Conférencier | Transcription |
| YASSIR EL HOUSNI | Bonjour. |
| Je suis Yassir El Housni, ingénieur R&D et data scientist, au sein de l'équipe smart manufacturing de Saint-Gobain Research Provence. |
| à Cavaillon, France. |
| Nous travaillons pour les business units des matériaux céramiques. Dans cet article, nous avons deux points. Dans la première nous présenterons le cycle de vie des projets data que nous proposons pour les projets data constructeurs. |
| Et dans la seconde, nous continuerons |
| pour présenter deux cas d'utilisation des matériaux Saint-Gobain...les industries des matériaux céramiques. |
| Travailler sur des projets de données dans différents départements, tels que la R&D, la production, la qualité et la maintenance, nécessite d'adopter une approche étape par étape pour poursuivre les progrès. |
| la découverte des connaissances dans la méthodologie des bases de données et la philosophie six Sigma, également connue sous le nom de DMAIC pour définir, mesurer, analyser, améliorer et contrôler. |
| Nous définissons dans cette boucle infinie sept étapes à suivre afin de gérer correctement un projet d'analyse de données. Dans chacun d'eux, nous nous assurons d'avoir la bonne compréhension du processus, car nous croyons que c'est une clé de pertinence pour réussir des projets de données dans un monde industriel. |
| Par exemple, pour détecter la variation dans le processus, nous utilisons le SIPOC ou organigramme et pour détecter les causes de variation, nous utilisons notre boîte à outils de résolution de problèmes qui contient un ??? ou diagramme d'Ishikawa. |
| Ensuite, la boucle à l'infini présente également une autre voie pour réaliser l'amélioration continue. Dans la suite nous détaillerons la démarche, étape par étape. |
| Commençons par définir les projets. Il est nécessaire de définir clairement trois éléments avant de démarrer des projets de données. |
| Nous proposons ici quelques questions qui nous ont paru très utiles pour bien définir les éléments du métier (?). Tout d'abord la définition du besoin métier. |
| Fréquemment, les objectifs du projet de données dans le secteur manufacturier sont d'optimiser un processus, de maximiser un rendement, d'améliorer la qualité d'un produit spécifique ou de réduire la consommation d'énergie. |
| Sous la définition de l'opportunité commerciale, nous devrions savoir ce qui sera utilisé, est-ce que la cible a besoin d'une simple visualisation ou analyse. |
| Et après cela, l'impact devrait apporter notre gain quantifié à l'entreprise. |
| Deuxièmement, la disponibilité des données et la convivialité. Nous y lançons une analyse diagonale de la qualité des données. Il est si important dans l'étape de déterminer la faisabilité du projet de données. Et donc la configuration de l'équipe, |
| une personne de l'équipe data, une personne de l'équipe business unit et une personne des usines, un ingénieur process ceinture verte ou noire Six Sigma. |
| Passons à la deuxième étape. |
| Préparation des données. |
| Avec la transformation, l'intégration, le nettoyage, c'est une étape importante qui consomme beaucoup de temps dans les projets data. Par exemple, nous avons ici différentes sources de données et nous devons les centraliser |
| dans un seul tableau. Nous utilisons principalement X pour les entrées et Y pour les sorties. Dans cette configuration, nous utilisons différents outils dans JMP, tels que le traitement des valeurs manquantes, le ??? de variables constantes, et bien sûr les outils de tables de données JMP qui assurent la bonne requête SQL pour transformer correctement les tables. |
| La troisième étape consiste à explorer les données avec une visualisation dynamique et avec JMP, nous avons un large choix pour la visualisation. Par exemple, tracez la distribution de la variable et estimez la charge (?) qu'elle suit. |
| Détecter les valeurs aberrantes avec le diagramme de box plots, |
| régression non linéaire entre deux variables, |
| contour ou la cartographie de densité pour déterminer le placement principal pour la concentration de chaque population, et nous avons un large choix pour le tracer. |
| ???, nous les utilisons habituellement dans notre travail et nous les avons trouvés très utiles. |
| La quatrième étape consiste à développer le développement du modèle et cela dépend du type d'analyse dont nous avons besoin. |
| C'est pour... |
| l'objectif est d'expliquer ou de prédire. Le premier concerne les liens entre les variables et sert à expliquer les tendances dans les données. La seconde concerne la formule et sert à prédire les modèles dans les données. |
| Généralement, nous coupons nos ensembles de données en trois blocs, 70 % pour la formation, 20 % pour les tests et 10 % pour la validation. Et parfois, si nous avons une petite taille de données, nous utilisons 70 % pour la formation et 30 % pour la validation. Si le modèle est bon, nous demandons un nouvel ensemble de données afin de guider la prise de décision. |
| Nous devons aborder l'apprentissage supervisé et non supervisé. Aujourd'hui, chez Saint-Gobain, nous allons utiliser la version normale de JMP. |
