Maintenance prédictive et optimisation de la disponibilité des ressources

Améliorez la maintenance des ressources grâce à des informations en temps réel

La maintenance prédictive est un composant clé de l'Industrie 4.0. Une mauvaise stratégie de maintenance peut nuire considérablement à l'efficacité opérationnelle et à la rentabilité des fabricants industriels. Pour être compétitives, les entreprises des secteurs nécessitant de nombreuses ressources doivent limiter les temps d'arrêt imprévus et optimiser les coûts de maintenance.

• 82 % des entreprises ont connu des temps d'arrêt imprévus au cours des trois dernières années. Ces pannes pouvaient coûter jusqu'à 260 000 USD par heure et duraient en moyenne quatre heures.
• Pour les entreprises gérant de nombreux actifs, la maturité de leurs pratiques de maintenance détermine leur capacité à fonctionner de manière fiable et rentable, sans interruption. L'amélioration des pratiques, des processus et des systèmes de maintenance peut générer un retour sur investissement important.
• Les entreprises peuvent utiliser des analyses prédictives pour prévoir les défaillances des ressources et une durée de vie fiable tout en générant des informations exploitables en temps réel.

Pour le secteur de la fabrication, l'utilisation des données pour activer et améliorer la maintenance prédictive est particulièrement pertinente, car le cas d'utilisation peut être appliqué à tout type de système de production de fabrication, tel que l'infrastructure de contrôle numérique informatisé (CNC), les systèmes de chaîne d'approvisionnement et d'entrepôt, les systèmes de logistique et de test, etc.

Bien qu'une grande variété de sources de données puisse être utilisée en fonction de l'application spécifique, les clés pour passer d'une maintenance réactive à une maintenance prédictive sont les flux de données d'Internet des objets (IoT) ou les messages de machine à machine (M2M) envoyés et reçus par l'intermédiaire d'un courtier MQTT (la norme de messagerie pour l'IoT) ou fournis par les historiques des systèmes de renseignement opérationnel. Il s'agit des sources des données brutes nécessaires pour évaluer si des opérations de maintenance sont nécessaires ; toutefois, des données provenant d'autres sources sont nécessaires pour établir un système de maintenance prédictive approprié. Par exemple, les systèmes de gestion de la maintenance contiennent des informations sur les équipements eux-mêmes, telles que les rapports de maintenance. D'autres sources de données comprennent des systèmes de contrôle de supervision et d'acquisition de données (SCADA), un référentiel spécial contenant des fichiers multimédias (tels que des images et des flux vidéo), des manuels de maintenance et des prévisions météorologiques. La diversité des données pouvant être utilisées dans la maintenance prédictive est considérable.

Réduisez les coûts et améliorez l'efficacité en affinant la maintenance prédictive

L'architecture présentée ici montre comment les composants Oracle recommandés peuvent être combinés pour créer une architecture complète couvrant l'ensemble du cycle de vie des analyses de données, du repérage à l'action et aux mesures, et offre un large éventail d'avantages métier décrits ci-dessus.

Cette image montre comment utiliser Oracle Data Platform pour la fabrication afin de prendre en charge la maintenance prédictive et l'optimisation de la disponibilité des ressources. La plateforme comprend les cinq piliers suivants :

• Sources de données et repérage
• Assimilation et transformation
• Sauvegarde, tri et création
• Analyses, apprentissage et prévision
• Mesures et réactions

Le pilier « Sources de données et repérage » inclut deux catégories de données.

Les données des dossiers commerciaux comprennent des données provenant de systèmes MES, WHM, CMM (maintenance et gestion des actifs), IoT et SCADA ainsi que de l'historique et des entrées des opérateurs (y compris les pannes, les tests de qualité et les observations).

Les données d'entrée techniques incluent l'IoT, les images, les e-mails, les vidéos, la documentation papier (OCR) et les événements ponctuels (comme un arrêt d'urgence de la ligne de production).

Le pilier « Ingestion et transformation » comprend quatre fonctionnalités.

L'assimilation par lots utilise OCI Data Integration, Oracle Data Integrator et les outils de base de données.

