Extraction de connaissances pour l'optimisation des processus de production par process mining
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 |
Examinateurs / Examinatrices : Marie Cottrell | |
Rapporteurs / Rapporteuses : Christophe Biernacki, Maria Teresa Gomez-Lopez |
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.