Qu’est-ce que l’efficacité globale des équipements (OEE) ?

Indicateurs de fabrication mesurant la productivité des équipements via les taux de disponibilité, de performance et de qualité pour une vision globale de l'efficacité de la production

Summary

Calculé selon la formule OEE = Disponibilité × Performance × Qualité, l'objectif des entreprises manufacturières de classe mondiale est de 85 % d'OEE, tandis que les valeurs typiques se situent entre 40 et 60 %, fournissant ainsi un référentiel standardisé pour les comparaisons d'efficacité de production.
La disponibilité mesure le temps de production réel par rapport au temps de production planifié, en tenant compte des pannes d'équipement, des temps de réglage/changement de série et des arrêts imprévus réduisant la capacité opérationnelle.
La performance évalue la vitesse de production réelle par rapport au temps de cycle idéal, en identifiant les ralentissements, les arrêts mineurs et les réductions de vitesse de fonctionnement. Enfin, la qualité évalue le rapport entre les unités conformes et le nombre total d'unités produites, en excluant les défauts et les retouches.

Qu'est-ce que l'efficacité globale de l'équipement ?

L'efficacité globale de l'équipement (OEE, pour Overall Equipment Effectiveness) est un indicateur de l'utilisation d'une installation de fabrication (locaux, temps et matériel) par rapport à son plein potentiel pendant les périodes où elle doit fonctionner. Elle correspond au pourcentage de temps de fabrication qui est réellement productif. L'OEE est un tableau de bord qui présente la performance totale d'un processus discret ou continu. L'OEE est maximale quand elle atteint 100 % : cela signifie que l'usine produit uniquement des pièces correctes (100 % de qualité), à la vitesse maximale (100 % de performance) et sans interruption (100 % de disponibilité).

La mesure de l'OEE fait partie des bonnes pratiques du secteur de la fabrication. La mesure de l'OEE et des pertes sous-jacentes génère de puissants insights sur l'amélioration systématique du processus de fabrication. L'OEE est très utile pour prévenir les pertes, comparer les progrès accomplis et améliorer la productivité de l'équipement de fabrication (autrement dit, éliminer les gaspillages).

Pourquoi est-ce aussi important ?

L'OEE est la principale métrique de la fabrication depuis des décennies. Traditionnellement, pour superviser l'OEE, il fallait collecter manuellement des lots de données directement sur les machines, puis calculer la métrique. En soi, l'OEE est un tableau de bord réactif qui assure le suivi des performances au fil du temps. Tout l'intérêt de l'OEE est d'orienter la mise en œuvre des cas d'usage capables d'améliorer ses paramètres : la maintenance prédictive pour gagner en disponibilité et la vision par ordinateur pour améliorer le contrôle de la qualité, ces deux fonctions étant prédictives.

Quelles sont les capacités uniques de Databricks ?

Le Lakehouse Databricks utilise des technologies comme Delta, les DLT, Autoloader et Photon. Elles permettent aux clients de rendre les données disponibles pour la prise de décision en temps réel.
Le lakehouse pour la fabrication prend en charge les jobs les plus volumineux en quasi temps réel. Par exemple, des clients importent près de 400 millions d'événements par jour depuis des systèmes de journaux transactionnels, à des intervalles de 15 secondes. En raison des perturbations qui touchent les rapports et l'analyse pendant le traitement des données, la plupart des clients du secteur du retail chargent leurs données dans leur data warehouse pendant la nuit. Certaines entreprises chargent même les données à un rythme hebdomadaire ou mensuel.
Une architecture en lakehouse fournit une méthode plus simple que les approches traditionnelles – l'architecture Lambda, notamment – pour importer et traiter les données en batch et en streaming. L'architecture gère la capture des données de modification et assure la conformité ACID des transactions.
Les DLT simplifient la création de pipelines de données et créent automatiquement le lineage pour faciliter la gestion en continu.
Le lakehouse permet d'importer des flux de données en temps réel et de les analyser. Les data warehouses nécessitent des opérations d'extraction, de transformation et de chargement, puis une nouvelle extraction pour effectuer des analyses.
Photon délivre des performances exceptionnelles pour les requêtes, ce qui permet aux utilisateurs d'interroger les plus grands ensembles de données afin d'alimenter la prise de décisions en temps réel dans les outils de BI.

Quels défis faut-il relever pour mettre en place des capacités d'OEE prédictives ?

Volume et diversité des données IoT : pour mettre en place les cas d'usage prédictifs propres à l'OEE, le lakehouse prend en charge tous les types de structures et de schémas de données, comme les mesures intermittentes de la température, de la pression ou de la fréquence des vibrations. Il intègre aussi des données non structurées (images, vidéo, texte, données spectrales) et divers formats comme les signaux thermographiques ou acoustiques. Il accepte également tous les pilotes et protocoles qui acheminent ces informations depuis la périphérie.
Gestion de la complexité des données en temps réel : pour permettre la supervision des processus en continu, l'optimisation du débit ou la maintenance prédictive, le lakehouse effectue des analyses en temps réel sur les données en streaming. Le lakehouse importe, stocke et traite efficacement ces flux de données en temps réel ou quasi temps réel, pour produire des insights instantanément.
Libérer les données des silos indépendants : au sein de la chaîne de valeur, les processus spécialisés (plateformes d'innovation, QMS, MES, etc.) exploitent des sources de données et des plateformes segmentées, dédiées à des solutions uniques et cloisonnées. Parce qu'elles n'exploitent qu'une fraction des insights que recèlent les données de l'entreprise, ces solutions au champ d'action réduit offrent une valeur limitée et favorisent la multiplication d'outils inutiles, isolés et dépourvus de possibilités de collaboration. Autre avantage, le lakehouse incorpore, stocke et traite les flux de données provenant de tous les maillons de la chaîne de valeur. Il les associe à d'autres sources – historiens des données, ERP, MES et QMS – pour en extraire des insights exploitables.
Diversité des capacités analytiques : les data warehouses traditionnels n'offrent que peu d'analyses et d'insights sur la consommation et les performances de la plateforme. Pour les solutions IoT dédiées à la fabrication connectée, le lakehouse offre un large éventail d'options d'analyse : analytique SQL et capacités de recherche, outils de prise en charge du machine learning et de la modélisation, et intégration étroite avec des solutions de business intelligence (BI) de pointe, qui offrent des fonctions spécifiques de tableau de bord et d'analytique métier.
Capacités de modélisation prédictive : la modélisation prédictive est indispensable pour produire des insights. Les capacités de machine learning du lakehouse, centrées sur des notebooks, permettent de prédire et prévenir les perturbations avant qu'elles n'affectent les opérations.