Industrie : une donnée collectée n’est pas forcément une donnée exploitable

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.

Par Maxime MEUNIER – Responsable marketing : solutions IIoT & connectivités industrielle | TECHNILOG