Une technologie révolutionnaire non statistique pour supprimer les variabilités

Transcription

1 mesure e conrôle < TECHNIQUE Une echnologie révoluionnaire non saisique pour supprimer les variabiliés A NON STATISTICAL GROUND BRAKING METHODOLOGY TO AVOID VARIABILITY Business effiscience idenifie e explique l'exhausivié des configuraions opéraionnelles minimisan les variabiliés des processus de producion, grâce à l'uilisaion d'algorihmes propriéaires, de concepion oalemen révoluionnaire, non saisiques. ou commen évier d invesir lourdemen sur un processus de producion pour le rendre plus performan alors qu on n en a pas encore exploié la quinessence? BENOÎT BINACHON BUSINESS EFFISCIENCE LEVALLOIS-PERRET Business effiscience proposes a revoluionary way ha is simple o learn for maximising he profiabiliy of producion equipmen. The subscripion rules are creaed by a unique mahemaical principal, no based on saisics, ha only reains successively he facors of direc influence in each rule. The rule creaion principal overcomes all he obsacles faced by exising ools. Implemening he Business effiscience mehod is simple, fas and provides resuls ha are immediaely applicable in he organisaion. Suppored by an exremely rigorous mehod (DMAIC) and based on a limied number of measuremens of he curren producion, Business effiscience calculaes simple rules: describing he full range of configuraions ha minimise, in a sable way he variabily of a processes ; deermining for each of hese configuraions he exac originaing causes of he variabiliy ; hereby allowing he implemenaion of he rules generaed in less han 3 monhs (12 days of inervenion) as operaional ools (calibraion of process parameers, mainenance plans, supplier specificaions...). These rules are developed using revoluionary mahemaical principles: exceeding all he normal limis found when idenifying risks and opporuniies ; non saisical and exploring all available configuraion, i is based on 10 years of research in applied mahemaics laboraories a he Ecole Polyechnique, hen a Business effiscience ; simple in operaion, hey are very easy o learn by anyone who is operaional. Implemening his mehod: requires no major changes o procedures nor any inernal invesmen ; involves a very small invesmen of money and ime ; akes ino accoun all he organisaion's operaional consrains especially hose relaed o producion condiions, supplier specificaions, and is compleed in less han 3 monhs (12 days of inervenion). The reurn on invesmen for he Business effiscience work is sysemaically evaluaed a he end of he mission. HISTORIQUE La echnologie qui es au cœur des inervenions de Business effisicence es née dans les laboraoires de l école polyechnique dans les années quare-vingdix, à la demande de la Cogema. Il s agissai à l époque de déerminer e d expliquer les causes/origines de fuies sur des silos de reraiemen de déches nucléaires produis à la Hague. Ce processus complexe éai régi par 350 variables, e les occurrences des fuies éaien rares. Aucune approche saisique n avai donc permis de les corréler e de remoner aux causes/origines des fuies. Aucunes endances générales n éaien même mises en évidence du fai de la rès faible occurrence du phénomène en quesion. Avec les echnologies iéraives e non saisiques qu uilisaien ces nouveaux algorihmes, don nous expliquons le foncionnemen plus loin, on a pu idenifier les variables influenes e non influenes sur les phénomènes de fuies parmi les 350 variables mises en jeu ; mais avec une vision rès diffé- 41

2 TECHNIQUE > mesure e conrôle rene de la vision globale oujours enseignée e qui es le fondemen des méhodes de résoluions de problèmes complexes. On a pu idenifier, localiser e expliquer les configuraions locales (e non globales) déclenchan les fuies ; auremen di, décrire sur quelles plages de valeur précises e selon quelles combinaisons les variables déclenchaien le phénomène de fuie. E ainsi comprendre les muliples causes/origines du problème. À l époque, ces ouils ournaien sur les puissans CRAY II du plaeau de Saclay, nécessian des emps de calcul imporans (une dizaine de jours), donc des coûs rès élevés. Leur uilisaion n éai pas indusrialisable. Les recherches effecuées, cee fois-ci, à ire sricemen privé par les mahémaiciens de ce qui deviendra Business effiscience, on permis de mere cee echnologie à la porée des enreprises indusrielles e de répondre à leurs préoccupaions quoidiennes : réducions de rebus indusriels, éliminaion des nonqualiés, maîrise des consommaions énergéiques, opimisaion des spécificaions des produis acheés CE QUE CETTE TECHNOLOGIE APPORTE AUX INDUSTRIELS DU VERRE Diviser par hui le aux de bouillons d un floa verrier, permere à un indusriel d accéder au marché des le principe de formaion des règles grandes façades pour ses virages en écrasan la dispersion de la couleur de ses coaings, diviser par cinq la surface de verre non conforme en épaisseur issue d un floa, diviser par sep le nombre de laéraux auomobiles non conformes en galbe sur une référence clé auan de résulas convoiés depuis parfois des années par ces indusriels, qui éaien souven sur le poin de réaliser des invesissemens imporans pour y parvenir, alors que ceux-ci peuven êre obenus en six à hui jours de proje avec cee echnologie. En effe, les projes de Business effiscience ne nécessien aucun invesissemen inerne, aucun bouleversemen des processus inernes, avec un rès faible emps d inervenion (six à hui jours), ils permeen un reour sur invesissemen immédiaemen mesurable. Cee echnologie, appuyée sur une méhodologie exrêmemen rigoureuse e éprouvée (le DMAIC, issue du célèbre 6Sigma), perme de localiser, d'idenifier e d'expliquer l'exhausivié des configuraions sables qui minimisen les variabiliés des processus de producion, afin de disposer de ous les leviers opéraionnels pour les reproduire à cour erme. Ces configuraions son exprimées sous forme de règles explicaives simples. 42

