Quand connecter un jumeau numérique aux données en temps réel, et quand les données statiques suffisent
Connectez un jumeau numérique aux données machines en temps réel lorsque l'équipe utilise souvent le modèle, chaque semaine ou chaque jour, et veut qu'il suive le fonctionnement de la ligne d'une semaine à l'autre. Restez sur des données statiques lorsque la décision ne se présente qu'une ou deux fois par an : une nouvelle implantation, une cellule robotisée, un nouveau bâtiment, un investissement de capacité. La plupart des premiers projets relèvent du second groupe. Les données dont l'usine dispose déjà y répondent : ERP, gammes, temps de cycle nominaux ou mesurés. Les données en temps réel peuvent venir plus tard, une fois que le modèle est utilisé régulièrement.
Ce que signifient « statique » et « en temps réel » dans un modèle d'usine
Les données statiques sont chargées dans le modèle à un instant donné. Elles comprennent l'implantation CAO, les gammes, les temps de cycle issus de l'ERP ou du chronomètre, les temps de changement de série, les vitesses de transport, le calendrier des équipes et le mix de commandes. Quand l'usine change, quelqu'un met le modèle à jour à la main.
Les données en temps réel arrivent automatiquement de l'atelier dans le modèle : états des machines, causes d'arrêt, compteurs de cycles et temps de cycle réels, par exemple depuis DBR77 IIoT. Le modèle lit ces signaux, si bien que ses paramètres restent proches de ce que fait la ligne aujourd'hui.
Les données statiques suffisent pour une décision quand le modèle de base correspond à l'usine telle qu'elle fonctionne aujourd'hui. Le responsable du modèle met cette base à jour quand l'usine change, par exemple après l'arrivée d'une nouvelle machine ou une nouvelle organisation des équipes, et chaque option est testée sous forme de variante sur une copie. Un modèle statique conserve aussi la dispersion quotidienne du terrain : avec la simulation stochastique, il montre quand même des plages, des files d'attente et des mauvais jours.
Pourquoi « l'intégration d'abord » retarde souvent la valeur
De nombreux projets prévoient de connecter toutes les machines avant de lancer la première simulation. Il faut cartographier les signaux, les nettoyer et les horodater, et les machines anciennes exigent du matériel supplémentaire. Ce travail prend des mois.
Pendant ce temps, l'usine continue de décider. L'implantation est choisie sur un tableur, et le robot est commandé sur la base du temps de cycle annoncé par le fournisseur.
Un second problème tient au fait que les données en temps réel ne peuvent pas réparer un modèle fragile. Si la logique des gammes est fausse, ou si les règles de tampon ne correspondent pas au terrain, un flux en temps réel ne fait que donner un air frais à un résultat erroné. La logique du modèle doit d'abord être juste, et c'est plus facile à vérifier avec des données statiques que les ingénieurs peuvent relire ligne par ligne. Même des temps de cycle nominaux tirés des gammes constituent un point de départ utile : comparer la production du modèle avec ce que l'atelier produit réellement fait apparaître l'écart entre la théorie et la réalité, et cet écart désigne le vrai goulot d'étranglement. Nous décrivons le jeu de données minimal dans De quelles données avez-vous besoin pour démarrer une simulation d'usine ?.
Cinq questions à se poser avant de connecter quoi que ce soit
Répondez-y par écrit avant de planifier une intégration. Si la plupart des réponses tombent dans la colonne de gauche, les données statiques suffisent pour l'instant.
| Question | Les données statiques suffisent quand | Connectez des données en temps réel quand |
|---|---|---|
| À quelle fréquence décidez-vous à partir du modèle ? | Quelques fois par an, aux jalons d'investissement ou d'implantation | Chaque semaine ou chaque jour, pour la planification, les effectifs ou la préparation de commandes |
| À quelle vitesse les données d'entrée changent-elles ? | Les temps de cycle et les profils d'arrêt restent stables pendant des mois | Les temps de cycle dérivent, de nouveaux produits et changements de série arrivent chaque semaine |
| Que coûte une donnée périmée ? | Une petite erreur ne change pas la variante gagnante | Une donnée périmée modifie le plan de l'équipe suivante |
| Qui utilise le résultat ? | Des responsables en réunion de revue | Un chef d'équipe ou un planificateur qui agit dessus le jour même |
| Pouvez-vous prendre en charge le flux de données ? | Personne n'a le temps de surveiller la qualité des données | Une personne nommée corrige les signaux manquants ou erronés |
La plupart des équipes négligent la dernière question. Un flux en temps réel a besoin d'un responsable et d'une règle qui précise ce qui se passe quand les données arrivent en retard.
Ce à quoi les données statiques permettent déjà de répondre
Deux études de cas DBR77 montrent tout ce qu'apporte un modèle construit sur des données statiques.
Une entreprise d'injection plastique travaillant pour le secteur de l'électroménager voulait automatiser plusieurs postes d'une ligne. DBR77 a construit un jumeau d'une partie de l'usine à partir des flux de matières et des temps de cycle par tâche. Le modèle a situé le goulot d'étranglement sur une étape manuelle réalisée par le premier opérateur : 90 secondes d'activité et 98 secondes d'attente. Aucun flux en temps réel n'a été nécessaire pour le voir. L'analyse des variantes n'a pris que quelques jours.
Un fabricant d'équipements CVC, qui réalise en moyenne 800 prélèvements par équipe, avait besoin d'un meilleur ordre pour sortir les matières de l'entrepôt. La simulation a été préparée en quelques jours à partir des ordres de fabrication en cours. Pour la mettre à jour, l'équipe importe simplement les ordres de fabrication révisés, et l'algorithme trouve une nouvelle solution en quelques secondes. C'est utile quand les matières ou les opérateurs manquent.
