Examen des technologies


c’est-à-dire sur le cloud, représentent une plateforme sécurisée et robuste pour le développement et l’analyse d’applications, ce qui est crucial pour tirer le meilleur parti des flux de données brutes produites en amont.


Dans certains cas cependant, il est préférable de traiter et d’analyser les données au plus près des équipements installés en atelier, un concept également appelé « edge computing », ou informatique en périphérie de réseau. Ce traitement des données en périphérie réduit la quantité d’informations qui doivent être envoyées vers le cloud. Par exemple, un moteur équipé d’un capteur produit quotidiennement de très grandes quantités de données, dont la plupart sont compris à l’intérieur des paramètres des normes opérationnelles. L’edge computing permet de prétraiter et de trier ces données, de sorte que seules les informations présentant une réelle valeur seront transmises au cloud où elles seront analysées ultérieurement.


L’informatique en périphérie apporte plusieurs avantages aux fabricants. Dans les applications critiques, l’edge computing permet d’identifier des anomalies opérationnelles plus rapidement en réduisant les problèmes de latence associés au cloud. Certaines installations de production sont parfois situées à distance, dans des endroits où la connectivité en cloud est lente ou peu stable. En outre, l’informatique en périphérie de réseau est intéressante pour les entreprises qui ne souhaitent pas que leurs données sensibles (propriété intellectuelle, par exemple) soient transmises hors site.


Au tour de l’apprentissage automatique


Nous avons abordé les sujets liés à la collecte des données, à la connectivité et au stockage des informations, mais quand est-il de l’analyse des données? Ce sujet souligne le rôle joué par l’apprentissage automatique (le « machine learning »): comment utiliser des algorithmes avec efficacité pour analyser les données et créer un modèle qui pourra être utilisé par la suite pour prendre des décisions éclairées? Cet « apprentissage à partir des données » peut être poussé d’un cran jusqu’au principe de l’apprentissage en profondeur (le « deep learning »), un concept selon lequel les réseaux sont capables d’utiliser des données


20


non structurées pour construire de nouveaux modèles dans le cadre d’un processus non supervisé.


À terme, c’est le développement de l’apprentissage automatique et de l’apprentissage approfondi qui permettra aux réseaux IIoT de gérer et de traiter les flux d’information, et ainsi de prédire le comportement des équipements en s’appuyant sur les jeux de données collectées précédemment. Cette méthode ouvre la possibilité d’un nouvel univers où la fabrication sera plus intelligente et s’appuiera sur des techniques proactives et non réactives pour détecter les problèmes avant qu’ils n’apparaissent.


Dernière pièce du puzzle, l’utilisation d’une interface de programmation d’applications (API), qui fournit les briques de base du développement logiciel et sert d’intermédiaire avec les différents services disponibles sur le cloud.


Concevoir pour l’IIoT


En résumé, quelles sont les considérations que les concepteurs doivent prendre en compte au moment de choisir des produits et des équipements pour les applications connectées à l’Internet des objets industriel ? Tout d’abord, il ne suffit pas d’ajouter de la connectivité, mais de recueillir, transmettre, analyser et exploiter le bon type de données, ce qui exige de mettre en place certains éléments de base. Pour ce faire, le concepteur choisira le bon type de capteurs, solutions câblées ou sans fil, antennes et autres batteries, mais aussi des connecteurs et des composants passifs dont les dimensions ne cessent de diminuer. D’autres facteurs concernant le déploiement final et qui pourraient avoir une influence sur la taille, le poids, les performances et l’interopérabilité seront également pris en compte.


La connectivité sans fil a également enregistré de rapides progrès ces dernières années, des technologies telles que LTE-M (Long-Term Evolution for Machines) et l’Internet des objets en bande étroite (NB-IoT) devenant des options de connectivité intéressantes pour les installations industrielles connectées. Quoique semblables, ce sont deux technologies de réseau étendu basse consommation (LPWAN: Low Power Wide Area Network), les technologies LTE-M et NB-


Page 1  |  Page 2  |  Page 3  |  Page 4  |  Page 5  |  Page 6  |  Page 7  |  Page 8  |  Page 9  |  Page 10  |  Page 11  |  Page 12  |  Page 13  |  Page 14  |  Page 15  |  Page 16  |  Page 17  |  Page 18  |  Page 19  |  Page 20  |  Page 21  |  Page 22  |  Page 23  |  Page 24  |  Page 25  |  Page 26  |  Page 27  |  Page 28  |  Page 29  |  Page 30  |  Page 31  |  Page 32  |  Page 33  |  Page 34  |  Page 35  |  Page 36