Fiabiliser les données remontées par les machines
Une machine qui « tourne » un dimanche à 3 h du matin, un taux de rendement à 112 % : les données industrielles mentent plus souvent qu'on ne le croit. Voici comment les rendre dignes de confiance, de l'automate jusqu'au tableau de bord.
Le tableau de bord indique que la ligne 3 a produit pendant toute la nuit de dimanche. Personne n’était là, l’atelier était fermé. Le lundi matin, un technicien découvre l’explication : l’automate a redémarré après une coupure, son horloge est repartie à une date par défaut, et le collecteur a recalé les valeurs comme il a pu. L’incident est anodin. Il dit pourtant l’essentiel sur la qualité des données machine : une donnée peut être parfaitement transmise et parfaitement fausse.
Ce guide s’adresse aux responsables d’usine, de méthodes et de systèmes d’information qui veulent bâtir des indicateurs, de la maintenance prédictive ou un jumeau numérique sur des données qu’ils n’ont jamais vraiment vérifiées.
Où la donnée se dégrade
On soupçonne d’abord le capteur. Il est rarement le coupable principal. Entre la mesure physique et la ligne d’une base de données, une valeur traverse plusieurs étapes : conversion analogique, programme de l’automate, protocole de communication, passerelle, collecteur, historien, puis traitements d’agrégation. Chacune peut arrondir, décaler, perdre ou inventer.
Le cas le plus fréquent est banal : une variable de l’automate a été créée pour la commande de la machine, pas pour la mesure. Elle est échelonnée selon une convention connue du seul automaticien qui l’a écrite, elle se remet à zéro à chaque changement de série, ou elle ne change que lorsque la machine est dans un certain mode. Lue de l’extérieur, sans cette connaissance, elle produit des courbes plausibles et des conclusions erronées.
Six familles de défauts
Les anomalies se regroupent en six familles. Les connaître permet d’écrire des contrôles précis plutôt qu’un vague « nettoyage ».
| Défaut | Comment il se manifeste | Contrôle possible |
|---|---|---|
| Horodatage | Événements dans le désordre, décalages d’une heure au changement d’heure, dates impossibles après un redémarrage | Horloges synchronisées (NTP, PTP), horodatage en temps universel, rejet des dates hors fenêtre |
| Unités et échelles | Une pression en bar ici, en dixièmes de bar là ; un facteur 10 oublié dans une conversion | Dictionnaire des signaux avec unité et échelle, contrôles de plage physique |
| Valeurs figées | Une température rigoureusement constante pendant des heures : le capteur ou la liaison est mort, la dernière valeur est répétée | Détection de variance nulle sur une durée anormale |
| Trous et doublons | Coupures réseau, mémoires tampons qui débordent, valeurs renvoyées deux fois après une reprise | Contrôle de la fréquence attendue, clés d’unicité, journal des reprises |
| Compteurs | Remises à zéro, débordements, compteurs qui reculent : la production calculée devient négative ou explose | Détection des ruptures, calcul différentiel tenant compte des remises à zéro |
| Contexte manquant | Une valeur exacte, mais impossible à interpréter : recette, mode manuel, nettoyage, arrêt planifié | Signaux d’état associés à chaque mesure, référentiel des arrêts |
Les cinq premières familles relèvent de la technique et se détectent assez bien par des règles. La sixième est la plus coûteuse, parce qu’elle ne se voit pas : la donnée est juste, c’est sa lecture qui est fausse.
Contrôler au plus près de la source
Corriger en bout de chaîne est tentant : on charge tout dans un entrepôt et l’on nettoie ensuite. C’est la stratégie la plus chère, parce que l’information qui permettrait de corriger (l’état de la machine à l’instant de la mesure, la raison d’une coupure) a souvent disparu. La démarche inverse donne de meilleurs résultats.
- Établir le dictionnaire des signauxPour chaque variable utile : sa signification physique, son unité, son échelle, sa plage plausible, sa fréquence, le mode dans lequel elle est valide, et le nom de la personne qui en répond. Ce document, souvent absent, est le socle de tout le reste.
- Synchroniser les horlogesAutomates, passerelles et serveurs sur une même référence de temps, horodatage en temps universel, et règle claire : la date retenue est celle de la mesure, pas celle de la réception.
- Transporter le statut de qualitéLes protocoles industriels modernes le prévoient : OPC UA associe à chaque valeur un code d’état (bon, incertain, mauvais). Ce statut doit être conservé jusqu’à la base, et non filtré par une passerelle qui ne garde que la valeur.
- Contrôler à l’entrée de l’historienPlages, fréquences, variance, cohérence entre signaux liés. Une valeur suspecte n’est pas supprimée : elle est marquée, et le motif du marquage est enregistré.
