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 des business unit matériaux céramiques. Dans cet article, nous avons deux points. Dans la première nous présenterons le cycle de vie des projets data que nous proposons aux projets data des industriels. |
| Et dans la seconde, nous continuerons |
| pour présenter deux cas d'utilisation des matériaux Saint-Gobain...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. |
| découverte de 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'entre eux, nous veillons à avoir une bonne compréhension du processus, car nous pensons 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 l'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 infinie présente également une autre voie pour parvenir à l'amélioration continue. Dans la suite, nous détaillerons l’approche, étape par étape. |
| Commençons par définir les projets. Il est nécessaire de définir clairement trois éléments avant de démarrer des projets data. |
| Nous proposons ici quelques questions qui nous ont semblé très utiles pour définir clairement les éléments du métier (?). Tout d’abord, définition des besoins métiers. |
| Souvent, les objectifs des projets 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. |
| Selon la définition de l'opportunité commerciale, nous devons savoir ce qui sera utilisé, si la cible n'a besoin que d'une visualisation ou d'une analyse. |
| Et après cela, l’impact devrait apporter un gain quantifié à l’entreprise. |
| Deuxièmement, la disponibilité des données et la convivialité. Nous y effectuons une analyse diagonale de la qualité des données. C’est très important dans l’étape visant à déterminer la faisabilité du projet de données. Et donc la configuration de l'équipe, |
| une personne de l'équipe données, une personne de l'équipe business unit et une personne des usines, un ingénieur procédés avec ceintures vertes ou noires Six Sigma. |
| Passons à la deuxième étape. |
| Préparation des données. |
| Avec la transformation, l'intégration, le nettoyage, c'est une étape importante qui prend 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 garantissent la bonne requête SQL pour transformer correctement les tables. |
| La troisième étape consiste à explorer les données avec la visualisation dynamique et avec JMP, nous disposons d'un large choix de visualisation. Par exemple, tracez la distribution d'une variable et estimez la charge (?) qu'elle suit. |
| Détectez les valeurs aberrantes avec le diagramme à moustaches, |
| régression non linéaire entre deux variables, |
| le contour ou la cartographie de densité pour déterminer l'emplacement principal de 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 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 modèles dans les données. La seconde concerne la formule et sert à prédire des modèles dans les données. |
| Généralement, nous découpons 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 en 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 utiliserons la version normale de JMP. |
| Et nous avons accès aux outils d'apprentissage supervisé, comme la régression linéaire, l'arbre de décision et le réseau neuronal. Nous travaillons beaucoup aujourd'hui avec les arbres de décision car ils nous donnent 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, il s'agit simplement d'une solution, mais dans d'autres cas, il s'agit d'une combinaison de plusieurs modèles. Et pour garantir le bon sens, nous avons ajouté quelques contraintes, par exemple la moyenne max 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 procédés possédant 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 du travail sur notre projet de données. Par exemple, dans les diagrammes circulaires, nous voyons l’impact radial sur le rendement global. |
| Et enfin, la préparation à la première étape d'un nouveau projet data pour assurer la continuité, l'amélioration continue et la continuité de la boucle infinie. |
| Il s’agissait ici du cycle de vie du projet de données et nous allons maintenant présenter deux études de cas réels du protocole utilisant JMP. |
| Dans les deux exemples, nous avons étudié la même technologie de processus. Il s'agit de four à arc électrique, mais pour les deux, nous avons des produits différents et des cibles différentes. |
| 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 des entreprises |
| était d'expliquer le rendement global d'un produit spécifique, JO7. |
| Nous y détectons de nombreux types de défauts, les défauts n°1, n°2 à #N. |
| Et pour que cela prépare 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 l'exploration, 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 maximum. |
| 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 la formation 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 %. |
| Le message que nous avons transmis à l'usine est donc que rien qu'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 paramètre spécifique uniquement pour X1 et X3. |
| Et le rendement mondial devrait évoluer rapidement. C'est le point... le groupe de points ici. |
| Et pour chacun |
| projet, nous donnons également la compréhension physique de chaque paramètre |
| à la plante. |
| Pour le deuxième exemple ici avec la même technologie mais pour un autre produit, nous n'avons ici que 80 variables de procédé 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 étapes. 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 R carré 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 hauteur de 50 %. |
| Et c’était difficile d’expliquer cela avec les 12 variables des 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. |
