Drive manufacturing operational efficiency and performance

Améliorer la production, la qualité et la durabilité grâce à des analyses avancées

Pour le secteur de la fabrication, l'utilisation des données pour améliorer l'efficacité opérationnelle et les performances est particulièrement appropriée, car le cas d'utilisation peut être appliqué à tout type de système de production, tel que l'infrastructure de contrôle numérique informatisé, les systèmes de chaîne d'approvisionnement et d'entrepôt, les systèmes de logistique et de test, etc.

Bien que les fabricants se soient traditionnellement concentrés sur des indicateurs historiques descriptifs et de diagnostic, ils commencent désormais à utiliser des analyses avancées, le machine learning et la data science pour mesurer les améliorations de performances et développer des recommandations proactives, prédictives et prescriptives.

Ce cas d'utilisation examine l'architecture de plateforme de données requise pour ingérer, stocker, gérer et obtenir des informations à partir des données produites par les systèmes d'exécution de la fabrication (MES), les systèmes de gestion des entrepôts (WHMS), les systèmes informatisés de gestion de la maintenance (CMMS) et les systèmes de maintenance afin de mesurer l'efficacité opérationnelle des équipements, des lignes et des usines, ainsi que fournir des mesures de performances.

En ingérant, en organisant et en analysant les données sur les processus et les performances de production, les fabricants peuvent identifier et éliminer les goulets d'étranglement et les aspects inefficaces pour optimiser les plannings de production et augmenter le rendement. En appliquant la même approche aux données sur la qualité des produits, les fabricants peuvent identifier les modèles et les causes principales des défauts, afin de mettre en œuvre des mesures de contrôle de qualité plus efficaces. En outre, en incluant des données sur la consommation d'énergie, les fabricants peuvent identifier les domaines dans lesquels ils peuvent stimuler l'efficacité énergétique pour réduire les coûts et améliorer la durabilité.

Optimiser la maintenance prédictive et réduire les coûts grâce à une plateforme de données complète

L'architecture présentée ici montre comment combiner les composants Oracle recommandés pour créer une architecture d'analyse couvrant l'ensemble du cycle de vie des analyses de données, du repérage à l'action et aux mesures, et offrant à l'entreprise les nombreux avantages décrits ci-dessus.

Cette image montre comment utiliser Oracle Data Platform pour assurer l'efficacité et les performances opérationnelles. La plateforme comprend les cinq piliers suivants :

1. 1. Sources de données et repérage
2. 2. Ingestion et transformation
3. 3. Sauvegarde, tri et création
4. 4. Analyses, apprentissage et prévision
5. 5. Mesures et réactions

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

1. 1. Les données de l'application Oracle comprennent les données de Fusion SaaS, Oracle E-Business Suite, CX
2. 2. Enregistrements d'entreprise (données internes) CRM, transactions, informations sur le compte, chiffre d'affaires et marge
3. 3. Les données de tiers sont les taux de change, les flux de marché et les prix des marchandises.

Le pilier « Ingestion et transformation » comprend quatre fonctionnalités.

1. 1. L'ingestion par lots utilise OCI Data Integration, Oracle Data Integrator et les outils de base de données.
2. 2. Le transfert en masse utilise OCI FastConnect, OCI Data Transfer, MFT et l'interface de ligne de commande OCI.
3. 3. La capture des données de modification utilise OCI GoldenGate.
4. 4. L'ingestion de flux utilise OCI Streaming Kafka Connect.

Les quatre fonctionnalités se connectent de manière unidirectionnelle au dépôt de données et au stockage cloud de service 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.

1. 1. Le dépôt de données de service utilise Autonomous Data Warehouse et Exadata Cloud Service.
2. 2. Le stockage cloud utilise OCI Object Storage.
3. 3. Hadoop géré utilise Oracle Big Data Service
4. 4. Le traitement par lots utilise OCI Data Flow.
5. 5. 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. 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 deux fonctionnalités.

1. 1. L'analyse et la visualisation utilisent Oracle Analytics Cloud, GraphStudio et des éditeurs de logiciels indépendants.
2. 2. Le machine learning utilise Oracle Machine Learning.

