Process Mining en atelier

Transformez les données des capteursen activités de processus réelles

L'IoT Miner de Process.Science utilise l'apprentissage automatique pour identifier ce que font réellement vos machines, transforme ces états en activités de processus et les lie aux ordres de production de votre ERP. Le process mining qui s'étend jusqu'à l'atelier.
Découvrez comment cela fonctionne
Parler avec un expert

Votre ERP connaît la commande.
Vos machines connaissent le reste

Entre la « commande lancée » et la « commande terminée » se joue tout ce qui se passe dans l'atelier. L'IoT Miner rend cette partie visible, dans le même journal d'événements que le reste de votre processus.
Dashboard interface titled 'Moulding line 2, one week' displaying the progress of a data processing pipeline with steps 'Dataset', 'Clustering', 'Labelling' marked as Done and 'Event Log' as current step. Statistics show 60,480 readings, 6 sensors, continuous data with 77% confidence, and a 168-hour time span starting from 02/03/2026. A columns summary table lists three sensor types barrel_temperature_c, injection_pressure_bar, screw_speed_rpm, all continuous with unique values and change rates: 1,252 (99.5%), 4,065 (93.0%), and 538 (92.5%) respectively. The interface includes a sidebar menu and a 'Download event log' button.
Dashboard screen titled 'Clustering' showing clustering configuration for machine state readings. Displays six distinct machine states with a silhouette score of 0.498 and a 60-second window aggregation span. Table lists states #0 to #5 with rows, share percentages, and metrics for barrel temperature, injection pressure, screw speed, and mould temperature. Controls on the right allow selection of window span, search, configuration options, and setting fewest and most states. Sidebar with icons is visible on the left.
Screen showing a labelling interface for clustering activity states with a table listing states such as Production, Heating, Idle, Mould Change, Alarm Stop, and Purging, alongside columns for Rows, Share percentage, barrel temperature, injection pressure, screw speed, and mould temperature. On the right, a context input box describes an injection moulding machine making housings in two shifts and an option toggle to use a language model for naming states.
Dashboard interface showing an event log with 341 events, 84 cases, 6 activities, and median case duration of 34.5 minutes. Activity sequences like Idle to Heating to Production are listed with case counts. Controls on the right allow setting gap duration, events per case, fewest events, and merging repeated activities. Buttons for downloading and building the event log are at the top right.
User interface showing 'All datasets' section with one dataset titled 'Moulding line 2, one week' containing 60,480 readings from six sensors, dated 26/10/2026 at 13:45:02. There is a button to add a dataset. The interface has a vertical black sidebar with icons for navigation and language set to English.

Comprenez chaque immobilisation

Les micro-arrêts et les pannes deviennent des activités à part entière, avec un début, une fin et une fréquence.

Identifiez l'origine des retards sur la machine

Lorsqu'une commande est en retard, vous voyez quel état sur quelle machine en est la cause.

Une vue unique pour la planification et la production

Les événements machines et les commandes ERP figurent dans le même journal d'événements, permettant ainsi à la planification et à la production de se baser sur les mêmes faits.
La formule Process.Science

Du signal machinevers une compréhension des processus

Tableaux de bord de capteurs

Affiche les mesures des machines. Température, puissance, vibrations. Une image fiable du signal.

Process mining sur données ERP

Montre comment une commande a transité par la planification, la production et la livraison. Entre le lancement et l'achèvement, il identifie chaque étape.

Process.Science IoT Miner

Intègre les activités réelles des machines à cette étape. Vous voyez quel état sur quelle machine a retardé quelle commande et à quelle fréquence.

Vos données machine décodéesen trois étapes

Cluster identifie les modèles. Label leur donne un nom. Merge les relie à vos commandes
Cluster

Laissez les données révéler leurs modèles

L'apprentissage automatique identifie les états dans vos données de capteurs, sans seuils définis manuellement.
États récurrents :Jusqu'à 80 % des processus reconnus sans modélisation manuelle.
Anomalies isolées :Les micro-arrêts et les pannes deviennent des clusters distincts, chronométrés avec précision.
Connexions standard :Passerelles IoT, OPC UA et SCADA.
Dashboard screen titled 'Clustering' showing clustering configuration for machine state readings. Displays six distinct machine states with a silhouette score of 0.498 and a 60-second window aggregation span. Table lists states #0 to #5 with rows, share percentages, and metrics for barrel temperature, injection pressure, screw speed, and mould temperature. Controls on the right allow selection of window span, search, configuration options, and setting fewest and most states. Sidebar with icons is visible on the left.
Screen showing a labelling interface for clustering activity states with a table listing states such as Production, Heating, Idle, Mould Change, Alarm Stop, and Purging, alongside columns for Rows, Share percentage, barrel temperature, injection pressure, screw speed, and mould temperature. On the right, a context input box describes an injection moulding machine making housings in two shifts and an option toggle to use a language model for naming states.
Étiqueter

Vos experts le nomment une seule fois

Un cluster nommé « État A » ne signifie rien dans un graphe de processus. Vos experts lui donnent un nom une seule fois.
Suggestion de l'IA :L'IoT Miner propose un nom métier pour chaque cluster.
Validation humaine :Celui qui connaît la machine valide ou corrige. Aucun data scientist n'est requis.
Appris une fois pour toutes :Chaque étiquette confirmée est réutilisée sur toutes les nouvelles données.
Fusionner

