Méthode de valorisation de données de production pour l'évaluation des pertes de cadence

La réduction des pertes de cadence en production représente un enjeu majeur pour les entreprises manufacturières. Toujours à la recherche d'optimisation de leur rendement, elles désirent identifier les facteurs qui peuvent lui nuire. Avec le développement de l'Industrie 4.0, la production s'est réinventée, notamment en devenant de plus en plus automatisée. Cela a donc rendu possible la collecte de données toujours plus sophistiquées et dans des quantités toujours plus importantes. La valorisation de données se présente alors comme un processus essentiel pour traiter ces données qui regorgent de connaissances inexploitées. La littérature scientifique témoigne du développement de plusieurs méthodes de valorisation de données ces dernières années, utilisant elles aussi des outils de plus en plus élaborés. Cependant très peu de méthodes proposent une évaluation des pertes de cadence allant jusqu'à identifier les comportements dans un contexte de production où l'automatisation est prédominante. En collaboration avec une usine manufacturière de l'industrie automobile du grand Montréal, ce projet a été l'occasion de mieux appréhender l'évaluation des pertes de cadence de machines d'assemblage semi-automatiques. En adaptant la démarche CRISP-DM (Cross-Industry Standard Process for Data Mining) aux besoins de cette usine, il a été possible de développer une méthodologie de valorisation de données industrielles pour l'évaluation des pertes de cadence dans un contexte de production semi-automatique. Cette méthode, centrée sur les processus de production, s'appuie dans un premier temps sur des outils d'analyse exploratoire permettant de visualiser et d'évaluer l'impact de différentes caractéristiques de production sur la productivité. À la lumière de ces caractéristiques, la méthode se poursuit par de la découverte de processus à partir de données événementielles. La découverte de processus permet alors d'identifier les transitions critiques entre les différentes étapes d'un processus de production au moyen de graphes dirigés. À partir de ces graphes et des données explicitées par l'analyse exploratoire, il sera possible pour les experts du domaine de cibler des pratiques à privilégier pour réduire les pertes de cadence. Le choix d'utiliser des outils favorisant la visualisation des données permet de garder les experts du domaine dans la boucle d'analyse, considération parfois laissée de côté dans la littérature. Ces outils représentent un support majeur dans la conduite de ce travail et éclairent les résultats obtenus par leurs interprétations. C'est notamment le cas des graphes dirigés qui, d'une part, offrent la possibilité de distinguer des pratiques relatives à des niveaux de productivité différents et, d'autre part, permettent d'approcher les pertes de cadence en production par une étude des comportements. La valorisation des données du partenaire industriel démontre l'applicabilité de la méthode à un cas concret de production complexe. L'application se concentre sur 3 mois de production d'une machine d'assemblage, mais pourrait être étendue. Le partenaire industriel a pu alors approfondir l'évaluation des pertes de cadence dans sa situation de production, bien que plus de précisions auraient pu être apportées concernant la complexité des processus étudiés. D'une investigation des pertes de cadence passant par l'évaluation du nombre de produits assemblés en moyenne par jour, le partenaire peut désormais identifier des transitions critiques du processus d'assemblage selon différentes conditions de production.