COMMENT IDENTIFIER LES FACTEURS QUI INFLUENCENT LA PERFORMANCE INDUSTRIELLE?

Antonin Durieux - Data Scientist

Identifier les facteurs impactant la performance industrielle : le cas de la production par lot

Pour les entreprises et usines opérant leur production par lot, optimiser la performance industrielle est bien entendu un des enjeux stratégiques pour assurer leur compétitivité. Or, les données de production rapportées par les équipes de terrain ne sont pas toujours facilement analysables et s’inscrivent parfois difficilement dans un processus d’amélioration continue. A ce titre, l’identification des facteurs tangibles qui influent sur la performance industrielle est souvent complexe, faute d’un système suffisamment fin, permettant de les identifier formellement.

La spécificité des process industriels par lot

Un processus de production clairement défini, mais des performances hétérogènes

Dans l’industrie agroalimentaire, pharmaceutique ou chimique, les process industriels sont organisés en production par lots (ou batch). L’objectif en bout de chaîne est d’obtenir des produits conformes aux standards définis préalablement, par exemple en terme de qualité. Dans les faits, la performance industrielle peut varier sensiblement d’un lot à l’autre pour un produit similaire. Bien souvent, il s’avère délicat de poser un vrai diagnostic sur ces variations car le volume de facteurs potentiels rend cette interprétation très ardue, d’autant plus lorsque les outils d’analyse font défaut.

Pourquoi la performance industrielle fluctue ?

Différents facteurs d’influence peuvent entrer en ligne de compte :

  • En 1er lieu, le type de production, défini par le produit en lui-même, les emballages et packaging, la taille du lot.
  • En 2ème lieu, la saisonnalité, qui génère des modifications climatiques sensibles dans l’atelier de production, que ce soit au niveau de la température ou du taux d’humidité de l’air. La variabilité des matières utilisées, dont les caractéristiques peuvent évoluer en fonction de la période de l’année. Le taux d’activité de l’atelier, qui peut être corrélé aux pics de production, alternant avec des périodes de production moins intenses.
  • En 3ème lieu, l’organisation définie par l’ordonnancement de l’usine, ses horaires de production, la rotation des équipes.
  • En 4ème lieu, l’impact de la maintenance, selon qu’elle ait été opérée plus ou moins récemment.
  • En 5e lieu, les paramètres physiques de la production tels que l’ajustement des durées de traitement, de température, de quantité de matières premières.

Collecter les données de production pour identifier les facteurs clés

Face à cette diversité de facteurs potentiels, connecter les équipements de la ligne de production s’avère essentiel afin de retranscrire fidèlement le déroulé des évènements grâce aux données collectées. Ces dernières ont ensuite vocation à être traitées de façon à identifier clairement les facteurs d’influence, responsables des différences enregistrées entre les lots. Ces indicateurs seront alors mis à disposition des acteurs du processus, afin qu’ils puissent intervenir sur le terrain (pour les opérateurs ou chefs de ligne) comme au niveau du management (pour managers ou les directeurs de production).
Le cas échéant, les décisions opérationnelles sont prises, de façon à ajuster l’ordonnancement, la taille des batch ou la composition des équipes.

Le machine learning pour accélérer le processus d'amélioration continue

Le Machine Learning : une approche méthodologique

Le grand volume de facteurs potentiels qui influent sur la performance conduit à s’engager dans une démarche dépassant une analyse uniquement basée sur l’expertise métiers. Ainsi par ses capacités d’analyse d’ensembles de données complexes, l’usage d’algorithmes de Machine Learning ou apprentissage automatique s’avère pertinent dans ce contexte. Avant cela deux prérequis essentiels sont à considérer.

Premièrement, afin d’initier son processus d’apprentissage, le système doit disposer dans un premier temps de données exhaustives couvrant l’ensemble du processus de production. En l’occurrence, nous avons collecté un volume de données annuel d’une ligne de production comprenant plus d’une centaine de variables distinctes. Deuxièmement, une variable cible qui illustre le mieux la performance attendue doit être choisie. Dans ce cas d’étude, l’indicateur retenu est la cadence de production exprimée en nombre de litres produits par minute.