Un journal d'événements unique pour la commande et la machine

Les activités des machines sont associées aux commandes de votre ERP ou MES en fonction du numéro de commande et de l'heure.
Une source unique de vérité :Les événements de la machine sont intégrés à l'étape ERP « Commande 4711 en production ».
Cause profonde jusqu'à la machine :La commande 4711 a pris du retard car un « micro-arrêt de la machine 3 » s'est produit 15 fois.
Conception optimisée :Seuls les états reconnus sont transmis, et non des téraoctets de courbes brutes.
Dashboard interface showing an event log with 341 events, 84 cases, 6 activities, and median case duration of 34.5 minutes. Activity sequences like Idle to Heating to Production are listed with case counts. Controls on the right allow setting gap duration, events per case, fewest events, and merging repeated activities. Buttons for downloading and building the event log are at the top right.
Avis d'experts

L'exploitation IoT Mining en pratique

Comment les données machines sont-elles transformées en véritables informations sur les processus ? Le fondateur Lucas M. Schroth démontre comment l'IoT Miner de Process.Science reconnaît automatiquement les processus de production, relie les données machines aux données de processus et met en lumière les opportunités d'optimisation.
Identification automatique des processus à partir des données de capteurs
Mise en évidence des modèles et des écarts
Transformer les données de production en informations concrètes
Réserver une consultation avec un expert
La configuration idéale

Conçu pour votrePower BIetIntelligence

L'IoT Miner ajoute l'atelier de production au process mining que vous utilisez déjà. L'outil de préparation des données fusionne les données des machines et des commandes, et le résultat est transmis au système dans lequel vous travaillez.

Outil de préparation des données

Met en forme vos données ERP et fusionne les activités des machines avec vos ordres de production, à chaque exécution planifiée.
Découvrez l'outil de préparation des données →
Dashboard interface for a loan origination pipeline showing two successful runs on 16.10.2026 at 21:53, with logs detailing completed events like application submitted, document received, kyc check, credit score calculated, manual risk review, offer created and accepted, contract signed, loan disbursed, and application rejected. On the right, the Loan Origination (Banking) section shows run health with 4 runs, 100% success rate, and average duration of 16 seconds. Source is Banking Core (MySQL), process is custom with 14 activities, and sink is not set. Buttons for Set up Schedule, Edit Pipeline, and Start Pipeline are at the top.

Intégration Power BI

Les tables de sortie présentent la structure attendue par nos modèles de rapports Power BI. Votre journal d'événements est intégré à votre propre modèle, aux côtés de vos dimensions existantes, et les tableaux de bord fonctionnent sans nécessiter de retouches par projet.
Découvrez la suite Power BI →
Automation rates by activity and over time in Process.Science

Process.Science Intelligence

Une exécution terminée devient le jeu de données sur lequel travaillent vos projets Intelligence, et actualise l'analyse automatiquement. À partir de là, vous disposez de la configuration, de l'analyse, des insights, du chat et des alertes.
Découvrez Process.Science Intelligence →
Interface de Process.Science Intelligence avec configuration, analyse, enseignements, chat et notifications
Démarrer

Visualisez vos propres machines comme un processus

Connectez une machine ou une ligne, choisissez un processus de production et voyez le résultat. Nous le faisons ensemble sur vos données, afin que le résultat reflète votre atelier et non un jeu de données d'exemple.
Fonctionne avec vos propres données de machines et d'ERP
Connexion via des protocoles standard tels qu'OPC UA
Aucun data scientist requis
En envoyant cette demande, vous acceptez la politique de confidentialité de Process.Science Politique de confidentialitéde Process.Science
Merci ! Votre soumission a bien été reçue !
Vous recevrez un e-mail contenant un lien de confirmation.
Oups ! Une erreur est survenue lors de l'envoi du formulaire.
D'autres questions ?

FAQ :Technologie et faisabilité

Les réponses que les administrateurs informatiques et les responsables de production recherchent en priorité.
Avons-nous besoin de data scientists pour l'étiquetage ?

Non. Le clustering s'exécute automatiquement. Pour l'étiquetage, vous n'avez besoin que des connaissances des personnes qui utilisent les machines. Elles indiquent au système une seule fois : lorsque la machine présente ce modèle, nous l'appelons « réglage ».

Nous générons des téraoctets de données de capteurs. Notre système BI pourra-t-il les gérer ?

Oui, car il ne les voit jamais. Au lieu de charger des courbes brutes dans Power BI, l'IoT Miner prétraite les données et ne transmet que les états reconnus sous forme de journal d'événements simplifié, par exemple l'activité « Panne », début 14:00, fin 14:05.

Quelles données de machines et de capteurs pouvons-nous connecter ?

Séries temporelles provenant de vos machines et capteurs, collectées via des passerelles IoT ou des systèmes SCADA et des protocoles standard tels qu'OPC UA. Les signaux typiques sont la puissance, la température, la pression, la vitesse et les vibrations.

Avons-nous besoin de l'outil de préparation des données ?

Pour fusionner les événements machine avec les commandes ERP, vos données ERP doivent être disponibles sous forme de journal d'événements propre. Si vous en produisez déjà un, l'IoT Miner fonctionne seul. Nous recommandons toutefois l'outil de préparation des données, car il gère la fusion automatiquement à chaque exécution.

Où sont stockées nos données ?

Là où vous le souhaitez : sur site, dans votre propre tenant Azure ou hébergé par Process.Science. Process.Science est conforme au RGPD et certifié ISO 27001.

Comment l'IoT Miner s'intègre-t-il au reste de la plateforme ?

L'outil de préparation des données crée et gère les journaux d'événements, Intelligence les analyse et l'IoT Miner y ajoute les données des machines et des capteurs là où votre processus atteint l'atelier. Ils fonctionnent ensemble, mais chacun peut également être utilisé de manière autonome.