Le transfert en masse utilise OCI FastConnect, OCI Data Transfer, MFT et l'interface de ligne de commande OCI.

La capture des données de modification utilise OCI GoldenGate.

L'ingestion de flux de données utilise Kafka Connect.

Ces quatre fonctionnalités se connectent de manière unidirectionnelle au dépôt de données de service, au dépôt de données transactionnelles et au stockage cloud dans le pilier « Sauvegarde, tri et création ».

De plus, l'ingestion de flux est connectée au traitement de flux au sein du pilier « Analyses, apprentissage et prévision ».

Le pilier « Sauvegarde, tri et création » comprend cinq fonctionnalités.

Le dépôt de données de service utilise Autonomous Data Warehouse et Exadata Cloud Service.

Le dépôt de données transactionnel utilise ATP, MySQL, Oracle NoSQL et Exadata Cloud Service.

Le stockage cloud utilise OCI Object Storage.

Le traitement par lots utilise OCI Data Flow.

La gouvernance utilise OCI Data Catalog.

Ces fonctionnalités sont connectées au sein du pilier. Le stockage cloud est connecté de manière unidirectionnelle au dépôt de données de service et au dépôt de données transactionnel. Il est également connecté de manière bidirectionnelle au traitement par lots.

Deux fonctionnalités se connectent au pilier « Analyses, apprentissage et prévision ». Le dépôt de données de service se connecte à la fois à la fonction d'analyse et de visualisation, ainsi qu'aux produits de données et à la fonction API. Le stockage cloud se connecte à la fonctionnalité de machine learning.

Le pilier « Analyses, apprentissage et prévision » comprend cinq fonctionnalités.

L'analyse et la visualisation utilisent Oracle Analytics Cloud, GraphStudio et des éditeurs de logiciels indépendants.

Les produits de données et les API utilisent OCI API Gateway et OCI Functions.

Le machine learning utilise OCI Data Science et Oracle Machine Learning.

Les services d'IA utilisent la détection des anomalies OCI, les prévisions OCI, le langage OCI et OCI Vision.

Le traitement des flux de données utilise GoldenGate Stream Analytics et l'analyse de flux provenant de tiers.

Le pilier « Mesures et réactions » détermine comment l'analyse des données peut être utilisée : par des personnes, des partenaires, des applications et des modèles, et plus particulièrement pour mettre à jour les modèles de service d'IA.

Les personnes et les partenaires comprennent la surveillance des conditions et l'analyse des données des capteurs ainsi que l'analyse des modes de défaillance et de leurs effets (FMEA).

Les applications incluent la gestion des performances des actifs (APM), l'analyse des causes premières et la maintenance centrée sur la fiabilité (RCM).

Les modèles englobent un modèle de service d'IA mis à jour, des analyses prédictives et des modèles de machine learning

Les trois piliers centraux (« Ingestion et transformation », « Sauvegarde, tri et création », et « Analyses, apprentissage et prévision ») sont pris en charge par l'infrastructure, le réseau, la sécurité et IAM.

Connecter, assimiler et transformer les données

Notre solution est composée de trois piliers, chacun prenant en charge des fonctionnalités de plateforme de données spécifiques. Le premier pilier permet de connecter, d'assimiler et de transformer les données.

Il existe quatre façons principales d'injecter des données dans une architecture pour permettre aux entreprises de fabrication de passer de la maintenance réactive à la maintenance prédictive.

