Transformer vos données de fabrication en informations exploitables

Avez-vous déjà eu trop de données ?

L'atelier de fabrication génère constamment des données. Qu'il s'agisse des temps de production, des informations sur la qualité, des ordres de travail ou des opérations, chaque atelier de fabrication génère des tonnes de données à chaque minute.

Et c'est une bonne chose.

Pour la plupart des fabricants, plus il y a de données, plus il est possible d'en tirer des informations utiles.

Cependant, avec une telle quantité de données provenant de sources multiples, les entreprises peuvent s'enliser dans le tri de toutes ces données, ce qui ne fait qu'accroître les questions et l'indécision.

Mais le problème n'est pas d'avoir trop de données de fabrication. Non, c'est que les entreprises n'utilisent pas systématiquement des méthodes efficaces pour visualiser et transformer leurs données en quelque chose de précieux.

Comment transformer les données de fabrication en informations exploitables ?

Le syndrome DRIP : Les dangers des données non gérées

Vous pouvez avoir toutes les données du monde, mais s'il ne s'agit que d'une série de chiffres sur une feuille Excel, vous serez probablement incapable de les transformer rapidement et efficacement. Les entreprises sont alors confrontées au syndrome DRIP (Data Rich, Information Poor) : elles disposent des données nécessaires pour prendre des décisions intelligentes et éclairées, mais sont incapables de les transformer en informations et en connaissances réelles. Dans ce cas, les données ne peuvent pas être utilisées à leur plein potentiel.

Un autre facteur clé du syndrome DRIP est la séparation des ensembles de données entre les systèmes, les départements et les homologues opérationnels.

Supposons que vous disposiez d'un moyen de visualiser les données de chaque opération de l'atelier de fabrication, mais que ces données soient entièrement cloisonnées. Un système gère la qualité, un autre la production et, pour couronner le tout, les informations ne sont pas partagées entre les cellules de travail, ce qui rend incroyablement difficile la validation croisée et la vérification. Dans cette situation, vous perdez une vision précise des performances globales et une perspective granulaire de chaque travail.

Mais tout n'est pas noir. Il existe quelques méthodes intelligentes pour optimiser la façon dont vous transformez vos données en informations exploitables.

Les 4 phases de la transformation des données de fabrication en informations, connaissances et sagesse

Les données ont une valeur exponentielle lorsqu'elles sont traitées et transformées. En réalité, les données non traitées ne sont qu'une chaîne de nombres aléatoires et n'ont de valeur qu'en fonction de leurs propriétés de transformation. La connaissance et la sagesse se cachent derrière chaque chiffre, et il incombe à chaque fabricant d'extraire et de transformer les informations dont il a besoin.

La pyramide Données-Information-Connaissance-Sagesse (DIKW) illustre la manière dont les données brutes sont contextualisées et transformées en informations puissantes et précieuses.

Explorons chaque phase de la pyramide et voyons comment fonctionne la transformation des données de fabrication.

Phase 1 : Données

Les données brutes de fabrication se composent de chiffres discrets sous forme de nombres, de caractères et de valeurs qui se rapportent à des événements, des actions et des historiques de l'opération de fabrication. Rappelez-vous que chaque action dans l'atelier génère des données utiles. Il vous faut simplement un moyen de les collecter et de les extraire à partir de sources fiables.

Mais quelles sont les sources fiables de données de fabrication ?

Pour s'assurer de disposer de données fiables, il faut adopter une approche globale. Comme nous l'avons vu plus haut avec le syndrome DRIP, les données que vous recueillez doivent faire l'objet de plusieurs niveaux de validation et de vérification intégrés au processus, ce qui permet d'atteindre des niveaux élevés d'intégrité des données.

Les logiciels d'instructions de travail offrent aux fabricants plusieurs méthodes intelligentes pour collecter des données précises de manière fiable.

1. Outils intelligents et logiciels d'instructions de travail

Par exemple, en couplant un logiciel d'instructions de travail avec un outil dynamométrique intelligent, les entreprises peuvent créer un processus à l'épreuve des erreurs qui recueille et vérifie automatiquement les données de chaque boulon serré. Grâce à notre plateforme IoT ToolConnect, chaque fois qu'un boulon est serré, les paramètres et réglages appropriés sont automatiquement transmis à l'outil, tandis que celui-ci enregistre et stocke la force appliquée. Dans le même temps, le système vérifie ces chiffres avec les spécifications de l'assemblage.