Le second cas illustre une voie intermédiaire. Le modèle n'est pas connecté aux machines, mais une simple importation l'actualise chaque fois que le plan change. Pour de nombreuses usines, cela couvre les besoins quotidiens.
Voyez ce à quoi un modèle construit sur des données statiques peut répondre
Le concept d'automatisation et le cas de préparation de commandes en entrepôt ci-dessus ont tous deux tourné sur des données dont les usines disposaient déjà. Les cas d'usage présentent d'autres projets de ce type, des variantes d'implantation à la logistique interne.
Quand les données en temps réel prennent tout leur sens
Les données en temps réel sont l'étape suivante du travail avec le modèle, une fois que la version statique a montré à l'équipe où se trouve le vrai goulot d'étranglement. Elles sont rentables dans trois situations.
- Les décisions reviennent. Quand l'équipe planifie chaque semaine avec le modèle le mix de produits, les équipes ou les effectifs, chaque simulation doit partir de la façon dont la ligne a réellement tourné la semaine précédente. Les données en temps réel maintiennent les temps de cycle et les arrêts du modèle en phase avec l'atelier entre deux simulations.
- Les données d'entrée dérivent. Les temps de cycle augmentent peu à peu, une machine s'arrête plus souvent, un nouvel outil modifie les temps de changement de série, et les données en temps réel montrent le changement avant la prochaine réunion de revue.
- Un changement vient d'être mis en service. Après le démarrage d'une nouvelle implantation ou d'un robot, les données en temps réel montrent si la ligne se comporte comme le modèle l'avait prévu. Sinon, vous apprenez si c'est le modèle ou le terrain qu'il faut corriger.
Un jumeau est conçu pour tester des changements, et un système d'alarme pour l'équipe est un autre outil. Si les alertes sont votre objectif, lisez Pourquoi les alertes IoT échouent dans l'atelier, et ce qui fonctionne à la place. L'endroit où les données sont traitées est une question d'architecture distincte, traitée dans Edge ou cloud dans l'industrie.
Connectez par étapes, pas tout d'un coup
Une démarche pragmatique compte quatre étapes.
- Commencez en statique, pour une décision. Construisez le modèle à partir des données d'implantation et de processus, et utilisez-le pour comparer les variantes d'un changement réel.
- Calibrez avec l'historique. Comparez la production du modèle avec ce que la ligne a réellement produit. L'écart entre les deux montre où la théorie et l'atelier divergent, et c'est généralement là que se trouve le vrai goulot d'étranglement. Remplacez les temps de cycle et les taux d'arrêt estimés par des valeurs issues des journaux, de l'ERP ou des données machines historiques, et vérifiez le résultat avec les personnes qui font tourner la ligne. Elles savent à quoi ressemble une mauvaise semaine.
- Connectez les quelques signaux qui changent un résultat. Il s'agit généralement des états et des temps de cycle du goulot d'étranglement et des postes qui l'entourent. Dans une usine illustrative de 40 machines, trois ou quatre postes proches du goulot peuvent déterminer la production. Connectez-les avant tout autre capteur du bâtiment.
- Désignez des responsables et des règles en cas de défaillance. Décidez qui corrige un flux manquant et ce que le modèle utilise quand les données sont en retard, par exemple les dernières valeurs approuvées.
Un modèle dont personne n'est responsable cesse de correspondre à l'usine dès le premier changement dans l'atelier, qu'il soit alimenté à la main ou par des capteurs. Nous traitons les rôles dans Qui doit être responsable du modèle de jumeau numérique ?.
Questions fréquentes
Un jumeau numérique a-t-il besoin de données en temps réel pour mériter ce nom ?
Non. Un jumeau numérique est un modèle de votre usine qui fait tourner la production dans le temps. Quand l'usine change, par exemple avec une nouvelle machine ou une nouvelle organisation des équipes, le responsable du modèle le met à jour à partir de nouvelles données ou de mesures, et cette version sert de base à la décision suivante. Les données en temps réel constituent une étape ultérieure, quand le modèle est utilisé régulièrement et doit suivre l'usine entre ces changements.
Un modèle construit sur des données statiques suffit-il pour une décision d'investissement ?
Oui, si les données d'entrée sont mesurées et saisies sous forme de plages, et non de moyennes uniques. Les décisions d'implantation et d'investissement exigent une comparaison équitable des variantes, ce que permettent les données statiques issues des gammes et des temps de cycle.
Quelles données machines connecter en premier ?
Commencez par le goulot d'étranglement et les postes voisins : états des machines, causes d'arrêt et temps de cycle réels. Ce sont ces signaux qui influencent le plus le résultat. Le reste peut attendre.
Que se passe-t-il quand un flux de données en temps réel tombe en panne ?
Convenez-en avant de connecter. Une règle courante veut que le modèle revienne aux dernières valeurs approuvées et signale la lacune, afin que personne ne planifie sur des données manquantes ou erronées.
Conclusion
Prenez la prochaine décision de votre liste et demandez-vous à quelle fréquence elle reviendra. S'il s'agit d'un investissement annuel, construisez le modèle dès maintenant à partir de l'implantation, des gammes et des temps de cycle mesurés. Si l'équipe le relancera chaque semaine, désignez la personne qui sera responsable d'un flux en temps réel issu des postes goulots avant que quiconque ne commande du matériel.
Commencez avec les données dont vous disposez déjà
Votre plan d'implantation, vos gammes et vos temps de cycle mesurés constituent un point de départ exploitable. Dans la démo, vous voyez un modèle construit à partir de ce type de données, et où les données machines en temps réel viendraient se brancher plus tard.
Sources
Vous voulez tester une décision de votre usine ?
Réservez une démo : nous vous montrons comment DBR77 Digital Twin compare les options sur la production, l'attente et la charge de transport.