• Pour démarrer notre processus, nous activons le transfert en masse de données de transaction opérationnelle. Les services de transfert en masse sont utilisés dans les cas où de grands volumes de données doivent être déplacés vers Oracle Cloud Infrastructure (OCI) pour la première fois, par exemple des données provenant de référentiels analytiques sur site existants ou d'autres sources cloud. Le service de transfert en masse utilisé dépend de l'emplacement des données et de la fréquence de transfert. Par exemple, le service OCI Data Transfer ou OCI Data Transfer Appliance peut être utilisé pour charger un grand volume de données sur site à partir de référentiels de planification historique ou d'un entrepôt de données. Lorsque de grands volumes de données doivent être déplacés régulièrement, nous vous recommandons d'utiliser OCI FastConnect, qui fournit une connexion réseau privée dédiée à bande passante élevée entre le centre de données d'un client et OCI.
• Les extractions fréquentes en temps réel ou quasiment en temps réel sont généralement requises et les données sont régulièrement ingérées à partir des systèmes de gestion des entrepôts, de planification et de gestion des commandes à l'aide d'OCI GoldenGate. OCI GoldenGate utilise la capture des changements de données pour détecter les événements de modification dans la structure sous-jacente des systèmes à traiter (par exemple, l'ajout d'un nouveau composant, les opérations de maintenance terminées, les modifications de temps, etc.) et envoie les données en temps réel à une couche de persistance et/ou à la couche de diffusion en continu.
• Pour les fabricants, l'analyse des données en temps réel à partir de plusieurs sources peut contribuer à fournir des informations précieuses sur leur efficacité opérationnelle et leurs performances globales. Dans ce cas d'utilisation, nous utilisons l'ingestion en continu pour assimiler toutes les données lues à partir de capteurs via les communications IoT, M2M et d'autres moyens. La capacité de capturer et d'analyser des flux de données en temps réel est essentielle pour permettre au fabricant d'effectuer une maintenance prédictive sur ses ressources. Les flux peuvent provenir de plusieurs systèmes ISA-95 de niveau 2, tels que les systèmes SCADA, les contrôles de logique programmables et les systèmes d'automatisation par lots. Les données (événements) seront ingérées et certaines transformations/agrégations de base auront lieu avant d'être stockées dans OCI Object Storage. Des analyses de diffusion supplémentaires peuvent être utilisées pour détecter les corrélations dans les événements et les modèles peuvent être renvoyés (manuellement) pour un examen des données brutes réalisé grâce à la science des données.
• Pour analyser ces données de diffusion en continu à haute fréquence en temps réel, nous utiliserons le traitement de flux pour fournir des analyses avancées. Alors que les outils d'analyse traditionnels extraient des informations à partir de données au repos, l'analyse en continu évalue la valeur des données en mouvement, c'est-à-dire en temps réel. Et ce n'est pas le seul avantage. Étant donné que l'analyse en continu peut être hautement automatisée, elle peut aider les fabricants à réduire leurs coûts d'exploitation. Par exemple, l'analyse en continu peut fournir des données en temps réel sur les coûts de base de l'électricité et de l'eau. Les usines peuvent ensuite utiliser un outil d'analyse automatisé de diffusion en continu pour accéder à des informations instantanées sur des domaines qui peuvent être optimisés pour réduire les coûts énergétiques et réagir de manière appropriée à certains événements opérationnels à l'aide de l'intelligence artificielle. Les analyses de flux permettent également de faire des prévisions en temps réel sur les exigences à venir en matière de maintenance des équipements, ce qui aide les entreprises à se préparer bien à l'avance à toute réparation ou maintenance de routine à venir.
• Un composant facultatif potentiellement important de l'architecture est l'infrastructure OCI Roving Edge, qui peut être utilisée avec les appareils Oracle Roving Edge dans des installations distantes, telles qu'une centrale électrique ou un champ de panneau solaire. L'infrastructure OCI Roving Edge offre tous les services OCI, afin de pouvoir répliquer une architecture de maintenance prédictive. L'infrastructure OCI Roving Edge peut également être utilisée comme hub de données pour la transmission en continu de données avant d'être utilisée pour l'assimilation/le traitement en continu dans le cloud.
• Alors que les besoins en temps réel évoluent, l'extraction la plus courante des systèmes ERP, de planification, de gestion des entrepôts et de gestion des transports est une sorte d'ingestion par lots à l'aide d'un processus ETL. L'ingestion par lots permet d'importer des données à partir de systèmes qui ne prennent pas en charge la transmission en continu de données (par exemple, des systèmes SCADA plus anciens ou des systèmes de gestion de la maintenance). Ces extractions peuvent être ingérées fréquemment, par exemple toutes les 10 ou 15 minutes, mais il s'agit par nature d'un traitement par lot, car des groupes de transactions sont extraits et traités, plutôt que des transactions individuelles. OCI propose différents services pour gérer l'assimilation par lots, tels que le service OCI Data Integration natif et Oracle Data Integrator exécuté sur une instance OCI Compute. Le choix du service repose principalement sur la préférence du client plutôt que sur les exigences techniques.