Pour renforcer encore l'intégrité des données, notre logiciel d'instructions de travail bloque l'utilisation de l'outil si l'utilisateur ne se trouve pas sur l'étape nécessitant l'utilisation de l'outil intelligent. Cette pratique garantit que toutes les données sont saisies au bon moment.

2. Intégration et communication des systèmes/machines/bases de données

De même, les entreprises peuvent également améliorer l'intégrité des données en connectant leurs différents systèmes par le biais d'API (Application Programming Interface). En permettant la communication entre des systèmes tels que les ERP, les instructions de travail numériques, les logiciels de BI et un MES, les entreprises peuvent centraliser leurs ordres de travail, leurs données de production, leurs numéros de qualité et les détails relatifs à la main-d'œuvre. En substance, chaque système valide les chiffres de l'autre, garantissant que tous les chiffres sont exacts et correspondent à l'opération réelle.

De même, les capteurs et appareils IoT peuvent être intégrés dans le cadre connecté, tissant un fil numérique complexe mais robuste dans l'ensemble de l'environnement de fabrication. En partageant et en recueillant des données provenant de sources multiples, les entreprises peuvent procéder à une validation croisée de leurs données de fabrication, ce qui garantit des relevés exacts dans presque tous les cas.

3. Entrée de l'utilisateur et formulaires intelligents

Si les outils, machines et systèmes automatisés fournissent des ensembles de données incroyablement précis, les fabricants doivent veiller à ne pas oublier les travailleurs humains dans l'atelier. Ces personnes créent de la valeur directement et peuvent fournir une grande quantité d'informations. Ils ont également de nombreuses occasions de saisir des données précieuses.

Toutefois, pour préserver l'intégrité des données, il est important d'obtenir ces données rapidement et efficacement. Qu'il s'agisse des commentaires des employés, des numéros de série ou d'autres informations, les données doivent être capturées en cours de processus.

L'intégration de formulaires numériques dans les instructions de travail numériques d'un opérateur permet aux travailleurs de capturer des données spécifiques au moment où elles doivent être capturées. Lorsque les données doivent être saisies, la plateforme d'instructions de travail présente un formulaire intelligent à l'utilisateur. Dans la plupart des cas, les instructions de travail ne seront pas exécutées tant que les informations n'auront pas été saisies. Les entreprises peuvent également mettre en place des contrôles qui empêchent l'opérateur de continuer si les données saisies sont incorrectes ou irréalistes.

De même, comme ce fut le cas pour Republic Manufacturing, les formulaires intelligents peuvent être utilisés pour créer des listes de contrôle numériques qui permettent aux équipes d'inspection de saisir davantage de données de qualité tout en accélérant le processus.

Phase 2 : Information

Données + Contexte & Organisation = Information

Vous disposez désormais de données de fabrication fiables. Mais comment les comprendre ? Pour l'instant, il ne s'agit que de chiffres. Au cours de cette phase, nous pouvons transformer les données de fabrication en informations facilement accessibles en recourant à deux pratiques clés :

• la contextualisation
• L'organisation

Cependant, la contextualisation et l'organisation des données peuvent s'avérer difficiles si l'on n'utilise pas les bonnes méthodes et les bons outils. Si le mauvais contexte est appliqué ou si les données ne sont pas organisées correctement, l'intégrité des données est compromise.

Heureusement, il est possible d'intégrer correctement le contexte et l'organisation grâce à la visualisation des données. En prenant les chiffres bruts et en les filtrant à travers une interface visuelle qui organise les données, nous pouvons rapidement transformer nos données collectées en informations faciles à lire et contextualisées.

Imaginons par exemple qu'il y ait plusieurs bons de travail ouverts dans l'atelier. Chaque bon de travail comporte un certain nombre d'opérations qui doivent être effectuées dans un ordre spécifique afin que l'opération suivante puisse commencer. Dans ce cas, les responsables et les superviseurs ont besoin d'un moyen rapide de contrôler ces informations dans leurs paramètres contextuels tout en s'assurant qu'elles sont faciles à rechercher et à utiliser par les utilisateurs finaux.

