Stratégie de conservation des données OEE : combien de temps conserver les données brutes par rapport aux données agrégées et pourquoi cela compte par la suite

Points clés

• Stratégie de conservation des données = les règles sur la durée de conservation des données OEE brutes vs agrégées.
• Données brutes : 30-90 jours à pleine résolution est typique pour l'analyse active.
• Données sous-échantillonnées : 1-3 ans d'agrégats par minute pour l'analyse des tendances.
• Agrégats long terme : 5-7 ans pour le benchmarking et l'audit.
• Décidez de la conservation avant le déploiement. La reconstruction rétroactive des données est impossible.

En bref: Une stratégie de conservation des données OEE spécifie combien de temps conserver les données capteurs brutes, les agrégats sous-échantillonnés et les résumés long terme. Conserver trop peu rend impossibles les entraînements ML futurs et l'analyse des tendances. Conserver trop rend les coûts de stockage incontrôlables.

Un schéma opérationnel courant: 30-90 jours bruts, 1-3 ans d'agrégats par minute, 5-7 ans de résumés long terme. Décidez avant le déploiement car la reconstruction est impossible. Voir aussi OEE vs Utilisation .

Pourquoi la conservation est importante

Trois publics ont besoin des données OEE à différentes résolutions :

• Opérations. Temps réel et 30 derniers jours, pleine résolution.
• Équipes fiabilité et amélioration. 1-3 ans à une résolution pertinente pour l'analyse des tendances.
• ML futur et benchmarking. Années d'historique, possiblement sous-échantillonnées.

Une seule politique de conservation ne peut pas servir les trois. Une politique à plusieurs niveaux peut.

Le modèle de conservation à plusieurs niveaux

Niveau 1 : Brut, pleine résolution. 30-90 jours. Utilisé pour le dépannage actif et l'analyse à court terme. Le coût de stockage est réel mais limité.

Niveau 2 : Agrégats par minute. 1-3 ans. Utilisé pour l'analyse des tendances, l'investigation des causes racines, Pareto OEE dans le temps.

Niveau 3 : Agrégats horaires. 5-7 ans. Utilisé pour le benchmarking long terme, les comparaisons année après année.

Niveau 4 : Agrégats quotidiens. Permanents. Utilisés pour les rapports exécutifs et l'audit.

Ce qui va dans chaque niveau

Brut :

• Toutes les tags PLC à la cadence native.
• Toutes les saisies opérateur avec horodatage.
• Tous les événements de code de raison.
• Toutes les mesures de qualité.

Agrégats par minute :

• OEE par minute.
• Disponibilité, Performance, Qualité par minute.
• Comptes de cycles par minute.
• Événements d'indisponibilité avec raison.

Agrégats horaires :

• OEE par heure.
• Métriques récapitulatives par poste/équipes.
• Catégorisation des pertes au niveau Pareto.

Agrégats quotidiens :

• OEE journalier.
• Production quotidienne.
• Défauts quotidiens.

Pourquoi les bruts à court terme sont si précieux

Le dépannage nécessite la résolution d'origine. Une anomalie de cycle de 30 secondes survenue il y a deux semaines doit être visible. Les agrégats perdent la résolution nécessaire pour la trouver.

La fenêtre 30-90 jours couvre la plupart des enquêtes actives. Les données brutes plus anciennes sont rarement consultées mais coûteuses à conserver.

Pourquoi les agrégats long terme comptent

Les comparaisons année après année, le benchmarking et l'entraînement ML nécessitent un historique long. Mais pas à pleine résolution. Les agrégats journaliers ou horaires conservent la tendance tout en réduisant le stockage de plusieurs ordres de grandeur.

Comment définir les limites des niveaux

1. Identifiez les modes d'accès. Qu'est-ce qui est interrogé, à quelle fréquence, à quelle résolution.
2. Estimez le coût de stockage par niveau. Le brut est coûteux ; les agrégats sont bon marché.
3. Équilibrez coût et utilité. La plupart des usines se situent près du schéma 30-90 jours brut, 1-3 ans minute.
4. Verrouillez la politique. Les changements rétroactifs entraînent une perte de données.

