Table des Matières
Le machine learning n'améliore le TRS (taux de rendement synthétique, OEE en anglais) qu'en réduisant les pertes qui le composent. Décomposez le TRS en disponibilité, performance et qualité, identifiez les plus grosses pertes sur le goulot, puis appliquez le modèle adapté : prédiction de pannes, analyse des micro-arrêts, qualité prédictive pour les rebuts. Avant tout, les données de pertes doivent être fiables.
Points clés
- Le TRS est le produit de la disponibilité, de la performance et de la qualité : chaque facteur correspond à des pertes différentes et à un type de modèle différent (OPC Foundation).
- Fiabiliser d'abord les données. Dans une étude portant sur 884 machines de 23 entreprises, près de la moitié des pertes de TRS enregistrées n'ont pas pu être classées.
- Travailler sur le goulot, en sachant qu'il se déplace. Sur une ligne de moteurs, le goulot d'une campagne n'était le goulot de la suivante que dans 20,8 % des cas (Subramaniyan et al., 2018).
- Un simple signal marche/arrêt prédit peu de chose. Une forêt aléatoire entraînée sur le journal d'états d'une seule machine d'emballage n'a détecté que 21 % des pannes de l'heure suivante (Filios et al., 2022).
- Les données sur les stratégies de maintenance viennent surtout d'enquêtes : une enquête du NIST associe une maintenance moins corrective à 52,7 % d'arrêts non planifiés en moins, et ses auteurs qualifient la comparaison d'anecdotique (Thomas et Weiss, 2021).
Comment se calcule le TRS ?
Le TRS multiplie trois ratios. Le site de référence de Vorne en donne la forme courante (OEE.com) :
- Disponibilité = temps de fonctionnement ÷ temps de production planifié. Les arrêts, planifiés ou non, la réduisent.
- Performance = (temps de cycle idéal × nombre total de pièces) ÷ temps de fonctionnement. Elle ne doit jamais dépasser 100 %.
- Qualité = nombre de pièces bonnes ÷ nombre total de pièces.
Dans l'exemple chiffré de Vorne, une disponibilité de 88,81 %, une performance de 86,11 % et une qualité de 97,80 % donnent un TRS de 74,79 %. Comme les facteurs se multiplient, 90 % sur chacun donne environ 73 %, et non 90 %.
La norme ISO 22400-2 reprend la même structure sous d'autres noms : disponibilité, efficacité et taux de qualité. La spécification OPC UA pour les machines-outils reprend ses définitions d'indicateurs de l'ISO 22400-2 et précise que le temps d'occupation planifié et le temps de fonctionnement planifié par pièce proviennent habituellement d'un MES ou d'un ERP et non de la machine (OPC Foundation). L'ISO 22400 définit un ensemble de 34 indicateurs clés pour la gestion des opérations de fabrication, dont le TRS (Kang et al., 2016).
Qu'est-ce qu'un bon score ? Le chiffre de 85 % dit « world class » vient de Seiichi Nakajima, qui a introduit la TPM, le TRS et les six grandes pertes au début des années 1970, et il reflète l'industrie automobile japonaise de l'époque. Vorne indique que la plupart des industriels sont plus proches de 60 % (OEE.com). Comparez une ligne à sa propre situation de départ, pas à une référence externe.
Quelles pertes le machine learning peut-il réduire ?
Les six grandes pertes décomposent le TRS en causes, deux par facteur (OEE.com). Chacune demande des données et un modèle différents.
| Perte | Facteur du TRS | Ce que le machine learning peut faire | Données nécessaires |
|---|---|---|---|
| Pannes | Disponibilité | Détecter un comportement anormal et prédire les pannes assez tôt pour planifier l'intervention | Signaux d'état (vibrations, température, courant), alarmes, historique des pannes de la GMAO |
| Changements de série et réglages | Disponibilité | Prédire la durée de chaque changement de série selon l'enchaînement des produits, pour aider l'ordonnancement | Journal des changements de série avec début, fin, produit sortant et produit entrant |
| Marche à vide et micro-arrêts | Performance | Trouver les schémas derrière les arrêts courts fréquents ; prévoir le temps d'arrêt par poste | Journal horodaté des états machine avec codes de cause, états des machines amont et aval |
| Sous-vitesse | Performance | Estimer la cadence atteignable par produit et par matière ; signaler les marches au ralenti | Temps de cycle, consignes, lots de matière, temps de cycle idéal par produit |
| Défauts de fabrication | Qualité | Prédire quelles pièces ou quels lots échoueront au contrôle | Données procédé reliées à chaque pièce et à son résultat de contrôle |
| Pertes au démarrage | Qualité | Prédire les rebuts de démarrage et recommander des réglages de démarrage | Événements de démarrage, réglages et nombre de rebuts par démarrage |
Toutes les pertes n'ont pas besoin d'un modèle. Beaucoup de micro-arrêts viennent de bourrages, de capteurs déréglés ou de flux de produit bloqués, qu'un ingénieur corrige une fois qu'ils sont comptés. Le machine learning se justifie quand les causes interagissent, quand des signaux précèdent la perte, ou quand il y a trop de machines et de produits pour une analyse manuelle.
