La nouvelle matière première de l’usine

On parle d’intelligence artificielle, de jumeaux numériques, de maintenance prédictive. Mais tous reposent sur une seule chose : la donnée. Une usine en produit des quantités colossales — chaque capteur émet une valeur plusieurs fois par seconde. Le problème n’est pas d’en avoir, c’est d’en avoir de la bonne, bien rangée et compréhensible. Avant tout projet d’IA, il faut comprendre la donnée industrielle.

Une donnée née sur le terrain

La donnée industrielle vient du procédé : un transmetteur de température, un compteur, l’état d’une vanne, un défaut d’automate. Elle remonte par les automates (PLC, DCS, SCADA), souvent via le protocole standard OPC UA qui unifie l’accès aux équipements. C’est une donnée temps réel, brute, exprimée dans l’unité du capteur — et pas toujours fiable : un capteur dérive, se bouche, tombe en panne.

La série temporelle et l’historian

L’essentiel de la donnée industrielle est une série temporelle : une suite de couples « horodatage + valeur ». On l’archive dans une base spécialisée, l’historian, optimisée pour stocker des millions de points et les rejouer vite. C’est la mémoire de l’usine : elle permet de revoir une dérive, d’analyser un incident, de comparer deux campagnes de production. Les volumes sont énormes : un seul capteur à 1 Hz génère 86 400 points par jour ; une usine de 10 000 mesures en produit ~1 milliard par jour. D’où la compression (souvent 10–20×) et l’échantillonnage adaptatif propres aux historians.

Contextualiser : donner du sens à la mesure

Une valeur seule — « 73,4 » — ne veut rien dire. Il faut savoir de quoi elle parle (quel équipement), dans quelle unité, dans quel contexte (quel produit, quel lot, quel mode de marche). C’est la contextualisation : relier la donnée brute au modèle de l’usine. Sans elle, l’analyse est impossible. C’est souvent l’étape la plus longue et la plus sous-estimée d’un projet data, et le rôle d’un MES que de fournir ce contexte de production.

OT et IT : deux mondes de données

La donnée du terrain (OT) et la donnée de gestion (IT) n’ont ni le même rythme, ni les mêmes priorités. L’OT privilégie le temps réel et la disponibilité ; l’IT, la cohérence et l’analyse. Faire dialoguer les deux — sans ouvrir de brèche de sécurité, voir le modèle Purdue — est l’un des grands enjeux de l’usine connectée et de l’IIoT.

De la donnée à la décision

L’objectif final n’est pas d’accumuler des points, mais d’éclairer une décision : un indicateur de rendement, une alerte de dérive, une optimisation. La chaîne est toujours la même : mesurer, transporter, archiver, contextualiser, analyser, décider. L’intelligence artificielle n’intervient qu’au bout — et ne vaut jamais mieux que la qualité de la donnée qui l’alimente.