◈@fabriquedata

Comment fiabiliser les données d'atelier pour piloter la production

Pourquoi la qualité des données d'atelier est un enjeu stratégique

Dans un atelier de fabrication, les données circulent des capteurs vers les systèmes d'information. Pourtant, beaucoup d'industriels constatent que ces données, une fois remontées, ne sont pas exploitables pour des analyses fiables. Les causes sont variées : capteurs mal calibrés, horodatages désynchronisés, formats hétérogènes. Résultat : les décisions prises à partir de ces données risquent d'être erronées.

Le passage des données brutes de l'atelier à une analyse fiable repose sur une chaîne de vérifications. Ces points de contrôle, souvent négligés, sont pourtant la clé d'une intégration OT IT réussie. Voici les principaux éléments à vérifier, dans l'ordre logique de leur importance.

1. Vérifier la source : capteurs et acquisition

La première faiblesse se situe à la source. Un capteur mal positionné, dégradé ou mal configuré produit des données fausses. Avant toute remontée, il faut s'assurer que le capteur est dans sa plage de fonctionnement et que son calibrage est à jour. Dans un environnement d'atelier, les variations de température, les vibrations ou la poussière peuvent altérer les mesures. Un simple contrôle périodique de l'état des capteurs évite bien des erreurs.

Il faut aussi vérifier la fréquence d'acquisition. Si elle est trop faible, des événements rapides (pics de consommation, micro-arrêts) ne sont pas capturés. Si elle est trop élevée, le volume de données devient ingérable sans apporter plus de précision. Le bon réglage dépend du processus : une mesure toutes les secondes pour une ligne de conditionnement, toutes les minutes pour un four de traitement thermique.

2. Uniformiser le modèle de données

Les données d'atelier arrivent souvent dans des formats différents : un fichier CSV pour la température, un bus de terrain pour les vitesses, une API pour les compteurs. Sans modèle commun, l'analyse devient un casse-tête. L'étape clé consiste à définir un modèle de données partagé entre les équipes OT et IT. Ce modèle fixe les unités, les noms de variables, les échelles et les règles de validation.

Par exemple, une température peut être exprimée en degrés Celsius, en Kelvin ou en degrés Fahrenheit selon le fournisseur. Si le modèle impose le Celsius, une conversion automatique doit être appliquée avant le stockage. De même, les horodatages doivent tous être dans le même fuseau horaire (UTC de préférence) pour éviter des décalages qui faussent les calculs de rendement.

Comment fiabiliser les données d'atelier pour piloter la production

3. Assurer la synchronisation temporelle

Un problème fréquent est le désalignement des horloges entre les équipements. Un capteur qui envoie une mesure avec une seconde de retard peut faire croire à un dysfonctionnement. Pour des analyses de séquences (ordre des opérations, durée de cycle), la synchronisation est cruciale. Le protocole NTP (Network Time Protocol) doit être déployé sur tous les équipements connectés, y compris les automates et les edge computers.

Si l'atelier n'a pas accès à Internet, une horloge interne de référence (serveur NTP local) peut être installée. Il faut aussi vérifier que les appareils se reconnectent et resynchronisent après une coupure réseau. Un décalage de quelques millisecondes peut être acceptable pour un suivi de tendance, mais pas pour un contrôle de conformité.

4. Nettoyer et valider les flux de données

Une fois les données collectées et synchronisées, il faut les nettoyer. Les valeurs aberrantes (un pic de température à 500 °C dans un four à 200 °C) peuvent provenir d'un capteur défaillant ou d'une perturbation électromagnétique. Un filtre simple (seuil min-max) les repère. Mais attention à ne pas supprimer des valeurs réelles qui indiquent un incident. La validation doit être intelligente : conserver les anomalies mais les marquer pour investigation.

