Gains :
- Capacité à définir et calculer avec précision les KPI de production tels que l'OEE, le temps de cycle et les en-cours
- Capacité à configurer la conception de tableaux de bord, la simulation d'événements discrets et l'analyse de scénarios avec l'IA
- Capacité à vérifier les sorties de simulation et de tableau de bord avec des hypothèses d'entrée et des données réelles
Les ingénieurs industriels prennent des décisions basées sur des mesures et non sur leur intuition. Des KPI (Key Performance Indicators) correctement définis gardent le pouls d’un système de production ; La simulation, en revanche, demande « et si ? » sans arrêter le système réel. répond à la question avec confiance. L’IA est un accélérateur dans les deux cas : elle rédige la définition des KPI et la conception du tableau de bord, construit le squelette du modèle de simulation, interprète les comparaisons de scénarios. Cependant, les KPI et la simulation sont tous deux sensibles aux pièges d’une « mauvaise définition » et d’une « mauvaise hypothèse ». Dans cette unité, nous couvrirons les KPI de production, la conception de tableaux de bord et la simulation d'événements discrets avec la discipline de la vérification.
Définir correctement le bon KPI
Un KPI mal calculé est plus dangereux que pas de KPI du tout car il donne une fausse confiance. Les KPI de production les plus courants :
KPI
Descriptif
Attention
OEE
Convivialité × Performance × Qualité
Les trois composantes doivent être calculées séparément
Temps de cycle
Temps entre les pièces
mélanger avec tact
Délai de livraison (délai de livraison)
Commande → livraison
différent du cycle
En-cours
produit semi-fini en cours de fabrication
lié par la loi de Little
Rapport déchets/rebuts
Incorrect / total
Retouche de réserve
Livraison à temps (OTD)
À temps / commande totale
Définir une livraison partielle
Exemple OEE : Si la disponibilité est de 90 %, la performance est de 95 %, la qualité est de 98 % :
OEE = 0,90 × 0,95 × 0,98 = 0,8379 ≈ 83,8 %
Une erreur courante consiste à additionner ces trois nombres et à en faire la moyenne ; L'OEE est une multiplication, donc chaque composant compose le résultat.
La loi de Little établit la relation temps de travail-débit-flux et est très puissante :
WIP = Débit × Temps d'écoulement Exemple : il y a en moyenne 30 pièces (WIP) sur la ligne, si le débit est de 6 pièces/heure Temps d'écoulement = WIP / Sortie = 30 / 6 = 5 heures
Astuce : Lorsque l'IA calcule un KPI, imprimez également sa définition. "Qu'est-ce que l'OEE, avec quelle formule l'avez-vous calculé ?" demander. L'IA ne donne parfois que la disponibilité au lieu du TRS ou ignore le composant qualité ; Ne vous fiez pas au numéro sans voir la définition.
Conception du tableau de bord KPI
Un bon tableau de bord n'affiche pas beaucoup de chiffres ; Répond aux bonnes questions. L’IA est utile pour déterminer quels KPI sont pertinents pour quel public et comment les regrouper.
Rôle : Vous êtes un ingénieur industriel avec une expérience en analyse de production. Tâche : Concevoir un tableau de bord d'administration pour un atelier CNC. Précisez :1. Jusqu'à 6 KPI (définition et formule pour chacun).2. Proposition de valeur cible et seuils « bon/attention/mauvais » pour chaque KPI.3. Quel KPI sera affiché sur quel graphique (tendance, indicateur, graphique).4. 3 questions de direction auxquelles répond le tableau de bord. Règle : éviter l'inflation des KPI ; Expliquez que chaque indicateur sert à prendre une décision. Ne donnez pas de valeur cible inventée, dites « elle doit être ajustée en fonction du secteur ».
Invite faible/Invite forte
Invite faible :
Faites-moi une planche de production.
S’il n’y a pas de public cible, de source de données et d’objectif, l’IA affichera une liste générale ; Aucune décision n'est prise.
Invite puissante :
Concevez un tableau pour le chef d'équipe, qui sera lu en 5 minutes chaque matin. Objectif : où était la perte lors de l'équipe d'hier, à quoi faut-il prêter attention aujourd'hui. Maximum 5 KPI, chacun avec définition + formule + seuil. Enregistrements horaires de production, de temps d'arrêt et de gaspillage à partir de ma source de données, MES. Évitez les détails excessifs.
La deuxième invite clarifie l'utilisateur, le moment de l'utilisation et la source des données ; Le résultat est une planche réellement utilisée.
