Le « Manufacturing Intelligence », c’est parvenir à utiliser la technologie pour apporter de l’information et prendre des décisions au plus proche des machines dans l’atelier. Depuis quelques années, on peut avoir, avec de nouveaux outils, une logique de transformation de la donnée en informations et restituer cette donnée à l’opérateur devant sa machine pour prendre la bonne décision à l’instant t : l’opérateur devient acteur des décisions dans l’atelier de production. 
Cela commence par une phase de collecte de la donnée avec des capteurs ou des systèmes existants (température, vibrations…), puis la structuration de la donnée pour avoir des analytics de qualité et son stockage. Une fois cette donnée structurée, il y a différentes technologies pour faire du data analytics et, avec le « machine learning », cela devient encore plus puissant et plus précis. Ensuite, ce qui est important, c’est de fermer la boucle et présenter à l’opérateur le résultat de ces analytics comme une information utilisable pour la prise de décision. Cela peut se faire en utilisant la réalité augmentée, mais aussi plus simplement avec une tablette ou un smartphone.

Mais il y a différentes échelles de temps : du temps réel de contrôle, qui peut être la milliseconde, le temps réel de l’opérateur devant la machine, qui est plutôt la seconde, et les analytics, avec des échelles de temps plus longues en analysant des tendances historiques pour prendre des décisions sur la fabrication de la semaine suivante ou sur l’investissement dans une nouvelle chaîne pour l’année prochaine. La notion de Manufacturing Intelligence a ainsi un spectre large d’échelles de temps, de la milliseconde à l’optimisation de la supply chain pour les trois ans à venir.

Nous voyons 3 catégories d’applications :
• L’opérateur augmenté pour optimiser dans l’atelier, en temps réel, le processus de fabrication.
• L’optimisation sur un temps plus long des opérations, avec une recherche d’efficacité de l’outil industriel pour que la production d’une unité revienne moins cher, avec une meilleure empreinte carbone, donc soit mieux optimisée.
• L’optimisation des assets de production pour minimiser les temps d’arrêt des machines (prédire une panne) : c’est plutôt le rôle des équipes de maintenance.

Dans la phase d’optimisation des opérations, si l’on réduit l’énergie, les matières premières, l’utilisation d’eau ou de produits pour un process donné, on obtient des gains qui se traduisent directement en impact positif. Dans la partie efficacité énergétique pour laquelle Schneider Electric a une bonne expérience, on voit couramment des gains de 30 % sur la facture d’électricité pour des process énergivores. Le client peut utiliser tous ces analytics pour avoir une vision beaucoup plus large et s’assurer que toute la chaîne de valeur, depuis la matière première jusqu’au produit fini, répond à des objectifs de développement durable de l’entreprise, car il a souvent du mal à avoir de la visibilité sur tous les approvisionnements : mettre en place un monitoring pour avoir la visibilité de l’empreinte carbone de la supply chain est une première étape.

Toutes ces solutions digitales peuvent s’adapter à des usines existantes : la technologie apporte des solutions modulaires faciles à mettre en place sur des machines anciennes. Ce qui est très puissant, c’est de commencer à raisonner « petit » et à réfléchir sur les cas d’usage plutôt que sur la technologie. Les discussions partent de l’atelier avec les opérateurs ou les équipes de maintenance : comment mettre la technologie au service de la résolution d’un problème bien défini.