L’analyse de Maxime Meunier,
Responsable marketing : solutions IIoT & connectivités industrielle de Technilog.
Dans une usine, deux valeurs de « 34 » peuvent être identiques dans une base de données et pourtant décrire deux réalités différentes. Leur sens dépend de leur origine, de l’équipement, de l’instant de mesure ou du contexte de production. La valeur seule ne suffit pas : pour être exploitable, une donnée industrielle doit conserver ce qui permet de l’interpréter. Pourtant, de nombreux projets de digitalisation commencent encore par une question quantitative : quelles données pouvons-nous collecter ?
On connecte les automates, on historise des tags, puis on alimente un SCADA, un MES, une GMAO,
un ERP, une plateforme IIoT
ou un outil de BI. C’est souvent à ce moment que le coût du contexte perdu
apparaît.
Quand le lac de données
devient un « lac de tags »
Collecter beaucoup ne
signifie pas disposer de données utilisables. Sans contexte structuré,
l’entreprise constitue progressivement un « lac de tags » : des milliers de
valeurs dont l’interprétation dépend de nomenclatures locales, de fichiers de
correspondance ou de conventions connues de quelques spécialistes.
Chaque nouvelle application doit alors reconstruire une partie du sens : mappings manuels, différences de nomenclature entre sites, correspondances cassées après une évolution d’automate, unités ou transformations mal documentées… À ce stade, le problème n’est plus de collecter la donnée, mais de savoir si l’on peut encore lui faire confiance.
Une donnée industrielle devrait permettre de savoir d’où
elle vient, quand elle a été produite, à quoi elle se rapporte, dans quel
contexte, quelles transformations elle a subies et vers quels usages elle peut
être distribuée.
Six dimensions pour
préserver le contexte
Contextualiser ne
consiste pas simplement à transformer TAG 928 en Température four 4. Un nom
lisible ne représente qu’une partie du problème. En pratique, six informations
permettent de préserver l’essentiel du contexte d’une donnée :
- La provenance : identifier le site, la
ligne, l’automate, le capteur ou le système à l’origine de la valeur.
- Le temps : distinguer l’heure
réelle de l’événement terrain de l’heure de collecte informatique, notamment
pour reconstruire des séquences.
- L’équipement : rattacher la donnée à
l’actif physique ou logique qu’elle décrit, indépendamment des conventions de
nommage.
- Le contexte
opérationnel :
état de la machine, ordre de fabrication, lot, recette ou phase du procédé. Une
même mesure peut avoir des significations différentes selon la situation. Une
vibration mesurée au démarrage d’une machine ne s’interprète pas nécessairement
comme la même valeur relevée à pleine charge.
- Les transformations : savoir si la donnée
est brute, convertie, agrégée, filtrée ou calculée afin d’éviter des
comparaisons trompeuses.
- La destination : préserver suffisamment
de contexte pour qu’une même donnée puisse être réutilisée par plusieurs
systèmes et pour de futurs usages.
Une donnée disponible
n’est pas forcément exploitable
Débit, latence,
disponibilité et fiabilité restent essentiels, mais un flux techniquement
performant peut transporter des données impossibles à interpréter correctement.
La qualité doit donc aussi se mesurer à la capacité de la donnée à conserver
son sens tout au long de son parcours.
Les bénéfices sont
concrets :
diagnostics plus rapides, comparaisons entre lignes ou sites plus fiables,
moins de rapprochements manuels et intégration facilitée de nouveaux systèmes.
Cette logique prépare également l’avenir. Il est impossible de savoir quelles
applications exploiteront les données industrielles dans cinq ou dix ans.
L’objectif n’est donc pas d’anticiper chaque usage, mais de conserver
suffisamment de contexte pour que la donnée reste compréhensible et
réutilisable demain.
Contextualiser ne
signifie pas tout automatiser
Aucun outil ne peut
déterminer seul toute la signification métier d’une donnée industrielle.
Normalisation technique, modélisation sémantique et qualité métier sont liées,
mais différentes. La technologie ne remplace pas le travail de définition des
automaticiens, des équipes de production, de la DSI et des métiers.
Le rôle de la couche de
communication est alors de préserver ce contexte tout au long du parcours de la
donnée.
C’est précisément à ce
niveau que la connectivité industrielle et le frontal de communication jouent
un rôle déterminant. Il ne s’agit plus uniquement de connecter un protocole à
une application : le frontal de communication devient un socle capable de collecter,
normaliser, orchestrer et distribuer les flux sans perdre leur sens entre le
terrain et les systèmes consommateurs. C’est notamment cette logique qui guide
des applications comme DevI/O. N’oublions pas qu’une donnée arrivée à
destination n’est pas nécessairement exploitable. Transporter une donnée ne
suffit plus. Il faut aussi préserver ce qui permettra de la comprendre
lorsqu’elle aura quitté l’équipement qui l’a produite.