Persister, traiter et organiser les données

La persistance et le traitement des données reposent sur trois (voire quatre) composants. Certains clients les utiliseront toutes ; d'autres, en partie. Selon les volumes et les types de données, les données peuvent être chargées dans le stockage d'objets ou directement dans une base de données relationnelle structurée pour le stockage persistant. Lorsque nous prévoyons d'appliquer des capacités de science des données, les données extraites des sources de données sous sa forme brute (en tant que fichier natif ou extraction non traité) sont plus généralement capturées et chargées à partir de systèmes transactionnels dans le stockage cloud.

• Le stockage cloud est la couche de persistance des données la plus courante pour notre plateforme de données. Il peut être utilisé pour des données structurées et non structurées. OCI Object Storage, OCI Data Flow et Oracle Autonomous Data Warehouse sont les blocs de base. Les données extraites des sources de données au format brut sont capturées et chargées dans OCI Object Storage. OCI Object Storage est le niveau de persistance des données principal et Spark dans OCI Data Flow est le moteur de traitement par lots principal. Le traitement par lots implique plusieurs activités, notamment le traitement du bruit de base, la gestion des données manquantes et le filtrage des jeux de données sortants définis. Les résultats sont réécrits dans différentes couches de stockage d'objets ou dans un référentiel relationnel persistant en fonction du traitement nécessaire et des types de données utilisés.
• Tous les types de données stockées dans des formats brut et traités sont conservés dans un dépôt de données transactionnel. Une base de données Oracle, telle qu'Oracle Autonomous Database, fonctionne efficacement pour tous les cas d'utilisation, mais certains clients peuvent penser que certaines données sont plus adaptées à une base de données NoSQL. Toutefois, cela n'est pas nécessairement vrai : une base de données Oracle optimisée sur Exadata sera plus rapide qu'une base de données NoSQL pour les opérations d'écriture. En utilisant une base de données NoSQL, vous perdez l'avantage d'avoir toutes vos données dans un référentiel unique avec une vue unifiée. Vous pouvez également tirer parti des partitions hybrides pour ne conserver que quelques partitions dans le stockage Exadata et les autres données dans le stockage d'objets, car la plupart des analyses et tableaux de bord opérationnels utilisent les données les plus récentes.
• Nous allons maintenant utiliser un dépôt de données de service pour conserver nos données organisées sous une forme optimisée pour les performances des requêtes. Le dépôt de données de service fournit un niveau relationnel persistant utilisé pour fournir des données traitées de haute qualité directement aux utilisateurs finaux via des outils SQL. Dans cette solution, Oracle Autonomous Data Warehouse est instancié en tant que dépôt de données de service pour l'entrepôt de données d'entreprise et, si nécessaire, des magasins de données de niveau domaine plus spécialisés. Il peut également s'agir de la source de données des projets de science des données ou du référentiel pour Oracle Machine Learning. Le dépôt de données de service peut prendre l'une des formes suivantes : Oracle MySQL HeatWave, Oracle Database Exadata Cloud Service ou Oracle Exadata Cloud@Customer.

Analyser les données, prévoir et agir

Trois approches technologiques facilitent l'analyse, la prévision et l'action.