Modéliser le processus de production grâce aux algorithmes de Machine Learning

Afin d’identifier les facteurs d’influence, nous avons articulé notre analyse autour de deux grandes étapes.

  • Etape 1 : S’assurer de la qualité de prédiction du modèle en comparant la cadence de production idéale avec des données réelles.

On cherche d’abord à évaluer la performance du modèle, autrement dit sa capacité à correctement prédire la variable cible en fonction des variables d’entrée. Cette qualité est mesurée par un coefficient de détermination appelé R-Carré. Dans notre cas, ce coefficient atteint 0,67 ce qui signifie que le modèle est suffisamment précis pour nous donner des indications sur les facteurs d’influence.

  • Etape 2 : Identifier les facteurs d’influence

Les données sont ensuite analysées à travers un modèle dit de permutation importance qui permet d’identifier les facteurs d’influence parmi les variables d’entrée. Cette analyse est guidée par un principe : opposer les performances du modèle en prédiction avec et sans la variable d’entrée considérée.

Une lisibilité immédiate des facteurs d’influence de la performance

Si ce protocole est bien respecté, les algorithmes sont en capacité d’identifier clairement les facteurs d’influence et de produire des informations exploitables dans le pilotage de la performance industrielle.

Dans notre cas d’étude, le recueil et l’analyse des données ont permis d’identifier clairement les 5 facteurs d’influence suivants :

  • Le type de produit
  • Le produit précédent
  • Le mois de production
  • L’heure de début de production du lot
  • La taille du lot

En d’autres termes, l’ordonnancement des lots, la saisonnalité de la production ainsi que le volume produit par lot sont ici les éléments les plus déterminants pour expliquer d’éventuels écarts de performance industrielle. Ces résultats permettent ainsi aux collaborateurs de mieux comprendre le déroulement du process.

Une méthodologie applicable aux enjeux de conformité produit

Au-delà des analyses dédiées à la performance industrielle, ce type de méthodologie peut s’appliquer à d’autres problématiques propres à l’industrie de process comme par exemple l’identification des facteurs d’influence sur la conformité des produits en fin de chaîne de production. L’usage de méthodes alternatives d’explicabilité des modèles telle que celle des valeurs de Shapley offre un moyen sûr pour identifier ces facteurs mais aussi pour identifier la nature de leur impact qu’il soit positif ou négatif. Cette approche offre des perspectives nouvelles pour identifier les optimums de production.

En d’autres termes, l’ordonnancement des lots, la saisonnalité de la production ainsi que le volume produit par lot sont ici les éléments les plus déterminants pour expliquer d’éventuels écarts de performance industrielle. Ces résultats permettent ainsi aux collaborateurs de mieux comprendre le déroulement du process.

Identification des conditions optimales de performance pour une variable donnée

Avantages d'une analyse intégrant le machine learning

Plus globalement, l’apport combiné de l’Internet des Objets et du Machine Learning dans ce type de contexte réside dans leur capacité à rendre factuelles les étapes de mesure et d’analyse qui ont fréquemment lieu dans un processus d’amélioration continue (de type DMAIC, par exemple). Leur combinaison rend d’abord la mesure des données concrète et continue. Les résultats issus des algorithmes viennent quant à eux compléter la phase d’analyse et l’identification des problèmes, préalables au plan d’action.

Une amélioration significative de la performance industrielle

Pour les métiers, ces insights permettent de faciliter les prises de décisions et d’ajuster les processus de production en fonction de leurs objectifs. Ces nouvelles technologies concourent à la digitalisation et modernisation des méthodes d’amélioration continue de type Lean management ou Kaizen.

Quantitativement, le gain de performance observé en moyenne suite à ce type d’analyse est conséquent. On constate généralement une amélioration du TRS (Taux de Rendement Synthétique) de 5% environ. D’un point de vue qualitatif, à travers le déploiement de ce type d’analyse, la performance industrielle constatée et mesurée s’avère plus stable dans le temps. En apportant un éclairage nouveau sur la production, l’apport de cette méthode représente un gain substantiel pour la productivité des entreprises industrielles produisant par lot.

à lire également