Le pilier « Mesures et réactions » saisit la manière dont l'analyse des données peut être utilisée : par les personnes et les partenaires.

Le groupe Personnes et partenaires comprend l'efficacité opérationnelle (temps de traitement, taux d'erreur, utilisation des ressources), l'identification des goulets d'étranglement de processus, la valeur vie client, l'analyse du marché et de la concurrence, l'attribution des performances.

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 principaux moyens d'injecter des données dans une architecture pour permettre aux entreprises de fabrication d'améliorer l'efficacité opérationnelle et les performances.

• 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 que nous allons utiliser dépend de l'emplacement des données et de la fréquence de transfert. Par exemple, nous pouvons utiliser le service OCI Data Transfer ou OCI Data Transfer Appliance 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, de machine à machine et par 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 des ressources. Les flux peuvent provenir de plusieurs systèmes ISA-95 de niveau 2, tels que les systèmes d'acquisition et de contrôle des données (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 identifiés peuvent être renvoyés (manuellement) pour un examen des données brutes réalisé à l'aide d'OCI Data Science.
• 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.
• 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.
• Oracle Big Data Service pour Hadoop (Hadoop géré) constitue une alternative à la configuration OCI Object Storage et OCI Data Flow. Les deux configurations peuvent également être utilisées conjointement en fonction du client et du fait qu'il ait ou non investi dans l'écosystème Hadoop, d'un point de vue produit ou compétence. Les clients qui utilisent déjà le stockage d'objets sous Hadoop (plutôt que le système de fichiers distribué Hadoop) peuvent migrer cette configuration vers Oracle Big Data Service. D'autres composants de l'environnement Hadoop, tels que Hive, peuvent également être utilisés et stimuler l'utilisation de Big Data Service en fonction des outils de visualisation et de data science que le client utilise ou a l'intention d'utiliser. Bien que cette architecture présente tous les services fournis par Oracle, les clients peuvent opter pour continuer à utiliser certains de leurs composants existants, en particulier les outils de visualisation et de data science dont ils disposent déjà.
• 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 et des performances. Dans ce cas d'utilisation, nous recourons à Oracle Analytics Cloud pour fournir des analyses et des visualisations. Cela permet à l'établissement 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 data science 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 OCI 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.

Les avantages de l'utilisation des données pour améliorer l'efficacité opérationnelle et les performances

À mesure que le rythme de l'activité et le niveau de concurrence augmentent, les systèmes existants utilisés pour fournir des données d'exploitation critiques ne parviennent pas à suivre. En effet, ces systèmes ont besoin de nombreuses interventions manuelles pour rassembler, intégrer et créer des rapports à partir de données fragmentées et cloisonnées, ce qui signifie que les informations arrivent trop tard pour donner à l'entreprise l'avantage dont elle a besoin.

Il est essentiel d'utiliser au mieux vos ressources de production pour optimiser vos opérations de fabrication. Chaque minute passée à produire les mauvais produits ou à produire les bons produits de manière inefficace n'augmente pas seulement les coûts et les déchets, mais vous empêche de répondre aux besoins de vos clients. L'optimisation des opérations et l'amélioration des performances peuvent apporter de nombreux avantages aux fabricants, notamment :

• Efficacité accrue, réduction des délais et des coûts de production, augmentation de la production et amélioration de la productivité
• Diminution du nombre de défauts, amélioration de la qualité des produits et satisfaction client accrue
• Identification rapide des risques et des dangers liés à la sécurité en vue d'améliorer les pratiques de sécurité et de réduire les accidents sur le lieu de travail
• Diminution des déchets, amélioration de l'efficacité de la chaîne d'approvisionnement et optimisation des niveaux de stock
• Compétitivité accrue en matière de prix, de qualité et d'innovation, pour assurer aux entreprises un avantage concurrentiel sur leurs marchés
• Amélioration de la durabilité par la réduction des déchets, l'amélioration de l'efficacité énergétique et la réduction de l'impact environnemental des processus de fabrication