Renault s’est engagée dans la transformation de son process industriel pour répondre aux enjeux de l’usine du futur et de l’industrie 4.0. Un des éléments les plus importants concerne donc, dans le cadre de cette thèse, la continuité numérique et la circulation des données du process en temps réel pour accélérer la réactivité afin de constituer une banque de données accessible à tout niveau de l’entreprise. L’idée est d’accélérer la valorisation des données machine sans perdre de temps à la nettoyer. Une donnée structurée, un dictionnaire unique et un chemin d’accès doivent permettre une efficacité accrue. L’objectif est d’éviter de passer du temps à reconstruire l’environnement de la donnée (contexte, unité de mesure, …), à élaborer des tables de correspondance inter-système (différence de dictionnaire, … ) et à comprendre les dépendances entre les données. Techniquement, un des objectifs est de mettre en œuvre la circulation des données à travers des protocoles de communication transversaux à l’entreprise comme le standard qui se définit dans le cadre de l’industrie du futur : OPC-UA (Mahnke, 2009, Bruckner et al, 2019).

La structuration des données inhérente au sujet de thèse impose une modélisation des process industriels qui amène plusieurs difficultés scientifiques :

• La structuration de la donnée directement sur la machine,
• La création de modèle de données structurées par des acteurs d’horizons multiples,
• La capacité des modèles de données à évoluer dans le temps sans régression,
• La possibilité de déployer les modèles de données dans toutes les couches de l’entreprise,
• La conservation des structures de données pour pouvoir maintenir le fonctionnement des algorithmes quelles que soient les versions des modèles de données.

 L’ensemble de ces difficultés peut être un véritable frein à certaines fonctionnalités dans :

• La continuité numérique au niveau des étapes d’exploitation comme dans les étapes de conception,
• L’utilisation du jumeau numérique avec la possibilité d’animer en temps réel la maquette numérique avec les données captées,
• L’échange de données dans le machine to machine,
• L’implémentation de méthodes dans les modèles de données structurées.

Les verrous scientifiques de cette thèse sont donc de plusieurs ordres :

• La granulométrie des modèles,
• La capacité du modèle de données à la navigation multi-utilisateur à profils différents,
• La capacité du modèle à emporter des méthodes,
• La dynamique de propagation du modèle,
• La facilité à la mise à jour sans interrompre la production.