Explorer la maintenance prédictive avec l’IoT

La maintenance prédictive, processus qui permet de tout éviter, de la véritable situation de crise aux inefficacités et gaspillages quotidiens, est l’application la plus utile de l’exploitation et de l’analyse d’énormes volumes de données IoT de l’industrie manufacturière. Ne vous laissez pas décourager par les anciens cauchemars des entrepôts de données d’entreprise (EDW) ! S’appuyer sur une infrastructure Hadoop moderne nécessite moins d’investissement initial et offre un plus large potentiel de découverte et d’amélioration progressive.

A moins que ne vous soyez certain que chaque partie de votre chaîne de fabrication atteint son efficacité maximum, l’exploration de la maintenance prédictive avec l’IoT présente une énorme valeur ajoutée. Il y a certainement pire pour s’améliorer que de disposer de plus et de meilleures informations. Vous pourriez argumenter : « Nous collectons déjà des données en provenance de ce qui entoure l’environnement opérationnel : ERP, CRM, EAM et autres acronymes. Tout ce à quoi sert l’EDW! »

C’est exactement ce à quoi servait votre EDW : traiter toute cette information opérationnelle bien organisée. Cependant, l’EDW n’est pas suffisamment agile pour soutenir les cas d’utilisation IoT actuels avec des Big Data. Il ne s’agit pas d’une plateforme d’expérimentation et d’exploration. L’EDW peut refléter le monde tel qu’il est, mais ne peut imaginer comment il pourrait être. 

Vous en doutez? Demandez à vos data scientists et à vos ingénieurs logiciels combien de temps il leur faudrait pour incorporer des données exploitables dans votre EDW afin de commencer le processus d’exploration. Comment analyseraient-ils et stockeraient-ils des données issues de milliers de capteurs de votre usine et de vos activités de back-office, chacune ayant des structures et formats de données différents à des vitesses différentes ? 

C’est à ce niveau qu’intervient l’infrastructure Big Data d’Hadoop, fondamentalement différente. La structure « schema-on-read » d’Hadoop ne nécessite pas par exemple de concevoir à l’avance des structures et des flux, contrairement à un EDW hautement structuré.

Au cours des dix dernières années, les fabricants ont peiné à justifier d’énormes dépenses en développement d’entrepôt de données, ce qui est beaucoup plus difficile que de démontrer la nécessité d’entrepôts physiques. Les estimations du ROI allaient d’hypothèses éclairées à aléatoires et seraient souvent liées au succès d’une initiative dépendant de résultats également difficiles à mesurer, tels que la planification des ventes et de la fabrication. La plupart des projets EDW n’ont pas réussi à atteindre leurs objectifs en termes de temps, de champ d’application ou de budget.

Cette façon de faire n’a plus de raison d’être, l’architecture d’Hadoop étant peu coûteuse et et totalement différente. Sa structure « schema-on-read » permet d’ingérer n’importe quel format de données et de choisir la meilleure façon de les analyser et de les synthétiser au fil de l’exploration. Il n’y a pas d’importantes dépenses initiales associées à la standardisation des structures, KPIs, accès, etc.

En d’autres termes, l’analogie entre un déploiement IoT de type Big Data et la science des données n’est pas l’EDW et les rapports, tableaux de bord et alertes associés. Un déploiement Hadoop est davantage l’étape d’un Proof-of-Concept (PoC) de votre projet EDW, quelque chose pour lequel calculer un ROI n’a pas de sens. Si vous me suivez, comment engager la prochaine étape ?

Lorsque je conseille des entreprises, je commerce par poser une question simple : « Que ferions-nous si nous avions des informations en temps réel, universelles et parfaites ? » (Des données sans erreurs, toutes les données disponibles pour tous, et disponibles à la demande.) Dans ce contexte, l’information comprend les données, ou une information dérivée des données. Supposons que de telles données existent, elles vous permettraient de prédire quoi que ce soit avec de la valeur. Ceci nous oblige à réfléchir où les inefficacités pourraient être, et pas uniquement là où nous savons qu’elles sont. Tentons cet exercice et voyons ce qu’il en ressort!

Revenons à présent à l’hypothèse initiale où des inefficacités sont à prendre en compte et que le ROI ne doit pas être mesuré dans cette phase de PoC, lors de la mise en œuvre d’une infrastructure IoT. Voici comment minimiser les coûts et les risques :

• Vérifier la capacité à capturer des données en provenance des « objets » en ajoutant des capteurs, réseaux de communication, etc. 
• Vérifier que vous disposez de journaux de maintenance décrivant les modes/ conditions de défaillance.
• Utiliser des fournisseurs de logiciels éprouvés avec une large expérience Hadoop
• Engager des ressources de haut niveau avec une expérience IoT
• Tirer parti des outils basés sur une interface utilisateur graphique
• Embaucher de véritables data scientists, pas simplement des statisticiens. Ils doivent connaitre les techniques de machine learning et être capables de décrire les avantages et inconvénients des principales catégories de techniques sans se référer à des notes
• Engager des spécialistes métier pour collaborer avec vos data scientists
• S’assurer que les données existantes peuvent être croisées avec de nouveaux types de données.

Vos outils Big Data à vous procurer doivent être : 

• Eprouvés (déploiement en production)
• Stables
• Transparents (open source)
• Auditables
• Adaptables et intégrables
• Avec au moins une version majeure par an

Il a beaucoup à considérer sur le sujet, mais les conseils proviennent d’expérience pratique acquise auprès de fabricants tels que KDS, Caterpillar ou Halliburton Landmark, dont les applications de maintenance prédictive fonctionnent aujourd’hui pour améliorer la sécurité, empêcher les catastrophes environnementales et améliorer le rendement d’une usine. De tels bénéfices ne valent-ils pas l’investissement ?