Loading
Blog
Recent ActivityRecent Activity

L’automobile accélère la fabrication intelligente

Partager:

LinkedInLinkedIn
XX
FacebookFacebook
PrintPrint
EmailEmail
L’automobile accélère la fabrication intelligente  hero image

Dans le secteur automobile, le Big Data n’est pas une nouveauté. Depuis des décennies, les constructeurs collectent et analysent les données des réclamations sous garantie, des rapports de maintenance et des véhicules toujours plus connectés et intelligents, afin d’améliorer l’expérience des utilisateurs, les performances des concessions et la qualité des véhicules.

Alors que ces activités sont publiques, le Big Data prolifère aussi au niveau de l’atelier à mesure que les constructeurs et sous-traitants adoptent la transformation numérique et la technologie intelligente. Dans l’espace de fabrication, le défi consiste à exploiter au mieux la quantité considérable de données générées par les actifs intelligents, en vue d’améliorer les performances à court et à long termes.

Le dimensionnement approprié

Les services orientés cloud et les plates-formes d’analytique ont évolué avec les appareils intelligents pour aider les constructeurs à valoriser leurs investissements dans le numérique. Et certains constructeurs automobiles ont adopté des plates-formes orientées cloud pour agréger, analyser et transformer les données en intelligence décisionnelle puissante.

Mais, en dépit des avancées, de nombreux constructeurs peinent à fournir à leurs opérateurs les informations porteuses de gains de performances en temps réel dans l’atelier.

Comment l’expliquer ? L’envoi des données à une plate-forme orientée cloud est idéal pour les analyses de l’activité et les décisions de l’entreprise, lesquelles tolèrent plus de latence dans les délais. En revanche, le trafic réseau excessif et les latences de l’analytique peuvent empêcher l’envoi en temps utile d’informations contextualisées à la personne chargée de prendre des mesures correctives dans l’atelier.

En d’autres termes, l’« analytique pour contrôler la boucle système » n’est pas suffisamment rapide pour avoir un impact immédiat.

Analytique évolutive : Une approche plus rapide pour l’optimisation à la périphérie

Une plate-forme d’analytique évolutive boucle la boucle plus rapidement entre le Big Data et l’atelier, en plaçant l’analytique et l’apprentissage machine près de la source d’informations et des décideurs de l’usine.

Par exemple, une usine d’assemblage automobile type utilise des variateurs de vitesse pour commander les moteurs sur les convoyeurs de composants. Les variateurs c.a. modernes surveillent en continu le couple de sortie et le courant, lesquels peuvent être corrélés directement aux éléments mécaniques du moteur. Les variateurs peuvent être configurés afin de transmettre des avertissements lorsque les paramètres dépassent les limites. D’autre part, des capteurs de température, de vibrations et autres peuvent collecter et communiquer des informations critiques concernant l’état du réducteur.

La surveillance et l’analyse continues de ces paramètres et d’autres paramètres d’exploitation peuvent prédire l’usure ou le patinage du réducteur et de la courroie, ou encore des problèmes de roulements et de bobinage du moteur, avant que cela entraîne des arrêts non planifiés. Néanmoins, une stratégie de maintenance optimale nécessite une visibilité en temps opportun pour cette analyse.

Télécharger l’eBook

Cette nouvelle solution d’analytique fournit une réponse au niveau appareil. Disponible sur un équipement connectable, la solution explore le réseau industriel et détecte les actifs, notamment les variateurs c.a. et les capteurs d’état. Elle fournit des analyses en convertissant les données générées en tableaux de bord d’état et de diagnostic préconfigurés.

Au fur et à mesure que l’équipement trouve des informations sur le mode d’interconnexion des appareils, notamment sur la causalité des défauts, il commence à comprendre le système sur lequel il est déployé et peut formuler des recommandations prescriptives. Par exemple, il peut envoyer une « carte action » au smartphone ou à la tablette d’un utilisateur si un variateur doit être reconfiguré pour préserver des performances optimales.

Au final, cette approche prescriptive renforce la réactivité des équipes de maintenance et contribue à réduire les temps d’arrêt potentiels.

Une nouvelle donne pour la fabrication automobile 

L’analyse évolutive modifie la donne pour les applications automobiles discrètes. D’autre part, cette approche transformatrice s’annonce comme vitale dans les processus continus complexes, où l’apprentissage machine peut avoir un impact significatif sur la qualité des produits et la vitesse de fabrication.

Prenons l’exemple de la production des batteries à cellule prismatique. Les cellules prismatiques délivrent plus d’énergie rapporté à leur volume que les versions cylindriques, et elles s’imposent sur le marché des véhicules électriques.

Toutefois, la production de cellules prismatiques nécessite un haut degré de mouvement, de précision et de traitement continu. L’optimisation d’un processus dans ce type d’environnement dynamique aux multiples variables constitue un défi. Mais il est à la mesure de l’analytique évolutive et de l’apprentissage machine.

Au moyen de modèles mathématiques dynamiques, le système apprend à reconnaître l’impact d’une variable sur une autre et ajuste automatiquement les actions consécutives pour des résultats optimisés. Dans le même temps, le système peut fournir des analyses critiques aux opérateurs, notamment des graphiques SPC, lesquels permettent un suivi continu de la qualité et des ajustements proactifs.

Ayez à l’esprit qu’une approche évolutive peut s’étendre au-delà des appareils et être appliquée aux niveaux machine et processus. La plate-forme peut aussi être intégrée au système MES, au TRS et à d’autres opérations de fabrication et systèmes d’analytique pour contribuer à la dynamisation de toute l’entreprise dans des domaines aussi divers que la planification de la production et la gestion de l’énergie.

Découvrez plus avant l’analytique évolutive et comment prendre dès à présent de meilleures décisions à la source de vos données.

Écrit conjointement avec Todd Montpas
Product Manager, Information Software, Rockwell Automation

Publié 28 juin 2019

Sujets: Automobile et pneus

Bill Sarver
Bill Sarver
Senior Consultant, Global Automotive Industry, Rockwell Automation
Connexion:
EmailEmail
Subscribe

Subscribe to Rockwell Automation and receive the latest news, thought leadership and information directly to your inbox.

S'inscrire

Recommandé pour vous

Loading
  1. Chevron LeftChevron Left Ûníîtééd Kíîngdòóm Chevron RightChevron Right
  2. Chevron LeftChevron Left Société Chevron RightChevron Right
  3. Chevron LeftChevron Left Actualités Chevron RightChevron Right
  4. Chevron LeftChevron Left Blogs Chevron RightChevron Right
Veuillez mettre à jour vos préférences en matière de cookies pour continuer.
Cette fonctionnalité nécessite des cookies pour améliorer votre expérience. Veuillez mettre à jour vos préférences pour autoriser ces cookies:
  • Cookies de réseaux sociaux
  • Cookies fonctionnels
  • Cookies de performances
  • Cookies marketing
  • Tous les cookies
Vous pouvez mettre à jour vos préférences à tout moment. Pour plus d'informations, veuillez consulter notre {0} politique de confidentialité
CloseClose