Extraction de connaissances pour l'optimisation des processus de production par process mining

Leveraging process mining for knowledge extraction and process optimization

• Auteur / Autrice : Le Toan Duong
• Direction : Louise Travé-Massuyès, Audine Subias
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 26/06/2023
• Etablissement(s) : Toulouse, INSA
• Ecole(s) doctorale(s) : École doctorale Systèmes
• Partenaire(s) de recherche : Laboratoire : LAAS - Laboratoire d'Analyse et d'Architecture des Systèmes - Laboratoire d'analyse et d'architecture des systèmes / LAAS
• Jury : Président / Présidente : François Pérès
• Jury : Examinateurs / Examinatrices : Marie Cottrell
• Jury : Rapporteurs / Rapporteuses : Christophe Biernacki, Maria Teresa Gomez-Lopez

Mots clés

Mots clés libres

Conformance checking

Modèles à événements discrets

Process mining

Fouille de données

Apprentissage machine

Diagnostic et Maintenance Prédictive

Conformance checking

Discrete event models

Process Mining

Data mining

Machine learning

Diagnosis and Predictive Maintenance

Résumé

Le secteur automobile requiert une production fort volume de cartes électroniques et exige qualité et performance. Les cartes électroniques sont aujourd’hui fabriquées de façon continue 7j/7j et 24h/24h, ce qui nécessite la mise en œuvre de systèmes de production optimisés. Or ceux-ci sont en constante évolution pour les besoins de fabrication des différents produits et pour les besoins liés à la maintenance des équipements et des outillages. Une compréhension fine des process et de l’état du système de production non biaisée par la perception humaine des experts ne peut donc être obtenue qu’à partir d’une analyse de diagnostic des logs et des indicateurs spécifiques générés par les équipements.Dans un premier temps, cette thèse cherche à extraire des connaissances sur le processus de production à partir de l'analyse des journaux d’événements, signaux et indicateurs. Pour ce faire, des techniques de fouille de processus (process mining) sont utilisées pour évaluer l'état de la production et identifier des incohérences ou anomalies. Un paradigme de process mining est développé pour construire automatiquement un modèle du processus de production permettant d’évaluer la qualité des produits finaux en fonction de leur comportement révélé par les logs d’événements. Les résultats sont utilisés pour analyser les variations de performance de la production sur différents créneaux horaires. Dans un second temps, des modèles de prédiction sont proposés et testés pour résoudre des problèmes tels que la prédiction des encours et la prédiction du temps de production restant des produits non finis. Pour ce dernier problème, les réseaux de neurones par graphes (GNN) sont utilisés comme une alternative aux méthodes de référence.

The automotive sector requires the mass production of electronic boards matching the highest quality standards and best-in-class performance. Nowadays, electronic boards are manufactured continuously, 24/7, which requires implementing optimized production systems. However, these are constantly evolving to adapt to new products or the maintenance of equipment and tools. A detailed understanding, unbiased by human expert perception, of the process and state of the manufacturing system can only be obtained from an analysis of logs and specific indicators generated by the equipment.In the first stage, this thesis aims to extract knowledge about the production process from analyzing event logs, signals, and indicators. In order to do this, process mining techniques are used to evaluate the production state and identify anomalies. A process mining framework is developed to automatically build the production process and then evaluate the quality of the final products from their behavior revealed by the data. The results are used to analyze the production performance between time slots. In the second stage, models are proposed and tested to solve problems such as work-in-progress (WIP) prediction and remaining cycle time prediction of unfinished products. Concerning the last one, the graph neural network (GNN) is used and performs well compared to state-of-the-art methods. This result shows a promising perspective for the use of GNNs for prediction problems in manufacturing.