- Joindre le contexteÉtats de la machine, recettes, ordres de fabrication et arrêts planifiés sont enregistrés à côté des mesures, sur la même échelle de temps, pour que chaque valeur puisse être lue dans sa situation.
Une correction appliquée en aval (lissage, interpolation, recalage d’horloge) doit produire une nouvelle valeur, à côté de l’originale, avec la règle qui l’a produite. Sans cette traçabilité, il devient impossible d’expliquer un indicateur, et encore moins de le défendre lors d’un audit ou d’une analyse d’incident.
Le contexte, la donnée qui manque toujours
Un taux de rendement synthétique supérieur à 100 % ne signale pas une machine exceptionnelle. Il signale presque toujours une cadence théorique mal renseignée pour une référence de produit, ou un temps d’arrêt planifié décompté deux fois. La donnée machine, seule, ne permet pas de le voir.
Les informations de contexte viennent rarement de l’automate. Elles se trouvent dans le système de gestion de production, dans les fiches de maintenance, parfois dans un tableur ou sur un tableau blanc. Les raccorder demande un travail d’organisation autant que d’intégration : convenir d’un référentiel commun des machines et des états, décider qui saisit les arrêts et dans quel délai, accepter qu’une saisie tardive vaut mieux qu’une absence de saisie.
Le modèle ISA-95, qui organise les niveaux d’une usine du capteur à la gestion d’entreprise, aide à situer chaque information et son propriétaire. Il ne dispense pas de la conversation entre l’atelier et l’informatique, qui reste le vrai chantier. Notre dossier sur les automates et le système d’information détaille cette articulation.
Mesurer la qualité, pas seulement la corriger
La qualité des données machine se pilote comme n’importe quelle autre performance : avec quelques indicateurs suivis dans le temps, par signal et par machine. Trois suffisent pour commencer : la complétude (part des valeurs attendues effectivement reçues), la part de valeurs marquées incertaines ou mauvaises, et le délai entre la mesure et sa disponibilité. Leur évolution dit plus que leur niveau absolu : une machine dont la complétude chute d’une semaine à l’autre a un problème de liaison, de passerelle ou de programme qu’il vaut mieux trouver avant qu’il ne fausse un mois de reporting.
Ces indicateurs ont un autre mérite : ils rendent visible un travail qui ne l’est jamais. Lorsque la direction demande pourquoi un projet de maintenance prédictive prend du retard, un graphique de complétude par machine vaut mieux qu’une longue explication.
Une donnée industrielle n’est fiable que si quelqu’un, quelque part, sait dire ce qu’elle mesure et dans quelle situation elle est valide.
Le premier pas
Inutile de lancer un programme de gouvernance des données pour toute l’usine. Choisissez une machine et une décision qui compte (un arrêt récurrent, un indicateur contesté), listez la dizaine de signaux qui l’alimentent, et confrontez une semaine de données à ce que les équipes ont vécu. Les écarts trouvés dessineront le dictionnaire des signaux, les contrôles prioritaires et le premier responsable à nommer.
C’est souvent par là que commencent les projets d’IA industrielle qui aboutissent : par la donnée, avant le modèle. Notre expertise industrie et automates accompagne ce travail de la source au tableau de bord, et notre offre IA d’entreprise prend le relais lorsque les données sont prêtes à nourrir des usages prédictifs.
Questions fréquentes
Comment savoir si nos données machine sont fiables ?
Le test le plus simple consiste à confronter une semaine de données à ce que les équipes savent du terrain : arrêts réels, changements de série, pannes. Les écarts révèlent vite les défauts d'horodatage, de valeurs figées ou de contexte manquant. Un contrôle automatique des plages, des fréquences et des trous complète ensuite ce premier regard.
Faut-il corriger les données en base ou à la source ?
À la source chaque fois que c'est possible : une horloge synchronisée, une unité documentée, un statut de qualité transmis. Corriger en base reste utile pour l'historique, mais une correction appliquée en aval doit être tracée et ne jamais écraser la valeur d'origine.
Qui doit être responsable de la qualité des données machine ?
Chaque signal utile doit avoir un responsable nommé, en général côté méthodes ou maintenance, qui connaît sa signification physique. L'équipe informatique garantit le transport et le stockage ; elle ne peut pas décider seule si une température de 0 °C est plausible sur une presse.
L'IA peut-elle compenser des données de mauvaise qualité ?
Partiellement et avec risque. Les modèles de détection d'anomalies aident à repérer des valeurs suspectes, mais un modèle entraîné sur des données biaisées apprend ces biais. La qualité des données machine reste un préalable, pas une option, pour tout usage prédictif.