Pour les pannes, notre guide des méthodes de détection d'anomalies compare les options. Pour les rebuts et les retouches, voir la qualité prédictive.
Pourquoi fiabiliser les données du TRS avant de modéliser ?
Un modèle apprend à partir des enregistrements de pertes qu'on lui fournit. Hedman, Subramaniyan et Almström ont analysé les données de TRS mesurées automatiquement sur 884 machines de 23 entreprises. Le TRS moyen était de 65 %, et près de la moitié des pertes enregistrées n'ont pas pu être classées, parce que les catégories de pertes manquaient ou étaient mal décrites. Du temps d'arrêt qui avait été classé, 90 % était lié à des activités de support réalisées par les opérateurs, et non au procédé automatique lui-même (Hedman et al., 2016).
Un arrêt non classé est invisible pour un modèle. Avant tout entraînement :
- Capter les états automatiquement. Lire les états marche, arrêt et défaut dans l'automate plutôt que sur les feuilles de poste. PackML, désormais disponible aussi sous forme de spécification compagnon OPC UA, définit un modèle d'états machine et un jeu de tags standard qui inclut des données de TRS (OPC Foundation).
- Fixer le seuil des micro-arrêts. Vorne décrit les micro-arrêts comme durant généralement une minute ou deux, et la frontière entre micro-arrêt et panne comme une décision de règle interne, par exemple exiger un code de cause pour tout arrêt de plus de deux minutes (OEE.com).
- Vérifier le temps de cycle idéal de chaque produit. S'il est trop lent, la performance paraît bonne et les pertes de vitesse disparaissent des données.
- Nettoyer les codes de cause. Des catégories courtes, qui ne se recoupent pas et que l'opérateur peut choisir en quelques secondes.
Les commentaires libres des opérateurs et les bons de travail de maintenance contiennent aussi des causes. Des chercheurs du NIST estiment que les chaînes de traitement du langage prêtes à l'emploi doivent être repensées pour ce type de texte technique (Brundage et al., 2021). Notre article sur l'analyse des causes racines avec un LLM sur l'historique de maintenance traite de cet aspect.
Pourquoi commencer par le goulot d'étranglement ?
Le débit d'une ligne est limité par une ou plusieurs machines goulots, et concentrer la maintenance et les actions d'amélioration sur elles améliore nettement le débit de l'ensemble du système (Subramaniyan et al., 2018). Augmenter le TRS d'une machine qui attend ses voisines n'augmente pas la production.
Le goulot se déplace aussi. Subramaniyan et al. ont étudié les données MES d'une ligne de moteurs automobiles en Suède comptant 13 machines, sur 215 campagnes de production consécutives de 17 heures chacune. Le goulot d'une campagne n'était le véritable goulot de la suivante que dans 20,8 % des cas. Leur algorithme prévoyait les périodes actives de chaque machine avec un modèle ARIMA et prédisait les goulots de la campagne suivante avec un rappel de 62,53 %, contre 24,69 % pour la méthode naïve qui reprend le goulot de la campagne précédente. Ce n'est pas parfait, mais cela suffit pour affecter la maintenance et le personnel de soutien aux bonnes machines.
C'est une première utilisation peu coûteuse des données machine. Elle ne demande que les états machine et leurs horodatages, disponibles dès que la capture des états est automatique.
Le machine learning peut-il prédire les arrêts avant qu'ils ne surviennent ?
Parfois, avec les bonnes entrées. Filios et al. ont enregistré l'état marche/arrêt d'une machine d'emballage dans une usine agroalimentaire d'octobre 2018 à octobre 2019 : 73 576 enregistrements, dont plus de 32 000 micro-arrêts de 10 secondes à 5 minutes, 2 545 pannes de 5 à 40 minutes et 289 arrêts plus longs (Filios et al., 2022).
