recherche ci-dessus et pressez Entrée pour rechercher. ESC pour annuler.

Retour en haut