Comment le DataOps Industriel façonne l’Industrie 4.0

L’industrie manufacturière connaît un changement si profond qu’il a été qualifié de Quatrième Révolution Industrielle. Cette transformation a été déclenchée par le besoin de devenir davantage pilotée par les données, puis accélérée par un ensemble d’avancées technologiques récentes. Les pionniers dans les usines du monde entier reconnaissent que les données industrielles — données opérationnelles issues des machines, processus, produits et systèmes sur le plancher de production — sont de l’or. De plus en plus d’utilisateurs et de systèmes veulent accéder à ces données en temps réel afin de les convertir en informations exploitables permettant de prédire les défaillances, prévenir les arrêts et améliorer la qualité produit. IDC prévoit d’ailleurs qu’il y aura 41,6 milliards d’appareils IoT en service générant 79,4 zettabytes de données d’ici 2025. Ces appareils incluent machines, capteurs, caméras et outils industriels. C’est un volume immense — voire écrasant. Comment les entreprises peuvent-elles l’exploiter efficacement ?

L’Industrie 4.0, la transformation industrielle et la fabrication intelligente combinent des informations disparates pour alimenter des décisions automatisées, de la machine jusqu’au cloud. Plusieurs technologies jouent un rôle dans cette transformation : l’informatique cloud, les plateformes IIoT, l’analytique avancée, la visualisation augmentée et virtuelle, les plateformes mobiles, les capteurs miniaturisés à faible coût, et les réseaux. L’objectif est de donner plus d’informations aux parties prenantes, au moment où elles en ont besoin et là où elles en ont besoin.

Les premiers adoptants pensaient qu’il suffirait de connecter leurs données industrielles aux applications d’analytique et de visualisation via des API pour obtenir des résultats. Au contraire, ils ont découvert que les données manquaient d’accessibilité et de contexte. Elles étaient incohérentes d’une machine à l’autre et calibrées selon l’équipement de contrôle — et non selon la manière dont les utilisateurs métier réfléchissent.

Aujourd’hui, une nouvelle catégorie logicielle émerge et devient essentielle pour soutenir l’adoption de l’Industrie 4.0 : le DataOps (ou Industrial DataOps lorsqu’il est conçu pour les données industrielles). Cette approche résout les défis liés à l’architecture et à l’intégration des données, et fournit la standardisation et la contextualisation nécessaires pour une utilisation à l’échelle de l’entreprise.

Avant l’Industrie 4.0, l’architecture des données industrielles suivait un modèle en couches, défini par le modèle Purdue ou ISA-95. Les données passaient des capteurs aux automates (PLC), puis aux SCADA/HMI, puis au MES, et enfin à l’ERP. Mais le volume et la résolution des données diminuaient fortement à chaque niveau. Les protocoles de communication entre couches étaient souvent propriétaires et uniques, donc difficilement réutilisables.

Ce modèle fonctionnait lorsque les volumes de données étaient limités — ce qui n’est plus le cas. Acheminer un excès de données inutiles à travers plusieurs systèmes rend le traitement plus complexe et plus lent, affaiblit la sécurité et augmente les vulnérabilités.

La transformation industrielle vise à exploiter les données en temps réel pour piloter l’entreprise. Pour un fabricant, cela signifie étendre les données du plancher de production au-delà des environnements d’exploitation, vers les utilisateurs métier. Ces utilisateurs n’ont pas la compréhension du système de contrôle industriel, mais ont besoin de données riches pour optimiser la performance.

Comme les données industrielles sont incohérentes d’une machine à l’autre, manquent de contexte, et sont corrélées au système de contrôle, une solution d’Industrial DataOps nécessite des exigences très différentes des technologies DataOps utilisées pour les systèmes transactionnels.

Une solution d’Industrial DataOps doit inclure cinq capacités essentielles pour fournir de la valeur :

Les données industrielles sont générées par des moteurs, vannes, convoyeurs, machines, etc. Elles proviennent typiquement de PLC, contrôleurs machines, RTU ou capteurs intelligents. Une usine peut avoir des centaines de PLC et de contrôleurs, achetés à des périodes différentes et auprès de fournisseurs variés. Les points de données varient selon les contrôleurs, conçus à l’origine pour des systèmes industriels.

Pour tirer des informations (insights) utiles, les données doivent être analysées à travers machines, processus et produits. Des modèles standardisés sont nécessaires pour gérer l’échelle, corréler les données et les présenter aux applications consommatrices.

Les dispositifs industriels et les systèmes IT communiquent différemment. Les premiers utilisent souvent des protocoles propriétaires (bien que l’adoption d’OPC UA et d’autres standards progresse). Les seconds utilisent des APIs et des intégrations personnalisées.

La communication IT avec les dispositifs Edge utilise de plus en plus MQTT, un protocole pub/sub flexible, léger, sécurisé et chiffré. Une solution DataOps doit intégrer les sources OT via les standards industriels, tout en offrant une valeur compatible avec les pratiques IT modernes.

Il est essentiel de pouvoir contenir et maîtriser les flux d’information : les identifier, les activer, les désactiver et les modifier. Pour garantir la qualité des données stockées, les changements de machines doivent être reflétés dans les données collectées.

Du point de vue de la sécurité, il faut savoir quelles données circulent entre les systèmes — et pouvoir couper le flux si nécessaire. Comme beaucoup de fournisseurs souhaitent obtenir des données machines pour fournir des services, l’équipe opérationnelle doit garder le contrôle sur ces flux.

Les données industrielles sont produites en millisecondes ou secondes, et doivent être contextualisées et livrées à une résolution spécifique au cas d’usage. Les solutions ETL en batch, conçues pour des données transactionnelles, ne conviennent pas.

De plus, les données industrielles représentent la propriété intellectuelle de l’usine, et doivent être protégées et transmises de manière sécurisée.

Les applications d’analytique et de visualisation peuvent fonctionner près des machines, en datacenter, ou dans le cloud. Mais la solution d’Industrial DataOps doit fonctionner au plus près des dispositifs, pour fournir les données à la fréquence ou condition requise. Elle doit aussi partager les modèles à travers l’usine et l’entreprise pour assurer standardisation et normalisation.

Une solution efficace d’Industrial DataOps :