Système d'aide à la décision pour le diagnostic industriel qualitatif

Industrial qualitative diagnosis support system

• Auteur / Autrice : Anthony Fouqué
• Direction : Matthieu Lauras, Hamideh Afsarmanesh
• Type : Thèse de doctorat
• Discipline(s) : Génie Industriel
• Date : Soutenance le 30/11/2021
• Etablissement(s) : Ecole nationale des Mines d'Albi-Carmaux
• Ecole(s) doctorale(s) : École doctorale Systèmes (Toulouse ; 1999-....)
• Partenaire(s) de recherche : Laboratoire : Centre de recherche Génie industriel (Albi) - Centre Génie Industriel / CGI
• Jury : Président / Présidente : François Pérès
• Jury : Examinateurs / Examinatrices : Matthieu Lauras, Hamideh Afsarmanesh, Robert Pellerin, Luis M. Camarinha-Matos, Pierre Jaeck
• Jury : Rapporteur / Rapporteuse : Robert Pellerin, Luis M. Camarinha-Matos

Mots clés

Mots clés contrôlés

Résolution de problème

Entreprises

Systèmes d'aide à la décision

Logistique (gestion)

Mots clés libres

Chaîne logistique

Diagnostic

Industrie

Théorie des contraintes

Processus de pensée

Supply chain

Diagnosis

Industry

Theory of Constraints

Thinking Processes

Résumé

Les entreprises industrielles sont soumises depuis plusieurs années maintenant à une pression sans précédent pour s’adapter aux différentes variations de la demande, aux aléas fournisseurs ou tout simplement à leurs changements intrinsèques. Ce besoin d’adaptation nécessite d’avoir la capacité de pouvoir analyser rapidement et efficacement l’état de santé actuel de l’entreprise. Or, le temps de collecte, traitement et restitution de données et informations quantitatives nécessaires à de tels diagnostics, est plus lent que les changements auxquels sont confrontés les entreprises. C’est pourquoi le but de ce travail de recherche a été de proposer une méthodologie de diagnostic industriel rapide, qui soit basée sur une approche semi-automatisée et des informations qualitatives. Après avoir réalisé dans un premier chapitre un état de l’art sur les méthodes existantes en termes de diagnostic industriel, nous avons finalement fait le choix d’axer notre proposition scientifique et technique sur la méthode des Thinking Processes issue de la Théorie des Contraintes. Cette méthode qui hérite des fondements théoriques associés à la théorie des graphes et aux réseaux bayésiens, présente de nombreux atouts potentiels pour mener un diagnostic qualitatif d’un système de production de biens ou de services. Malheureusement, elle présente aussi de nombreux écueils tels que le haut niveau d’expertise et d’expérience requis pour la mettre en œuvre ou le délai très long nécessaire à son déploiement. Le second chapitre s’intéresse ainsi à la formalisation et à la structuration d’une démarche originale de diagnostic industriel inspiré de la méthode des Thinking Processes. Il développe également une architecture fonctionnelle et une architecture technique originales permettant de structurer un système d’aide à la décision capable d’accompagner la démarche développée. Enfin, il définit et développe un prototype logiciel appelé DOSSARD permettant de concrétiser les éléments définis dans le système d’aide à la décision précédent. Le troisième chapitre, lui, formalise sous forme de base de connaissances orientée graphe, la validation et l’enrichissement d’un arbre des réalités actuelles générique adapté à la caractérisation des systèmes de production de type fabrication sur stock (MTS). Il élabore également un arbre des réalités actuelles générique (base de connaissances), totalement nouveau, adapté aux systèmes de production de type fabrication sur commande ou projet (ETO). Le quatrième chapitre décrit comment ces contributions ont été testées et validées sur une cinquantaine de cas industriels afin de démontrer leur valeur ajoutée et d’identifier également leurs limites. Il en résulte que la démarche proposée et le système d’aide à la décision associé permettent bien d’atteindre les résultats escomptés. Notamment ils permettent d’accélérer très significativement la vitesse de diagnostic tout en améliorant la pertinence et la robustesse du livrable produit. Enfin, dans un dernier chapitre conclusif, le manuscrit propose un ensemble de perspectives de recherche prometteuses. D’abord, si de nombreuses expérimentations terrain ont pu être menées dans le cadre de ce travail de recherche, l’essentiel des cas portaient sur des systèmes de production sur stock (MTS). La proposition faite reste donc à valider plus largement sur des cas de production sur commande ou projet (ETO) et surtout, elle reste à étendre aux nombreux autres systèmes existants tels que l’assemblage à la commande (ATO), la configuration à la commande (CTO) ou encore la distribution par exemple. Enfin, même si le nombre de cas industriels mobilisés pour cette étude est élevé, il demeure beaucoup trop limité pour envisager éprouver véritablement les bases de connaissances et les règles d’inférence associées.

Over the past several years, industrial companies have been under unprecedented pressure to adapt to different variations in demand, supplier problems or simply their own intrinsic changes. This need for adaptation requires the ability to be able to quickly and effectively analyze the current state of health of the company. However, the collecting, processing and reporting of the data and the quantitative information necessary for such diagnoses is much slower than the speed of change now challenging companies. This is why the aim of this research work is to propose a rapid industrial diagnostic methodology, which is based on a semi-automated approach and qualitative information. After having carried out a state of the art on the existing methods in terms of industrial diagnosis in the first chapter, we chose to focus our scientific and technical proposal on the Thinking Processes method from the Theory of Constraints. This method, which inherits the theoretical foundations associated with graph theory and Bayesian networks, has many potential advantages for conducting a qualitative diagnosis of a production system of goods or services. Unfortunately, it also has many pitfalls, such as the high level of expertise and experience required to implement it, or the excessive amount of time required for its deployment. The second chapter thus focuses on the formalization and structuring of an original approach to industrial diagnosis inspired by the Thinking Processes method. It also develops an original functional architecture and a technical architecture to structure a decision support system capable of supporting the developed approach. Finally, it defines and develops a software prototype called DOSSARD to concretize the elements defined in this decision support system. The third chapter formalizes, in the form of a graph-oriented knowledge base, the validation and enrichment of a generic Current Reality Tree adapted to the characterization of production systems that use manufacturing to stock (MTS). It also develops a generic Current Reality Tree (knowledge base) that is completely new, adapted to production systems that use manufacturing to order or project (ETO). The fourth chapter describes how these contributions were tested and validated on about fifty industrial cases in order to demonstrate their added value and also identify their limitations. The proposed approach and the associated decision support system were successful in achieving the expected results. In particular, they made it possible to significantly accelerate the speed of diagnosis while improving the relevance and robustness of the final product. In the concluding chapter, the manuscript offers a set of promising research perspectives. First, while many field experiments were conducted as part of this research work, most of the cases concerned stock production systems (STDs). The proposal made therefore remains to be validated more widely on cases relating to production to order or project (ETO) and above all, it could be extended to the many other existing systems, such as assembly to order (ATO), configuration to order (CTO) or distribution, for example. Finally, even though the number of industrial cases mobilized for this study was high, it was still too limited to consider an in-depth testing of the knowledge bases and associated inference rules.