Simulation d'événements discrets (DES)
La simulation est un moyen d'expérimenter sans perturber le système réel : qu'arrive-t-il à la file d'attente lorsque vous ajoutez une nouvelle machine, comment la production est-elle affectée lors d'un changement d'équipe ? La simulation d'événements discrets (DES) modélise le système comme une séquence d'« événements » (arrivée de la pièce, fin du processus). Entrées de base : répartition du temps entre les arrivées, répartition du temps de service, nombre de ressources, discipline de file d'attente.
Rôle : Vous êtes un ingénieur industriel expérimenté en simulation.Tâche : Écrire un framework pour modéliser le système suivant avec Python SimPy :- Les pièces arrivent toutes les 4 minutes en moyenne (distribution exponentielle)- Machine unique, temps de traitement moyen de 3,5 minutes (exponentielle)- File d'attente FIFOCe que je dois mesurer comme résultat : attente moyenne, longueur de la file d'attente, taux d'utilisation de la machine.Expliquez le code avec des commentaires ; écrivez les hypothèses de distribution au début. Aussi : quel contrôle analytique puis-je effectuer pour vérifier le résultat (par exemple, comparaison avec les formules de queue M/M/1) ?
La dernière ligne ici est critique : une bonne simulation est comparée à un contrôle analytique si possible. Le système simple ci-dessus est une file d’attente M/M/1 ; Le résultat de la simulation devrait être valable avec des valeurs théoriques telles que le taux d'utilisation ρ = 3,5/4 = 0,875 et le nombre moyen dans le système L = ρ/(1−ρ) = 0,875/0,125 = 7.
Attention : la qualité du résultat de la simulation dépend des hypothèses d'entrée ("garbage in, garbage out"). L’IA suppose parfois la distribution sans la vérifier ou présente le résultat d’une seule exécution comme la dure vérité. Exécutez plusieurs exécutions (réplications), calculez des intervalles de confiance et vérifiez les distributions d'entrée avec des données réelles.
Mini cas : Simulation avec de fausses hypothèses
Sur une chaîne de montage, la direction pense que l'ajout d'une deuxième station d'emballage éliminera la file d'attente. L'ingénieur industriel Deniz construit un modèle DES avec l'IA. Le premier résultat indique "la deuxième station réduit la file d'attente de 70 %". Mais lorsque Deniz vérifie la distribution des entrées, il constate que les données réelles d'arrivée ne sont pas exponentielles, mais ont une structure « explosive » qui se concentre pendant la pause déjeuner. Lorsque nous exécutons à nouveau le modèle avec la distribution correcte, il s'avère que la deuxième station ne résout pas le véritable goulot d'étranglement et que le problème réside dans la planification des pauses. La simulation évite de recommander inutilement un investissement. Leçon : L'IA a construit le modèle rapidement, mais a suggéré la mauvaise décision avec la mauvaise hypothèse ; C'est la personne qui a mis les bonnes données.
Erreurs courantes
- Mauvaise définition du KPI : addition de composants OEE ou confusion entre cycle et délai de livraison.
- Inflation KPI : Mettre des dizaines d'indicateurs sur le tableau de bord qui ne servent pas à la décision.
- S'appuyer sur une seule exécution : exécuter la simulation une fois et supposer que le résultat est certain ; pas de réplication.
- Ne pas valider la distribution d'entrée : ne pas comparer la distribution par défaut (exponentielle, etc.) avec les données réelles.
- Contourner la vérification analytique : ne pas recouper la simulation avec la formule de file d'attente théorique dans les systèmes simples.
En résumé
- La puissance des KPI vient d’une définition correcte ; OEE est le produit, la loi de Little connecte la sortie WIP-flow.
- Un bon tableau de bord répond aux bonnes questions, pas à beaucoup de chiffres ; L'utilisateur, l'instance et la source de données doivent être clairs.
- DES essaie des scénarios sans casser le système réel ; La distribution des entrées détermine la qualité du résultat.
- Validez la simulation par réplication (intervalle de confiance) et si possible par formule analytique.
- L'IA crée rapidement un modèle et un tableau ; C'est la personne qui pose correctement les hypothèses et interprète le résultat.
Tâche de candidature
Choisissez un système de production/service. Vous demandez d’abord à l’IA de concevoir un tableau de bord de changement avec 5 KPI ou moins ; Faites afficher la définition et la formule de chaque KPI et vérifiez que les trois composantes sont multipliées si l'OEE est présent. Demandez ensuite à l'IA d'imprimer un squelette SimPy pour un système de file d'attente simple (un seul serveur) et d'imprimer les hypothèses de distribution d'entrée en haut. Vérification critique : considérez le système comme une file d'attente M/M/1 et calculez manuellement le taux d'utilisation ρ et le nombre moyen L dans le système, comparez-le avec le résultat de la simulation. Enfin, proposez un changement de scénario (ajout d'un deuxième serveur) et critiquez le résultat de l'IA en remettant en question le réalisme de la répartition des entrées.