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.

Abstract

The reduction of lost production rates is a major issue for manufacturing companies. Always looking to optimize their performance, they seek to identify the factors that can affect it. With the development of Industry 4.0, production has been reinvented, notably by becoming more and more automated. This has made it possible to collect even more sophisticated data in even greater quantities. Data valorization is therefore an essential tool to process this data, which hides unexploited knowledge. The scientific literature shows the development of several methods of data valorization in recent years, using increasingly sophisticated tools. However, very few methods propose an evaluation of the losses of rate leading to identifying behaviors in a context of production where automation is predominant. In collaboration with a manufacturing plant in the automotive industry in the greater Montreal area, this project was an opportunity to understand better the evaluation of cycle losses of semi-automatic assembly machines. By adapting the CRISP-DM (Cross-Industry Standard Process for Data Mining) approach to the needs of this plant, it was possible to develop a methodology to value industrial data to evaluate reduced speeds in a semi-automatic production context. This method, centered on production processes, is based initially on exploratory analysis tools allowing to visualize and evaluate the impact of various production characteristics on productivity. Considering these characteristics, the method continues with process discovery based on event data. Process discovery identifies the critical transitions between the different steps of a production process using DFGs (Directly Follows Graphs). From these graphs and the data highlighted by the exploratory analysis, it will be possible for domain experts to target practices to be favored in order to reduce cycle time losses. The choice to use tools promoting data visualization allows us to keep the domain experts in the analysis loop, a consideration that is sometimes overlooked in the literature. These tools represent major support in the conduct of this work and enlighten the results obtained by their interpretations. This is notably the case of DFGs which, on the one hand, offer the possibility to distinguish practices linked to different levels of productivity and, on the other hand, they allow an approach of the losses of production rate studying behaviors. The use of the industrial partner's data demonstrates the applicability of the method to a concrete case of complex production. The application focuses on 3 months of production of a semi-automatic assembly machine but could be extended. The industrial partner was then able to deepen the evaluation of cycle losses in its production case, although more details could have been provided concerning the complexity of the studied processes and machines. From an investigation of cycle losses based on the evaluation of the number of products assembled on average per day, the partner can now identify problematic transitions of the assembly process according to various production conditions.