Leurs résultats montrent à la fois l'intérêt et la limite :
- Les prévisions du temps total de micro-arrêts du lendemain avaient une erreur absolue moyenne en pourcentage d'environ 20 %.
- Une forêt aléatoire chargée de prédire une panne dans l'heure suivante atteignait 72 % d'exactitude, mais ne détectait que 21 % des pannes, et environ la moitié de ses alarmes étaient fausses.
- Les auteurs notent que l'absence des causes d'arrêt affaiblissait les modèles, puisque seul le signal marche/arrêt était disponible.
L'exactitude est trompeuse quand les événements sont rares, comme l'explique notre guide de la qualité prédictive. Ajoutez du contexte avant d'ajouter de la complexité au modèle : codes de cause, alarmes, états amont et aval, variables procédé et produit en cours. La reconstruction des étiquettes de pannes à partir d'enregistrements incomplets est traitée dans l'étiquetage des pannes dans les séries temporelles.
Pour les pannes, l'intérêt économique repose en grande partie sur des enquêtes. Dans une enquête du NIST auprès d'industriels américains, avec 71 réponses exploitables, la moitié qui recourait le moins à la maintenance corrective déclarait 52,7 % d'arrêts non planifiés et 78,5 % de défauts en moins. Parmi les autres, ceux qui s'appuyaient davantage sur la maintenance prédictive que préventive déclaraient 18,5 % d'arrêts non planifiés en moins, mais des coûts directs de maintenance rapportés aux livraisons supérieurs de 212,3 %. Les auteurs précisent que ces comparaisons doivent être traitées comme des éléments anecdotiques, car les groupes sont petits (Thomas et Weiss, 2021).
Comment savoir si le modèle a amélioré le TRS ?
- Découper dans le temps. Une validation croisée ordinaire sur des données ordonnées dans le temps reviendrait à s'entraîner sur des données futures et à évaluer sur des données passées (scikit-learn). Entraînez sur les mois anciens et testez sur une période ultérieure.
- Battre une référence naïve, comme le goulot de la campagne précédente ou le taux d'arrêts de la semaine passée, comme l'ont fait Subramaniyan et al.
- Compter ce que ressentent les opérateurs : arrêts anticipés, fausses alertes par poste et heures d'arrêt évitées.
- Présenter séparément disponibilité, performance et qualité. Un gain sur l'une peut masquer une perte sur une autre.
- Figer les définitions. Reclasser un arrêt en arrêt planifié augmente le TRS sans aucun changement réel sur la ligne.
Étape par étape : un premier projet TRS
- Choisir une ligne et identifier son goulot à partir des états machine.
- Automatiser la collecte : états, compteurs et codes de cause depuis l'automate, via OPC UA ou le MES. Voir OPC UA expliqué aux data scientists.
- Fixer les définitions : temps de production planifié, temps de cycle idéal par produit et seuil des micro-arrêts.
- Construire un Pareto des pertes par facteur du TRS sur plusieurs mois couvrant le mix produit.
- Choisir la plus grosse perte que les ingénieurs ne savent pas déjà expliquer, et choisir le modèle à l'aide du tableau ci-dessus.
- Valider sur une période ultérieure face à une référence naïve.
- Faire tourner en mode fantôme pendant plusieurs semaines, puis intégrer les résultats aux réunions de poste et à la planification de la maintenance.
- Désigner un responsable, surveiller la dérive du modèle et préparer le passage du pilote au déploiement à l'échelle de l'usine avant d'étendre à d'autres lignes.
Ce que nous avons constaté chez KABAS AI
Notre page industrie manufacturière cite le suivi de production en temps réel, les rapports de poste automatisés et le suivi des KPI, ainsi que l'analyse des tendances qualité avec détection d'anomalies, parmi les capacités de DALILE. Elle cite la planification de la maintenance prédictive, la planification des capacités et l'analyse des goulots, et l'optimisation des paramètres parmi celles de Virtual Lab. Les deux tournent sur l'infrastructure du client et peuvent fonctionner hors ligne. Notre équipe data science couvre la collecte et la préparation des données, la détection de tendances, les modèles prédictifs et les pipelines MLOps qui en assurent la surveillance.