Erreurs courantes

1. Conserver les bruts indéfiniment. Le coût de stockage croît sans limite. Rarement consultées.

2. Agréger trop agressivement. Les agrégats journaliers font perdre la résolution nécessaire pour enquêter.

3. Pas de pipeline de sous-échantillonnage. L'agrégation manuelle casse le processus ; un pipeline automatisé et hiérarchisé est essentiel.

4. Oublier les exigences réglementaires. Certaines industries exigent des durées de conservation plus longues pour la conformité.

L'aspect réglementaire

Certaines industries (pharmacie, agroalimentaire, automobile) ont des exigences de conservation des dossiers de lot qui s'étendent des années au-delà des besoins opérationnels. Vérifiez avant de définir la politique.

Implications cloud vs sur site

Le stockage cloud est peu coûteux et élastique ; le stockage sur site a un coût fixe. L'économie de la politique de conservation diffère :

• Cloud : les coûts des niveaux de rétention sont visibles mensuellement. Facile à étendre.
• Sur site : coût matériel initial. Étendre la rétention est une décision d'investissement.

Les deux fonctionnent ; la bonne politique tient compte du modèle de stockage.

Ce qui change lorsqu'on envisage le ML

L'entraînement ML a besoin d'historique avec labels. Si vous prévoyez d'entraîner des modèles sur des données passées :

• Conservez les bruts plus longtemps (1+ an si possible).
• Étiquetez les événements avec les résultats en aval (défauts, pannes) pour l'apprentissage supervisé.
• Conservez le brut en parallèle des agrégats afin que les futurs modèles puissent utiliser les signaux originaux.

Cela augmente le coût mais permet des capacités futures. Décidez à l'avance.

Erreurs courantes

1. Définir la politique sans consulter les usages futurs. On ne peut pas reconstruire ce qui n'a pas été conservé.

2. Pas de revue périodique. Le coût de stockage dérive ; les modes d'accès changent.

3. Mélanger les niveaux dans un seul stockage. Les niveaux devraient correspondre à différentes classes de coûts de stockage.

4. Sauter la validation de la qualité des données avant agrégation. De mauvaises données brutes produisent de mauvais agrégats irréparables.

Comment une plateforme OEE moderne gère cela

Une plateforme OEE moderne implémente automatiquement la conservation en niveaux, avec une politique configurable par type de données. Les pipelines d'agrégation sont gérés par la plateforme.

Le module OEE de Fabrico prend en charge la conservation à niveaux configurable avec des pipelines de sous-échantillonnage automatisés et des politiques de rétention explicites par type de données.

Voyez comment Fabrico capture cela automatiquement, explorez l'OEE pour la fabrication ou réservez une démo.

Lectures complémentaires

• OEE vs Utilisation
• OEE et ISO 22400
• OEE pour la fabrication par lots
• OEE vs Disponibilité

Questions fréquentes

Combien de temps dois-je conserver les données OEE brutes ?

30-90 jours pour la plupart des cas d'usage. Plus longtemps si un entraînement ML est prévu.

Dois-je tout garder indéfiniment ?

Le coût de stockage rend cela impraticable à grande échelle. Agrégez les données plus anciennes à la place.

Puis-je reconstruire des données brutes perdues à partir d'agrégats ?

Non. L'agrégation fait perdre de l'information qui ne peut pas être récupérée.

Quel budget de stockage est raisonnable ?

Le stockage temporel cloud représente typiquement une petite fraction du coût d'une plateforme OEE. Le sur site nécessite un capital initial.

La rétention doit-elle différer selon le type de données ?

Oui. Les flux de tags PLC nécessitent une conservation différente des codes de raison ou des saisies opérateur.