Développement d'un outil d'amélioration des performances industrielles basé sur les données : application dans l'industrie minière

Dans le contexte de l’Industrie 4.0, de nombreuses données peuvent être acquises sur le fonctionnement de machines ou de véhicules. Ces données présentent un grand nombre d’in-formations et l’obtention de ces informations est un enjeu important. Dans de nombreux secteurs d’activité, et plus particulièrement dans les entreprises minières, l’amélioration de la productivité et la réduction des coûts sont actuellement des priorités. L’exploitation des données pour la surveillance des activités, l’identification des leviers de performance et l’optimisation des opérations s’avère ainsi essentielle. Le projet présenté dans ce mémoire vise à développer un outil d’amélioration des performances industrielles en se basant sur des données de fonctionnement de machines lors de la réalisation répétée d’un processus. Basée sur une méthodologie générale de valorisation de données largement utilisée dans l’industrie (CRISP-DM), nous développons un outil qui vise à fournir un cadre de comparaison et d’analyse des performances d’une activité industrielle et à détecter des anomalies de performances. Dans notre contexte, à partir de données de fonctionnement de différentes machines lors d’un même processus, des mesures de performances permettant de caractériser l’activité étudiée sont collectées et analysées. Ces indicateurs spécifiques permettant d’agréger différentes informations à partir des données sont calculés et projetés dans un espace d’analyse isoprobabiliste. L’analyse de la position des points dans l’espace de projection permet de comparer les performances de l’activité et ainsi de prendre des décisions pour améliorer les opérations. Les premiers bénéficiaires de l’outil proposé seront les utilisateurs opérationnels qui ont besoin de comprendre les leviers de la performance, de détecter des comportements anormaux et d’adapter leurs actions en conséquence. Plus précisément, un ensemble de référence d’itérations de l’activité étudiée est choisi en fonction des besoins d’analyse. Cet ensemble de départ permet de créer un espace de projection pour l’ensemble des itérations à traiter afin de visualiser et d’analyser leur comportement par rapport à l’ensemble de référence choisi. L’ensemble de référence peut dépendre d’un contexte temporel ou bien d’un paramètre de départ de l’activité. La création de l’espace de projection met en jeu une normalisation via transformation quantile et une décorrélation des données grâce à la décomposition de Cholesky. L’espace de projection obtenu est centré sur 0 qui représente l’itération moyenne de l’ensemble de référence. Plus une itération analysée apparaît projetée loin du centre de l’espace de projection, plus elle se distingue du groupe de référence. La position d’une itération dans l’espace projeté indique également comment ses performances se situent par rapport à l’ensemble de référence. De par la construction de l’espace, les distances mesurées correspondent à des seuils statistiques. Cela permet de mettre en place des limites de détection d’anomalies. La méthode est appliquée à un cas industriel réel, dans le cas de montée de minerai réalisée par des camions en environnement minier souterrain. Cela permet de développer un outil à destination du gestionnaire de flotte afin de mieux comprendre l’influence de certains para-mètres sur les performances des camions et d’en suivre l’évolution dans le temps, afin d’agir en cas de dérive constatée. La mise en place de l’outil dans un contexte opérationnel minier permet de fournir des recommandations aux conducteurs des camions et au gestionnaire de la flotte. L’anticipation de défaillance en surveillant les baisses de performances semble également possible mais devra être confirmée dans de futures recherches avec des jeux de données plus riches. D’autres industries et activités pourraient bénéficier de la mise en place de la méthodologie proposée afin de valoriser les données récoltées et de mettre en place un outil de surveillance et d’amélioration des performances adaptable et interprétable.

Abstract

In the context of Industry 4.0, a substantial amount of data can be collected on the operation of machines or vehicles. As the data set is voluminous, the challenge of utilising it effectively is considerable. This is particularly evident in numerous sectors of activity, with a particular emphasis on mining companies, where enhancing productivity and reducing costs are identified as key priorities. The utilisation of data for the purpose of monitoring activities, identifying performance indicators, and enhancing operational efficiency is, therefore, imperative. The project presented in this thesis aims to develop a tool for improving industrial performance based on machine operating data during the repeated execution of a process. The tool is based on a general data valuation methodology that has been widely adopted within industry (CRISP-DM). In the context of this study, performance measurements that characterise the activity under investigation are collected and analysed from the operating data of different machines during the same process. These specific indicators, which facilitate the aggregation of disparate pieces of information from the data, are calculated and projected into an isoprobabilistic analysis space. The analysis of the position of points in the projection space facilitates a comparison of the performance of the activity, thus enabling the formulation of decisions to enhance operational efficiency. The intended primary beneficiaries of the proposed tool are operational users who require an understanding of the factors influencing performance, as well as the capability to detect anomalous behaviour and adapt their actions accordingly. In more detail, a reference set of iterations of the activity under study is selected according to the analysis requirements. The initial set is employed to establish a projection space for all iterations to be processed, enabling the visualization and analysis of their behaviour in relation to the designated reference set. The reference set may be contingent upon a temporal context or an initial parameter of the activity. The creation of the projection space involves the implementation of a quantile transformation and the decorrelation of the data using Cholesky decomposition. The resulting projection space is centred on the origin, which represents the average iteration of the reference set. A greater distance from the centre of the projection space indicates a greater divergence from the reference group. The position of an iteration in the projected space also provides an indication of how its performance compares to the reference set. It is important to note that, due to the nature of the constructed space, the distances measured correspond to statistical thresholds. This facilitates the establishment of limits for the purpose of anomaly detection. The method is applied to a real industrial case study, in the context of ore transport by trucks in an underground mining environment. This facilitates the development of a tool for fleet managers to enhance their comprehension of the impact of specific parameters on truck performance and to monitor alterations over time, enabling the implementation of remedial actions if any deviations are identified. The implementation of the tool in an operational mining context makes it possible to provide recommendations to truck drivers and fleet managers. It is also apparent that the monitoring of performance declines may allow for the anticipation of failures; however, this hypothesis requires confirmation through the utilisation of more comprehensive data sets in subsequent research. The proposed methodology could be implemented in other industries and activities to leverage the data collected and establish an adaptable and interpretable tool for monitoring and enhancing performance.