Nos conseils pratiques découlent des éléments ci-dessus. Le premier livrable d'un projet TRS est un Pareto des pertes auquel la production, la maintenance et la qualité font toutes confiance, pas un modèle. Mettez-vous d'accord sur les définitions et les codes de cause avant de modéliser, commencez par le goulot, et gardez les modèles en mode conseil : ils éclairent les décisions de maintenance et de planification, et les équipes agissent selon les procédures existantes. Conservez l'historique des arrêts et les cadences sur vos propres serveurs, car ils décrivent votre capacité et vos coûts. Avant de commencer, vérifiez les données avec une évaluation de maturité IA, et consultez MES, ERP et IA pour savoir où se trouvent habituellement les données du TRS. Contactez-nous pour parler de votre ligne.
Sources
- Vorne Industries, Calculating OEE, OEE.com
- Vorne Industries, The Six Big Losses, OEE.com
- Vorne Industries, World-Class OEE, OEE.com
- OPC Foundation, OPC 40501-1 OPC UA for Machine Tools Part 1, Annexe C.2 KPI Calculation
- OPC Foundation, OPC 30050 PackML, 4.2 PackML Overview
- Kang, Zhao, Li et Horst, A Hierarchical Structure of Key Performance Indicators for Operation Improvement in Production Systems, International Journal of Production Research 54(21), 2016 (notice NIST)
- Hedman, Subramaniyan et Almström, Analysis of Critical Factors for Automatic Measurement of OEE, Procedia CIRP 57, 2016
- Subramaniyan et al., A data-driven algorithm to predict throughput bottlenecks in a production system based on active periods of the machines, Computers & Industrial Engineering 125, 2018
- Filios et al., Agnostic Learning for Packing Machine Stoppage Prediction in Smart Factories, ITU Journal on Future and Evolving Technologies 3(3), 2022 (arXiv 2212.06288)
- Thomas et Weiss, Maintenance Costs and Advanced Maintenance Techniques in Manufacturing Machinery: Survey and Analysis, International Journal of Prognostics and Health Management 12(1), 2021 (notice NIST)
- Brundage et al., Technical Language Processing: Unlocking Maintenance Knowledge, Manufacturing Letters 27, 2021 (notice NIST)
- scikit-learn, TimeSeriesSplit
Questions fréquentes
Qu'est-ce qu'un bon TRS ?
Un TRS de 85 % est souvent qualifié de « world class ». Ce chiffre vient des travaux de Seiichi Nakajima sur la TPM dans l'industrie manufacturière japonaise des années 1970, et Vorne, fournisseur d'équipements de mesure du TRS, indique que la plupart des industriels sont plus proches de 60 %. Les références d'autres industries disent peu de chose sur votre ligne : comparez chaque ligne à sa propre situation de départ et suivez la tendance.
Faut-il un MES pour mesurer le TRS ?
Pas forcément, mais il faut des données automatiques. La machine peut fournir les états marche et arrêt, le temps de fonctionnement et les compteurs de pièces, tandis que le temps de production planifié et le temps de cycle idéal viennent généralement d'un MES, d'un ERP ou du plan de production. Le machine learning a besoin de chaque arrêt avec son heure de début, sa durée et sa cause, ce que des totaux notés à la main en fin de poste ne fournissent pas.
Le machine learning peut-il augmenter directement le TRS ?
Non. Le TRS est un résultat, pas une variable de commande. Un modèle prédit ou explique une perte, comme une panne, une série de micro-arrêts ou un lot de rebuts, et le TRS ne s'améliore que lorsque quelqu'un agit sur cette prédiction par la maintenance, la planification ou une modification du procédé.
De combien de données a-t-on besoin pour commencer ?
Il n'existe pas de chiffre universel. L'historique doit couvrir tout le mix produit et contenir suffisamment d'occurrences de la perte à prédire. Les micro-arrêts sont nombreux, donc quelques mois peuvent suffire pour les étudier, alors que les pannes sont plus rares et demandent souvent un an d'historique ou plus, relié aux enregistrements de maintenance.
Faut-il calculer le TRS de chaque machine ?
Mesurez-le partout, mais améliorez d'abord le goulot d'étranglement, car il limite la production de toute la ligne. Augmenter le TRS d'une machine qui attend ses voisines n'augmente pas la production. Le goulot peut aussi se déplacer d'une campagne de production à l'autre, il faut donc vérifier régulièrement où se trouve la contrainte.
Ces modèles peuvent-ils tourner sur site ?
Oui. Les modèles courants pour le TRS, comme les arbres de décision à gradient boosting, les modèles de survie et les prévisions de séries temporelles sur les états machine, sont légers et tournent sur des serveurs ordinaires à l'intérieur du réseau de l'usine. Les garder sur site permet aussi de garder dans l'entreprise les cadences, l'historique des arrêts et les données qualité.



