| 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. |
| |
in Cavaillon, France. |
| |
Nous travaillons pour des unités commerciales de matériaux céramiques. Cet article aborde deux points. Dans le premier, nous présenterons le cycle de vie des projets de données que nous proposons aux fabricants. |
| |
Et dans le deuxième, nous continuerons |
| |
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. |
| |
Dans cette boucle infinie, nous définissons sept étapes à suivre pour gérer efficacement un projet d'analyse de données. Pour chacune d'elles, nous veillons à bien comprendre le processus, car nous sommes convaincus qu'il s'agit d'un élément clé de la réussite des projets de données dans un monde industriel. |
| |
Par exemple, pour détecter la variation dans le processus, nous utilisons le SIPOC ou diagramme de flux et pour détecter les causes de variation, nous utilisons notre boîte à outils de résolution de problèmes qui contient un diagramme ??? ou Ishikawa. |
| |
La boucle infinie présente également une autre voie vers l'amélioration continue. Nous détaillerons ensuite cette approche 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 semblé très utiles pour définir clairement les éléments du métier. Tout d'abord, la définition des besoins de l'entreprise. |
| |
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. |
| |
Dans le cadre de la définition de l'opportunité commerciale, nous devons savoir ce qui sera utilisé, si la cible a simplement besoin d'une visualisation ou d'une analyse. |
| |
Et après cela, l’impact devrait apporter notre gain quantifié à l’entreprise. |
| |
Deuxièmement, la disponibilité et l'utilisabilité des données. Nous procédons alors à une analyse diagonale de la qualité des données. Il est crucial de déterminer la faisabilité du projet de données, et donc la constitution de l'équipe. |
| |
une personne de l'équipe de données, une personne de l'équipe de l'unité commerciale et une personne des usines, un ingénieur de processus avec des ceintures vertes ou noires Six Sigma. |
| |
Passons à la deuxième étape. |
| |
Préparation des données. |
| |
La transformation, l'intégration et le nettoyage constituent une étape importante et chronophage dans les projets de données. Par exemple, nous disposons de différentes sources de données et devons les centraliser. |
| |
Dans une table. Nous utilisons principalement X pour les entrées et Y pour les sorties. Dans cette configuration, nous utilisons différents outils JMP, tels que le traitement des valeurs manquantes, le ??? des 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 grâce à la visualisation dynamique. JMP offre un large choix de visualisations. Par exemple, vous pouvez tracer la distribution d'une variable et estimer la charge qu'elle entraîne. |
| |
Détectez les valeurs aberrantes avec le diagramme en boîte à moustaches, |
| |
régression non linéaire entre deux variables, |
| |
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 trouvons très utiles. |
| |
La quatrième étape consiste à développer le modèle et cela dépend du type d’analyse dont nous avons besoin. |
| |
C'est à... |
| |
L'objectif est d'expliquer ou de prédire. Le premier concerne les liens entre les variables et permet d'expliquer les tendances dans les données. Le second concerne les formules et permet de prédire les tendances dans les données. |
| |
En général, nous découpons nos ensembles de données en trois blocs : 70 % pour l’entraînement, 20 % pour les tests et 10 % pour la validation. Parfois, si nos données sont peu volumineuses, nous utilisons 70 % pour l’entraînement et 30 % pour la validation. Si le modèle est satisfaisant, nous demandons un nouvel ensemble de données afin d’orienter la prise de décision. |
| |
Nous devons aborder l'apprentissage supervisé et non supervisé. Aujourd'hui, chez Saint-Gobain, nous utiliserons la version standard de JMP. |
| |
Nous avons accès à des outils d'apprentissage supervisé, tels que la régression linéaire, les arbres de décision et les réseaux neuronaux. Nous utilisons beaucoup les arbres de décision aujourd'hui, car ils nous fournissent 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. Pour garantir le bon sens, nous avons ajouté des contraintes, par exemple la moyenne/maximale et le pas de valorisation de chaque variable. |
| |
Le profil JMP nous offre une grande possibilité d'optimiser rapidement les solutions. |
| |
A partir de maintenant, l'étape suivante est le passage à l'usine, avec l'accompagnement de notre ingénieur procédé avec la ceinture verte ou noire Six Sigma. |
| |
La sixième étape consiste à mettre en œuvre la meilleure solution dans les usines, régie par un seul modèle représentatif. Par exemple, nous implémentons les cartes de contrôle de la sortie Y1 et analysons les différentes variations. |
| |
À la septième étape, nous surveillons l'efficacité du modèle et visualisons le gain global de notre projet de données. Par exemple, les graphiques circulaires illustrent l'impact radial sur le rendement global. |
| |
Et enfin, la préparation de la première étape d'un nouveau projet de données pour assurer la continuité, l'amélioration continue et la continuité de la boucle infinie. |
| |
Tout cela concernait le cycle de vie des projets de données et nous allons maintenant passer à la présentation de deux études de cas réelles du protocole utilisant JMP. |
| |
Dans les deux exemples, nous avons étudié la même technologie de procédé. Il s'agit d'un four à arc électrique, mais pour les deux, les produits et les cibles sont différents. |
| |
Dans cette technologie, nous avons des phénomènes multiphysiques 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, du défaut n°1, n°2 au n°N. |
| |
Et pour cela, pour préparer correctement les ensembles de données, nous avons utilisé Pareto, |
| |
traitement des valeurs aberrantes avec 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 simplement 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, l'objectif 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'entraînement 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 paramètre spécifique uniquement pour X1 et X3. |
| |
Et le rendement mondial devrait évoluer rapidement. C'est le point crucial… au niveau de ce groupe de points. |
| |
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, ici nous avons juste 80 variables de processus et l'objectif était de faire évoluer le nombre de pièces sans défaut, D1. |
| |
Il s'agit 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 afin de réduire le nombre de variables à inclure 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 du bon |
| |
Résultats. Comme vous pouvez le constater, le R² était de 84 %, le RMSE de 3 % et le nombre de tailles était de 287. Pour cela, nous avons utilisé la méthode de validation croisée. |
| |
parce que nous avons une très petite taille de table. |
| |
Donc le premier paramètre était très important, comme vous le voyez, il contribue à 50%. |
| |
Il était difficile d'expliquer cela aux plantes avec les 12 variables. Pour cela, en traçant uniquement la première variable, on constate visuellement qu'il est possible de définir un seuil avec la seule variable X1, et ainsi le rendement global devrait évoluer rapidement. |
| |
Merci. |