3 CE QUI DIFFÉRENCIE PROFONDÉMENT CETTE TECHNOLOGIE DES OUTILS EXISTANTS La echnologie de Business effiscience perme de dépasser l ensemble des obsacles renconrés par les ouils exisans en prenan en compe l ensemble des variables. Y compris celles influan uniquemen de façon locale, en raian simulanémen (sans les prédécouper ni les hiérarchiser) les variables discrèes e coninues, quel que soi leur nombre, e en s affranchissan des données ou variables manquanes. COMMENT SE DÉROULE UN PROJET BUSINESS EFFISCIENCE Une elle echnologie, si puissane soi-elle, déployée sans l appui d une méhodologie oalemen rigoureuse, risque de générer des résulas hors suje, ou inadapés aux réaliés opéraionnelles. C es pourquoi a éé imporée l une des meilleures praiques de General Elecric (le 6Sigma), afin de s assurer que les projes son encadrés par un processus garanissan, éape par éape, que la problémaique posée es sricemen résolue. L approche es donc srucurée auour d une démarche siuée au cœur du 6 sigma, le DMAIC, e des algorihmes que nous allons décrire en déail plus loin. Une équipe proje es consiuée de 3 à 5 personnes expers du méier concerné: un représenan de la Qualié, un méhodise, un exploian (producion), un mérologue, un exper du produi concerné, un représenan de la mainenance. L un d eux sera désigné comme le chef de proje. Le sponsor (direceur de l usine par exemple) suivra le proje e permera à l équipe de rancher, le cas échéan. Cee équipe es animée par un exper de la echnologie de Business effiscience, un direceur de proje, don l expérience indusrielle éprouvée (10 à 20 ans) lui perme de coacher l équipe efficacemen e avec ou le pragmaisme nécessaire, e de la mener au succès! Le proje va ainsi se dérouler suivan les 5 éapes du DMAIC: D: Define: Cee équipe va ou d abord parfaiemen définir la problémaique à raier: quelle es la variable, le phénomène à comprendre e à mere sous conrôle? Quel processus es concerné, quelles son ses limies, commen se défini-il (c es le process mapping). Quels son ses caracérisiques ou paramères (les variables) qui peuven avoir une évenuelle influence sur la variable à mere sous conrôle? C es au direceur de proje d amener cee équipe à s exprimer le plus ouveremen possible. Son expérience e sa méhode permeron de faire émerger le maximum d informaions de l équipe méier. A cee éape, l analyse qui suivra n éan pas saisique, l équipe proje ne doi pas se limier dans la lise des variables. En effe, on ne sera pas limié par leur nombre, ni par leur naure (discrèes ou coninues, ordinales ou pas / qualiaives ou quaniaives). On réalise alors le process mapping. Le process mapping 43

4 TECHNIQUE > mesure e conrôle M: Measure: Cee éape consise à bâir un plan de collece de données, permean de façon exrêmemen rigoureuse de collecer les données qui consiueron la base d apprenissage. Ellemême va nourrir les algorihmes e donc l analyse. Cee collece es bien sûr définie e formalisée par l équipe proje, sous la direcion du direceur de proje. Cee base, ou marice, conien en ligne, des observaions (20 m 2 de verre soran du floa, un lo de flacon, ec.). E, en colonne, me les valeurs des variables aachées à chaque observaion. La dernière colonne es la valeur de la variable de sorie pour chaque observaion. Pour les processus peu ou mal insrumenés, la collece se fera grâce à l insallaion de quelques capeurs supplémenaires, mais jamais en déployan des moyens imporans. Un proje de cee naure doi reser simple, e seules les données facilemen accessibles son considérées. La résisane aux variables manquanes perme ce pragmaisme qu apprécien pariculièremen les indusriels. Auremen di, il es considéré comme prioriaire de faire parler les données facilemen accessibles pluô que de collecer à grands frais des variables difficiles à mesurer. Il es d ailleurs assez probable qu une variable non collecée, mais ouefois supposée comme foremen influene, soi difficilemen conrôlable. A quoi bon alors chercher des soluions qui la meen en jeu! A : Analyse : le foncionnemen de l algorihme L analyse, effecuée par des algorihmes propriéaires, n es absolumen pas fondée sur des approches saisiques, puisqu elle raie chaque poin de façon oalemen individuelle, e ous les poins de façon exhausive. Il s agi d une approche exhausive, iéraive e non saisique. Elle appore une vision radicalemen différene de oues les approches exisanes, e peu permere une modificaion subsanielle, sans révoluion aucune e dans la coninuié, de la culure indusrielle d un sie de producion. 44 La marice d apprenissage