| Et nous avons accès aux outils d'apprentissage supervisé, tels que la régression linéaire, l'arbre de décision et le réseau de neurones. Nous travaillons beaucoup aujourd'hui avec l'arbre de décision car il nous donne des résultats pertinents, qui nous aident à résoudre un défi dans l'industrie des matériaux céramiques. |
| La cinquième étape consiste à trouver la solution optimale. Parfois, c'est juste une solution, mais dans d'autres cas, c'est une combinaison entre beaucoup de modèles. Et pour assurer le bon sens, nous avons ajouté quelques contraintes, par exemple, le max moyen et le pas de valorisation de chaque variable. |
| Le profil JMP nous offre une grande possibilité d'optimiser rapidement les solutions. |
| Désormais, la prochaine étape est le passage à l'usine, par l'accompagnement de notre ingénieur procédé détenteur de la ceinture verte ou noire Six Sigma. |
| La sixième étape consiste à mettre en œuvre la meilleure solution dans les usines et régie par un seul modèle représentatif. Par exemple, nous implémentons les cartes de contrôle de la sortie Y1 et analysons les différentes variations. |
| Dans la septième étape, nous surveillons l'efficacité du modèle et nous visualisons le gain global de travailler sur notre projet de données. Par exemple, dans les camemberts, nous voyons l'impact radial sur le rendement global. |
| Et le dernier mais non le moindre, la préparation à la première étape d'un nouveau projet de données pour assurer la continuité, l'amélioration continue et la continuité de la boucle à l'infini. |
| Tout était question de cycle de vie du projet de données et nous allons maintenant passer à la présentation de deux études de cas réels du protocole utilisant JMP. |
| Dans les deux exemples, nous avons étudié la même technologie de procédé. Il s'agit de four à arc électrique, mais pour les deux, nous avons des produits différents et une cible différente. |
| Dans cette technologie, nous avons des phénomènes multi-physiques complexes tels que des effets électriques, thermiques, chimiques, temporels et autres effets physiques. |
| Ici, nous avons, par exemple, plus de 100 variables de processus provenant de différents types de capteurs. |
| Le besoin de l'entreprise |
| était d'expliquer le rendement global d'un produit spécifique, JO7. |
| Nous y détectons de nombreux types de défauts, les défauts #1, #2 à #N. |
| Et pour cela pour préparer correctement les jeux de données, nous avons utilisé Pareto, |
| traitement des valeurs aberrantes avec la distance de Mahalanobis et recodage des attributs corrects pour corriger le type d'erreurs et le traitement des valeurs manquantes. |
| Dans la troisième étape, dans explorer, nous présentons ici juste un exemple de corrélation que nous étudions entre les entrées pour réduire le nombre de variations |
| après avoir travaillé avec des modèles. |
| Comme résultats, nous avons trouvé notre arbre de décision avec seulement trois variables et ici, le but était d'expliquer pourquoi le rendement n'est pas |
| au max. |
| Et nous avons un |
| arbre de décision avec seulement trois variables inférieures à 100. Donc pour le modèle nous utilisons ici 70% des données pour l'apprentissage car nous n'avons pas une grande taille de données et 30% pour la validation et nous obtenons de bons résultats avec une racine carrée importante. |
| Comme vous le voyez, c'est plus de 70 %. |
| Donc, le message que nous avons transmis à l'usine est que juste avec le réglage spécifique de |
| X1, X2 et X3, nous pouvons expliquer le |
| rendement global, et si nous devons maximiser Y, le pourcentage de ce rendement, nous devons obtenir un réglage spécifique uniquement pour X1 et X3. |
| Et le rendement global devrait évoluer rapidement. C'est le point... au groupe de points ici. |
| Et pour chaque |
| projet, nous donnons également la compréhension physique de chaque paramètre |
| à la plante. |
| Pour le second exemple ici avec la même technologie mais pour un autre produit, ici nous avons juste 80 variables process et l'objectif était de faire évoluer le nombre de pièces sans défaut, D1. |
| Le besoin est d'expliquer la qualité |
| de nos produits spécifiques, nous utilisons donc la même méthodologie pour nos démarches. Par exemple ici, nous avons étudié la même corrélation entre les entrées pour réduire le nombre de variables que nous mettrons dans le modèle. |
| Et, par conséquent, nous utilisons également un arbre de décision, mais ici nous avons trouvé 12 variables qui expliquent ce rendement global |
| avec un bon |
| résultats. Comme vous le voyez, le carré R était de 84 %, le RMSE était de 3 % et le nombre de tailles était de 287. Pour cela, nous avons utilisé la méthode de validation croisée |
| car nous avons une très petite taille de table. |
| Donc le premier paramètre était très important, comme vous le voyez, il contribue à 50 %. |
| Et c'était difficile d'expliquer cela avec les 12 variables aux plantes. Pour cela, quand on trace juste la première variable, on voit visuellement qu'on peut définir un seuil juste avec la variable X1, et avec elle le rendement global devrait évoluer rapidement. |
| Merci. |
