Nous devions créer et développer un outil interne pour standardiser les analyses, allant de l'interrogation de la base de données à l'évaluation finale de la capacité du processus et à l'enquête sur les causes spéciales.
Le développement a débuté avec une base de données à la structure simple (contrôles statistiques de laboratoire) et s'est progressivement étendu à des bases de données plus importantes alimentées par des mesures de processus en ligne.
Bonjour à tous. Je suis Massimo Pampurini. Je travaille comme ingénieur qualité production chez Pirelli.
Bonjour à tous. Je suis Sara Sorrentino, et je travaille chez Pirelli en tant qu'ingénieure qualité des procédés.
Nous allons vous présenter notre projet de consolidation et d'intégration des flux de données, développé au cours de l'année écoulée au sein de notre entreprise. Notre démarche s'est concentrée sur le secteur de la semi-finition. Voici un aperçu général de notre processus de fabrication. Nous avons débuté par le secteur le plus fragile en matière d'analyse de données : la semi-finition.
Pourquoi ce projet a-t-il vu le jour ? La raison principale, et la première étape cruciale, était de garantir une méthode unique de collecte de données de laboratoire fiables afin de s’assurer que toutes les installations, elles aussi fiables, suivraient la même méthodologie. Cela nous permet de constituer des bases de données Pirelli uniques au niveau mondial.
Les deux points clés. Le premier concerne les fondamentaux et les éléments facilitateurs. Le second est la possibilité de télécharger facilement les données directement dans JMP, permettant ainsi à l'utilisateur un téléchargement rapide et efficace, avec la possibilité de filtrer par intervalle de temps et par installation. Ces éléments permettront, à terme, une analyse automatique de la capabilité du processus et une évaluation des cartes de contrôle des principales caractéristiques de qualité.
Bien, revenons à notre point de départ. Nous avons commencé par la standardisation des données. Voici un exemple de notre démarche initiale. Auparavant, nous ne disposions que de dossiers contenant des fichiers Excel regroupant les plans des plantes, des données dont la standardisation était impossible à garantir. Ces quatre dernières années, nous avons développé une application de qualité dédiée à la visualisation et au traitement des données, un outil spécifique au sein de JMP, basé sur la même source de données que l'application. Nous travaillons désormais à l'intégration de Python dans nos outils JMP.
Le projet développé sous JMP visait trois objectifs principaux. Premièrement, nous souhaitions créer un jeu de données standardisé grâce à une interface graphique. Deuxièmement, il s'agissait de mettre en place une méthode d'analyse automatique permettant de générer un rapport standardisé sur la capabilité du processus, ainsi qu'un outil de détection rapide des anomalies grâce à l'utilisation appropriée de cartes de contrôle. Enfin, et c'était tout aussi important, nous souhaitions disposer d'un outil permettant d'approfondir l'analyse des paramètres du processus afin d'identifier, à partir des données de production en ligne, les variables les plus significatives.
Nous allons maintenant passer rapidement en revue les trois points principaux que Sara vient de présenter. Le premier point concerne la création de notre jeu de données standardisé. Il s'agit de développer une interface graphique permettant à l'utilisateur de sélectionner la plante et la période pour lesquelles il souhaite créer le jeu de données initial. Ce jeu de données est directement téléchargeable. Les données sont déjà standardisées, c'est-à-dire qu'elles ont été nettoyées selon les mêmes critères.
Après avoir créé le premier jeu de données servant de base à l'analyse, nous avons intégré un script dédié à l'analyse de capabilité spécifique. Ce script permet de sélectionner l'usine ou d'autres paramètres clés, outre les matériaux, par exemple. Nous avons développé différents boutons pour effectuer des analyses par mois ou par matériau. L'important est qu'en un seul clic, l'utilisateur puisse obtenir ce rapport. Il s'agit du rapport principal utilisé dans nos usines pour comprendre la capabilité réelle par matériau, par mois, par spécification et par caractéristique. Ce rapport permet également de prioriser les interventions afin d'obtenir une amélioration concrète et rapide.
Concernant les deux derniers boutons de l'outil d'analyse automatique, nous en avons ajouté un spécifique dédié à l'analyse de la stabilité du processus. Nous sélectionnons la carte de contrôle la plus adaptée. Nous avons également activé tous les types d'alertes afin de détecter les causes exceptionnelles et d'identifier ainsi des pistes d'amélioration. Ces alertes permettent d'approfondir l'analyse des valeurs aberrantes et d'assurer un suivi mensuel constant de l'évaluation de la carte de contrôle, permettant ainsi de déceler toute dérive ou tout changement de la moyenne du processus.
Un autre bouton important a ensuite été ajouté, relatif à la distribution, comme on peut le constater, mais pas seulement à la distribution des caractéristiques elles-mêmes. Nous souhaitions également mettre l'accent sur le résultat de la capabilité du processus, tant en termes de capabilité du processus lui-même que de CP et CPK, conformément au rapport intra-sigma. Nous voulions aussi garder un œil constant sur le rapport global de capabilité sigma, et donc sur nos indicateurs de performance.
Le dernier point important concernant l'outil développé réside dans la possibilité d'effectuer une analyse approfondie. À partir des données de laboratoire, nous souhaitions établir une corrélation directe avec les données de production en ligne afin d'obtenir tous les paramètres de procédé disponibles et de comprendre comment la capabilité du procédé influence nos caractéristiques de qualité, en fonction de l'influence des paramètres les plus significatifs. Pour ce faire, nous avons utilisé des outils comme le profileur de prédiction. Nous avons également veillé, dans cette étape, à activer le contrôle d'extrapolation lorsqu'une corrélation existait entre nos facteurs X et les autres variables de procédé.
Ceci est la dernière diapositive, car nous vous proposons un premier aperçu et souhaitons vous présenter les prochaines étapes. La première étape consiste à intégrer Python, et la seconde à étendre l'utilisation de ces outils à d'autres domaines prioritaires. Merci de votre attention et à bientôt au Discovery Summit.
Merci de votre attention. À bientôt.