Les flux de données doivent aussi être contrôlés pour leur complétude. Si un capteur ne remonte plus de données pendant une heure, est-ce un arrêt de production ou une perte de connexion ? Un mécanisme de heartbeat (signal de vie) permet de distinguer les deux. En cas de perte, une alerte doit être déclenchée pour que l'opérateur vérifie.

5. Mettre en place une gouvernance des données

La qualité des données ne se décrète pas, elle se gère. Une gouvernance des données définit qui est responsable de chaque donnée, comment elle est produite, mise à jour et archivée. Dans un contexte OT IT, cela implique de clarifier les rôles : le responsable de la production (OT) connaît le processus, le responsable SI (IT) connaît les systèmes. Ensemble, ils doivent se mettre d'accord sur les règles de gestion.

Par exemple, la donnée "vitesse de la bande transporteuse" est produite par le capteur, validée par le responsable d'atelier, et utilisée par l'équipe maintenance pour anticiper les usures. Chacun a un rôle dans la chaîne de qualité. Un registre des données (data catalogue) simple, tenu à jour, évite les confusions et les doublons.

Comment fiabiliser les données d'atelier pour piloter la production

Un conseil en transformation industrielle peut aider à structurer cette gouvernance sans alourdir le quotidien des équipes. L'enjeu est de trouver le juste équilibre entre contrôle et agilité.

6. Tester l'interopérabilité des systèmes

Les données doivent circuler entre des systèmes souvent anciens (automates, SCADA) et des solutions plus récentes (cloud, ERP). Leur interopérabilité est un point sensible. Un test de bout en bout, avec des données réelles, est indispensable avant de mettre en production un nouvel échange. Il permet de vérifier que les conversions de format, les règles de validation et les flux sont corrects.

Pour les projets d'intégration OT IT, il est recommandé d'utiliser un Unified Namespace : un espace de nommage unique qui identifie chaque donnée de manière unique, quel que soit le système qui la produit ou la consomme. Cela simplifie les tests et réduit les erreurs de mapping.

7. Exploiter l'edge computing pour alléger le réseau

Quand le volume de données devient important, les transmettre toutes vers un serveur central peut saturer le réseau. L'edge computing permet de traiter une partie des données localement, au plus près de l'atelier. Les calculs simples (moyenne, écart-type, seuillage) peuvent être faits sur un boîtier à côté du capteur. Seules les données agrégées ou les alertes sont envoyées vers le système central.

Cela améliore la réactivité (détection immédiate d'un défaut) et réduit la charge réseau. Mais il faut alors gérer la synchronisation entre les données locales et centrales, et s'assurer que les algorithmes embarqués sont fiables et maintenus à jour.

8. Préparer l'analyse prédictive

Une fois les données fiables, l'étape suivante est l'analyse prédictive. Elle permet d'anticiper les pannes, d'optimiser les consommations, ou de planifier la maintenance. Mais attention : les modèles prédictifs ne valent que ce que valent les données d'entrée. Si un capteur dérive, les prédictions deviennent fausses. Il est donc essentiel de maintenir la chaîne de qualité dans le temps, avec des contrôles réguliers.

Comment fiabiliser les données d'atelier pour piloter la production

Pour réussir cette transition, un accompagnement par un conseil en transformation industrielle peut être utile. Il apporte une méthode pour cadrer les objectifs, choisir les bons indicateurs et éviter les pièges classiques (surapprentissage, biais de sélection). L'objectif n'est pas de remplacer les équipes, mais de les outiller pour qu'elles puissent exploiter pleinement leurs données.

En résumé : une chaîne de confiance à construire

Passer des données d'atelier à des analyses fiables demande de la rigueur sur toute la chaîne : de la source à l'analyse. Chaque point évoqué ici est un maillon. Si l'un d'eux est faible, l'ensemble de la chaîne l'est aussi. L'intégration OT IT n'est pas un projet technique isolé, c'est une transformation des pratiques et des collaborations. En vérifiant systématiquement ces points, vous mettez toutes les chances de votre côté pour que vos données deviennent un véritable actif, pas une source de confusion.

◈