%20(2).jpg)
Au sein d'une entreprise majeure, en collaboration avec IBM, un projet ambitieux d'IoT visant à transformer les usines en "usines connectées" a vu le jour. L'objectif principal était de créer un jumeau numérique (digital twin) des opérations de production, permettant ainsi une surveillance en temps réel de la production, de la composition des produits, et de la détection des anomalies sur la chaîne de production. Cette initiative avait pour but d'augmenter la capacité de production, de réduire les pannes en anticipant les maintenances, et d'optimiser la productivité des opérateurs de lignes pour réduire les coûts.
Pour atteindre ces objectifs, une approche méthodologique rigoureuse a été mise en place. Tout d'abord, un système a été déployé pour collecter en temps réel les données directement à partir des machines de production. Ensuite, les données ont été envoyées vers le cloud, où elles étaient soumises à un traitement en temps réel. Un tableau de bord (dashboard) a été créé pour afficher les informations cruciales. De plus, une analyse approfondie a été effectuée, classant toutes les pannes en fonction du type de machine et identifiant leurs causes. Cela a permis d'initier un traitement de données hors ligne dans le but d'établir une maintenance prédictive.
Le consultant WiTADA a formulé des recommandations stratégiques pour résoudre les problèmes identifiés. Les données collectées étaient envoyées vers le cloud pour un traitement en temps réel, et un système de classification des pannes a été mis en place. L'objectif ultime était de parvenir à une maintenance prédictive. Cette approche a permis d'anticiper les pannes, de réduire les temps d'arrêt et d'optimiser la production.
La mise en œuvre des solutions a été un processus complexe qui a nécessité une approche à plusieurs niveaux. Le consultant a travaillé sur la construction de l'architecture du tableau de bord, en relevant le défi de traiter un grand nombre de requêtes (des milliers d'événements par seconde). Ceci a nécessité la mise en place d'une infrastructure de base de données robuste capable de stocker efficacement les données tout en permettant leur transmission en temps réel via Kafka. De plus, une révision de la nomenclature des données a été entreprise pour la rendre plus fiable et traçable, dans le but de faciliter l'analyse des données. Cette étape a été essentielle pour garantir que le modèle de données soit cohérent et adapté aux besoins de l'entreprise.
Les résultats obtenus ont été significatifs. Avant même le déploiement complet du projet, un POC (Proof of Concept) a été déployé dans une usine. Cela a permis de constater une amélioration spectaculaire de la maintenance et des changements, avec un gain de 25%. De plus, les opérateurs ont désormais la capacité de manipuler les données avec des filtres plus précis, ce qui facilite grandement leur travail.
Ce projet a également apporté des enseignements importants. Il est apparu clairement que la gestion du modèle de données était cruciale. En passant d'une approche SQL à une approche NoSQL pour gérer la montée en charge des données massives, il est devenu évident que le modèle de données devait être maintenu propre et flexible. Les changements sont inévitables dans un environnement en constante évolution, et il est essentiel de pouvoir comparer les données historiques et actuelles tout en conservant le même code, l'API et la même approche en matière d'analyse des données.
Le POC a été un succès et a ouvert la voie au déploiement de ces solutions dans d'autres usines en France. L'entreprise a réussi à transformer ses opérations de production grâce à l'IoT, permettant ainsi une surveillance en temps réel et une amélioration significative de la maintenance et de la productivité. Pour l'avenir, l'entreprise continuera à explorer de nouvelles possibilités pour optimiser ses opérations grâce à l'IoT et à tirer parti de la puissance des données pour rester à la pointe de l'industrie cosmétique.