• Les fonctions d'analyse avancées sont essentielles pour l'optimisation de la maintenance. Dans ce cas d'utilisation, nous recourons à Oracle Analytics Cloud pour fournir des analyses et des visualisations. Il permet à l'entreprise d'utiliser des analyses descriptives (description des tendances actuelles avec des histogrammes et des graphiques), des analyses prédictives (prédiction des événements futurs, identification des tendances et détermination de la probabilité de résultats incertains) et des analyses prescriptives (propositions d'actions appropriées, conduisant à une prise de décision optimale).
• Outre les analyses avancées, la science des données, le machine learning et l'intelligence artificielle sont de plus en plus utilisés pour détecter les anomalies, prévoir où les pannes pourraient survenir et optimiser le processus d'approvisionnement. OCI Data Science, OCI AI Services ou Oracle Machine Learning peuvent être utilisés dans les bases de données. Nous utilisons des méthodes de machine learning et de science des données pour créer et entraîner nos modèles de maintenance prédictive. Ces modèles de machine learning peuvent ensuite être déployés pour l'évaluation via des API ou intégrés dans le pipeline d'analyse de flux GoldenGate. Dans certains cas, ces modèles peuvent même être déployés dans la base de données à l'aide de l'API REST des services Oracle Machine Learning (pour ce faire, le modèle doit être au format Open Neural Network Exchange). De plus, OCI Data Science pour les blocs-notes Jupyter/Python ou Oracle Machine Learning pour le bloc-notes Zeppelin et les algorithmes de machine learning peuvent être déployés dans le dépôt de données transactionnel ou de service. De même, Oracle Machine Learning et OCI Data Science, utilisés seuls ou en combinaison, permettent de développer des modèles de recommandation/décision. Ces modèles peuvent être déployés en tant que service, et nous pouvons les déployer derrière OCI API Gateway pour être fournis en tant que « produits de données » et services. Enfin, une fois créés, les modèles de machine learning peuvent être déployés dans des applications qui font partie d'un système de contrôle distribué (si autorisé) ou en périphérie via un appareil Oracle Roving Edge ou similaire.

Les multiples modèles créés en combinant la science des données aux modèles identifiés par le machine learning peuvent être appliqués aux systèmes de réponse et de décision fournis par les services d'IA.

• OCI Anomaly Detection peut aider à surveiller en temps réel les performances de la chaîne d'approvisionnement (par exemple, inventaire des matières premières, débit de production, travaux en cours, temps de transit, rotation des stocks, etc.) afin de détecter et de résoudre les problèmes. Dans une chaîne d'approvisionnement complexe, l'indice de gravité des anomalies détectées peut aider à lister les perturbations à résoudre en premier.
• OCI Forecasting peut aider à prévoir les indicateurs de la chaîne d'approvisionnement, tels que la demande, l'approvisionnement et la capacité des ressources, afin que des actions appropriées puissent être prises pour se préparer.
• OCI Vision et OCI Language peuvent aider à comprendre des documents, tels que des rapports sur la qualité des produits sortants et des rapports sur les défauts des produits, afin d'enrichir les données de la chaîne d'approvisionnement.

Le composant final mais essentiel est la gouvernance des données. Il sera fourni par OCI Data Catalog, un service gratuit offrant la gouvernance des données et la gestion des métadonnées (pour les métadonnées techniques et commerciales) pour toutes les sources de données de l'écosystème de la plateforme de données. OCI Data Catalog est également un composant essentiel pour les requêtes à partir d'Oracle Autonomous Data Warehouse vers OCI Object Storage, car il permet de localiser rapidement des données quelle que soit sa méthode de stockage. Les utilisateurs finaux, développeurs et experts en science des données peuvent ainsi utiliser un langage d'accès commun (SQL) dans tous les dépôts de données persistants de l'architecture.

Utilisez vos données pour améliorer vos opérations de fabrication et augmenter votre rentabilité

Grâce à la maintenance prédictive, les équipements ne sont entretenus que lorsque c'est nécessaire, ce qui réduit les pannes inattendues. Cette approche offre plusieurs avantages, dont une réduction de réparations ou de remplacements de maintenance programmés, une diminution de ressources de maintenance (y compris les pièces de rechange et les fournitures) et, simultanément, une baisse des pannes. Les prévisions proactives peuvent aider à prolonger la durée de vie de l'équipement tout en réduisant le risque de retards potentiels des produits en minimisant les changements d'équipement et les temps d'arrêt associés.

La réduction des temps d'arrêt imprévus permet d'optimiser les opérations de l'entreprise, d'améliorer l'efficacité, la productivité et la vitesse, et de garantir que la bonne pièce arrive au bon endroit au bon moment. Entretemps, la réduction des coûts de maintenance, de main-d'œuvre et de matériel et l'optimisation des coûts du cycle de vie des actifs augmentent la rentabilité.