5 Représenaion des pièces ou los dans l espace des variables Voici commen les algorihmes déerminen l exhausivié des configuraions sables qui minimisen la variabilié du processus éudié. Chaque poin de sorie de la marice d apprenissage (rond ou croix, qui représene une bonne ou une mauvaise pièce, un bon ou un mauvais lo), peu se représener dans un espace vecoriel avec auan de dimensions qu il y a de variables dans la marice d apprenissage. L algorihme va alors générer des hypercubes* don la surdensié en pièces bonnes es remarquable (ie. supérieure à un coefficien * un hypercube es un volume convexe droi, donc aux faces parallèles deux à deux e se coupan à angle droi: c es ou simplemen un recangle en deux dimensions, un parallélépipède recangle en rois dimensions choisi). Pourquoi des hypercubes? Parce qu ils définissen des zones, des sousespaces, qui, projeés sur les axes, décriven des configuraions de producion : «la empéraure enre elle e elle valeur, combinée à une pression comprise enre elle e elle valeur ec.». L algorihme génère ous les hypercubes don la surdensié en pièces (ou los) bons es remarquable 45

6 TECHNIQUE > mesure e conrôle Les hypercubes ainsi générés son complexes (auan de dimension qu il y a de variables), e donc non opéraionnels. Il va donc êre nécessaire de les simplifier en les expriman dans le moins de dimensions possible. On va alors se poser une quesion qu on ne se pose jamais avec les approches exisanes! En effe, la quesion habiuelle es : «quelles son les variables qui son globalemen influenes sur le phénomène éudié?» La quesion que l on se pose avec une elle echnologie es : «quelles son les variables qui son localemen (ie. uniquemen au niveau de chaque hypercube) e non globalemen influenes sur le phénomène.» L algorihme va donc déerminer l influence locale dans chaque hypercube de chaque variable sur le phénomène analysé. Noons bien que ce qui es vrai localemen, au sein d un hypercube, n es pas forcémen vrai ailleurs! Pour cela, l algorihme élimine les variables une par une e regarde si la pureé de l hypercube s en rouve dégradée ; cee observaion es bien sûr oalemen locale ; éliminons par exemple la variable V2. Le fai de déconraindre V2 dégrade considérablemen la pureé de l hypercube puisque le nouvel hypercube conien des poins représenan des pièces ou des los non conformes. V2 es donc une variable localemen influene. Si éliminer V2 n avai pas fai «enrer» des pièces ou des los non conformes dans le nouvel hyper cube ainsi généré, (ou pas assez pour dégrader la pureé en dessous d un seuil qu on se serai fixé) la variable aurai éé considérée comme non influene, localemen (il pourrai en êre ou à fai auremen ailleurs dans l espace). L opéraion es ainsi effecuée pour chaque variable. Nous allons ensuie caracériser ce hypercube afin qu il exprime une noion «méier» : on projee ainsi chaque face de l hypercube sur les axes des variables influenes. On défini ce que l on appelle des règle explicaive du phénomène analysé. L algorihme ese l influence locale des variables 46

7 L algorihme génère oues les règles Dans ce exemple, l hypercube (à gauche) s explique grâce à 3 variables localemen influenes (V1, V2 e V21). On appelle «lif» de la règle le rappor pureé de la règle/pureé de l ensemble de l espace. Remarque imporane : le fai d avoir gardé oues les variables lors du process mapping, y compris celles don l influence moyenne es faible, fai que les règles générées combinen à la fois des variables ceres globalemen influenes, avec des variables globalemen peu influenes (donc jamais prises en compe par les analyses exisanes), mais localemen rès influenes. Les règles ainsi générées son donc «inédies», e permeen de mere en lumière des configuraions jusque là non révélées, e pouran rès performanes. Ces règles ne son pour auan pas forcémen opéraionnelles (e donc implémenables) ; la phase suivane va permere d effecuer cee adapaion. I : Improve La phase d Improve vise à adaper les règles rouvées aux conraines opéraionnelles de l ouil indusriel, afin de mere au poin une ou plusieurs règles parfaiemen applicables, validées par l ensemble des expers de l équipe proje. C : Conrôle Cee phase perme de mere en œuvre, dans l aelier, la règle applicable, mise au poin à l éape précédene. L ensemble des leviers opéraionnels son acionnés, les modes opéraoires, les cahiers des charges fournisseurs le cas échéan, les plans de mainenances modifiés, afin que l applicaion soi pérenne dans l organisaion. Une mainenance des règles es assurées à la fois par un ouil simple livré à l indusriel (don il es oalemen propriéaire), e par un conra de pérennié assurée par la sociéé Business effiscience 47