Plateforme d'exploitation industrielle
Industrie manufacturière · Fournisseurs automobile & aérospatiale
2024
enterprise
Ce dont ils avaient besoin
L'entreprise exploite cinq usines produisant des composants métalliques de précision pour des fournisseurs automobiles et aérospatiaux. Chaque usine suivait la production via un mélange de fiches suiveuses papier, de tableurs et d'un module MES vieux de 15 ans qui ne se synchronisait que la nuit. Les superviseurs de ligne n'avaient aucun moyen de voir l'état des machines ou l'avancement des commandes sans se rendre à un terminal, si bien que les arrêts restaient souvent non signalés pendant des heures. Le siège ne pouvait pas voir la capacité inter-usines en temps réel, ce qui signifiait que les retards de commande n'étaient détectés qu'après l'appel d'un client. Les clients automobiles et aérospatiaux attendaient également des relevés d'arrêt et de cause racine traçables et prêts pour l'audit, à la demande, ce que le processus papier ne pouvait pas produire rapidement. Un déploiement ERP prévu six mois plus tard ne pouvait pas, à lui seul, combler l'écart au niveau de l'atelier.
Ce que nous avons construit
Prixelo a construit une plateforme de suivi de production qui ingère les données machine et ligne — captées via des capteurs IoT rétrofités sur les équipements existants — par des flux d'événements Kafka, et les stocke dans PostgreSQL pour le reporting et l'historique d'audit. Un tableau de bord React donne aux directeurs d'usine et à la direction générale une vue en direct du débit, du temps de changement de série et des causes d'arrêt sur les cinq usines, avec une exploration jusqu'à un ordre de fabrication unique. En parallèle, nous avons construit une application mobile compagnon pour les superviseurs de ligne : une interface React qu'ils emportent sur le terrain, affichant l'état des machines en temps réel, les alertes ouvertes et les objectifs d'équipe, avec des notifications push dès qu'une ligne s'arrête. Le backend Node.js tourne comme un ensemble de services Docker par usine, si bien qu'une panne réseau sur un site ne fait jamais tomber les autres. Les superviseurs consignent les causes d'arrêt directement depuis l'application plutôt que sur une fiche papier.
Comment nous l'avons abordé
Kafka a été choisi pour l'ingestion des événements machine — alimentés par des capteurs IoT rétrofités sur les équipements existants — afin que les événements d'arrêt et de temps de cycle circulent en temps réel plutôt que via les synchronisations nocturnes par lot de l'ancien MES.
Le backend Node.js a été déployé en conteneurs Docker par usine derrière une passerelle partagée, afin qu'une panne réseau sur une usine ne fasse jamais tomber la surveillance des quatre autres.
L'application superviseur a été construite comme une PWA React installable plutôt que deux bases de code natives, afin que l'informatique puisse déployer des mises à jour sur les tablettes d'atelier sans les délais de validation des stores d'applications.
Les codes de motif d'arrêt et les ordres de fabrication ont été modélisés dans PostgreSQL avec un schéma pensé pour l'audit, afin que les rapports de cause racine puissent être extraits directement pour les audits qualité des clients.
Notre impact
Arrêts non planifiés réduits
Vitesse de signalement des arrêts
Machines et lignes connectées
"Avant, on apprenait l'arrêt d'une ligne le lendemain matin, lors de la synchronisation nocturne du MES. Maintenant, un superviseur le signale depuis l'application sur le terrain, et le siège le voit dans la même minute. Ce seul changement a rentabilisé le projet."
VP Opérations
Entreprise manufacturière
Dites-nous ce que
vous voulez construire.
Apportez-nous ce que tout le monde a jugé trop compliqué. Réponse gratuite et sans engagement sous 24 heures — accord de confidentialité (NDA) sur demande.