Le Big Data au service de l’IoT et de l’usine 4.0

 Par Cyrille Coqueret, directeur Technique de JEMS datafactory nous explique la vision du marché sur l’IoT et l’industrie 4.0.

En 2019, il y autant d’objets connectés que d’humains sur terre. En 2020, il y aura 10 fois plus d’objets connectés ! Les défis autour des données générées ne sont donc pas à sous-estimer. Pour être efficace, l’objet connecté en tant que tel ne suffit pas, il faut aussi que la chaine de traitement de la donnée soit complète et contienne :

  • L’objet qui récolte et transfert les informations
  • Le réseau qui transporte l’information
  • Et la plateforme qui agrège et consolide les données

Sans oublier la stratégie d’alimentation des données en temps réel et/ou en déconnecté.

Que représente pour vous l’exploitation des données IoT ?

La récupération et la bonne utilisation de ces données permettent aux entreprises non seulement d’améliorer la satisfaction client ou la connaissance client mais aussi de proposer de nouveaux services et de modifier leur business model afin de s’adapter à un monde en perpétuelle évolution.

La mise en place de système IoT, de l’objet connecté à la plateforme de consolidation, passe par :

  • La collecte de données en temps réel
  • Une plateforme de consolidation des données
  • Un système de reporting, de monitoring ou d’alerting

Quels sont les principaux secteurs d’activité concernés par l’IoT ?

Les secteurs d’activité concernés par l’IoT sont multiples, si bien que nous intervenons sur ces sujets dans différents secteurs d’activité :

  • La santé avec l’accès aux données des patients pour permettre des diagnostics temps réel
  • L’automobile avec l’exploitation des données des véhicules pour optimiser les interventions de maintenance ou pour le véhicule autonome
  • L’agriculture pour la récupération des données des capteurs de sol, des images satellites et des données météo
  • Le retail, pour l’exploitation des données clients et améliorer la connaissance client
  • La finance afin d’utiliser les données IoT pour lutter contre la fraude
  • Le Facility Management pour le suivi de consommation énergétique et l’optimisation des charges de maintenance
  • Et l’industrie bien-sûr avec la récupération des données des lignes de production pour la maintenance prédictive mais aussi la récupération des données des Smart product

De manière concrète, comment se concrétise l’IoT chez les industriels ?

Chez nos clients, l’industrie 4.0 se caractérise par :

  • La digitalisation de l’industrie : machines de raccordement, systèmes de stockage et équipements (CPS – systèmes Cyber-physiques)
  • Une intégration verticale (départements et/ou services de l’entreprise) et horizontale (partenaires)
  • Les machines intelligentes avec échange d’informations indépendant
  • La Smart Factory : des produits clairement identifiables et localisés
  • Le contrôle et l’optimisation en temps réel

Quels sont les principaux changements liés à l’industrie 4.0 ?

Les principaux inducteurs du changement sont :

  • Diminution du coût des capteurs,
  • Réseaux très bas débit peu consommateurs d’énergie,
  • Infrastructures Cloud,
  • Architectures distribuées,
  • Avènement des Datasciences

Quels ROIs peut-on attendre de l’industrie 4.0 ?

Dès maintenant, les industriels s’engagent dans une démarche d’excellence opérationnelle afin de garantir la qualité des Produits et la compétitivité du Système Industriel avec comme enjeux :

  • Fiabilisation de la fabrication via la Maintenance prédictive des machines
  • Amélioration des processus de fabrication
  • Contrôle de la production
  • Réduction de la consommation énergétique
  • Traçabilité du produit sur la chaîne de fabrication

L’évolution des méthodes et des principes de maintenance est un attendu important de l’industrie 4.0 où l’ambition principale est de passer d’une maintenance à réaction à une maintenance d’anticipation.

Quels sont les principaux enjeux de la maintenance prédictive ?

Les enjeux d’une maintenance d’anticipation :

  • Anticiper et planifier les remplacements de pièces ou leur maintenance afin d’éviter les pannes sans pour autant les remplacer trop tôt :
    • Optimisation des coûts -> Coûts de stockage des pièces de rechange
    • Maximisation de la disponibilité des machines
    • Respect des délais de production
    • Amélioration de la qualité produite
  • Mettre en place des analyses prédictives sans connaitre a priori les lois de vieillissement des équipements :
  • Méthodes d’apprentissage de type Machine Learning

 

 

 

 

 

 

Leave a Reply