Un tableau de bord des indicateurs clés de performance (KPI) dans un logiciel de BI ou des cartes d'état des ordres de travail dans un système MES, comme le montre l'exemple ci-dessous, constituent un bon exemple de la manière dont on peut y parvenir :

Lorsque l'utilisateur ouvre le rapport sur l'ordre de travail, toutes les données relatives à la production et à la qualité sont automatiquement triées pour lui. Il obtient un aperçu en temps réel de chaque opération, y compris l'état de chaque travail, les quantités réalisées et les unités disponibles. Cette méthode de visualisation permet aux responsables de voir rapidement les données comme des informations contextualisées et de comprendre comment les produits se déplacent sur la chaîne de production.

Pour aller encore plus loin et obtenir davantage d'informations grâce à la visualisation des données, les responsables et les superviseurs peuvent suivre des informations plus granulaires au niveau des opérations individuelles.

Ces informations sont les suivantes

• Quantités terminées, attendues et disponibles
• Quantités de reprises et de rebuts
• Rendement au premier passage (FPY)
• l'efficacité opérationnelle
• Temps de travail actuel, temps de travail prévu et temps de pause total
• Estimation du temps restant

Ce niveau de contextualisation et d'organisation automatisée permet aux entreprises de transformer leurs données en informations faciles à lire et à comprendre.

Phase 3 : Connaissance

Information + Temps = Connaissance

L'étape suivante consiste à utiliser les informations nouvellement traitées pour découvrir le "pourquoi" et le "comment" d'événements et de phénomènes spécifiques. Pour ce faire, on combine principalement les informations avec les expériences et les événements passés afin de découvrir des modèles et des tendances.

À bien des égards, la phase de connaissance peut être décrite comme de multiples ensembles d'informations reliés entre eux par leur relation au fil du temps. Toutes les actions de fabrication sont liées, et le temps est le principal moyen utilisé pour voir comment chaque nouvel événement ou action fonctionne dans l'ensemble de l'entreprise.

Les pratiques d'analyse des causes premières, telles que les 5 Pourquoi, examinent les informations et les facteurs contributifs au fil du temps afin de déterminer la cause de tout problème ou de toute réussite au sein de l'opération de fabrication.

La théorie des contraintes, du moins dans les premières phases, s'appuie fortement sur les informations relationnelles au fil du temps pour déterminer la contrainte la plus contraignante et le taux de production optimal. Une fois la contrainte trouvée, les équipes peuvent déployer plusieurs méthodes pour subordonner correctement la production et maximiser la contrainte.

De même, quel que soit le type de processus normalisés que vous avez employé, le suivi des changements, des ajustements et des améliorations constitue une source majeure d'informations au fil du temps qui peuvent être converties en connaissances. Chaque modification apportée à un processus est l'occasion d'acquérir de nouvelles connaissances et une nouvelle perspective sur ce qui fonctionne et ce qui ne fonctionne pas.

Phase 4 : Sagesse

Données + Informations + Connaissances = Sagesse

Alors que les données, l'information et la connaissance permettent d'examiner les événements passés et leurs relations mutuelles, la sagesse nous permet enfin de regarder vers l'avant et de prendre des décisions éclairées pour l'avenir. C'est essentiellement dans cette phase finale du processus de transformation des données de fabrication que l'amélioration continue prend son essor.

La sagesse est finalement responsable de l'application de tous les changements et améliorations au processus de fabrication. Cela inclut des décisions stratégiques telles que l'intégration de technologies plus intelligentes, l'autonomisation de la main-d'œuvre avec un MES centré sur le travailleur, l'investissement dans de nouvelles machines, l'amélioration des lignes de production et l'optimisation des relations avec les fournisseurs afin d'améliorer l'efficacité et de réduire les coûts.

Cependant, bien que l'application de la sagesse soit différente pour chaque entreprise, toute sagesse s'appuie fortement sur les phases qui l'ont précédée. En d'autres termes, la sagesse doit toujours reposer sur une base solide de données, d'informations et de connaissances.

C'est pourquoi il est essentiel que les fabricants donnent la priorité à leurs méthodes de collecte de données fondamentales, en veillant à ce qu'ils puissent facilement contextualiser ces données au fil du temps et les transformer en améliorations continues qui auront un impact positif sur les actions futures.