Auteur : Anis BENSAID
Directeur de thèse : Michel TOLLENAERE
Co Directeur : Eric ZAMAÏ
Date : 18 mai 2016
Directeur de thèse : Michel TOLLENAERE
Co Directeur : Eric ZAMAÏ
Date : 18 mai 2016
Pilotage dynamique des politiques de maintenance des équipements de procédés dans un environnement industriel fortement contraint par l'évolution technologique et produit.
Le progrès constant des technologies électroniques, la courte durée de vie commerciale des produits, et la diversité croissante de la demande client font de l’industrie du semi-conducteur un environnement de production contraint par le changement continu des mix produits et des technologies. Dans un tel environnement, une haute disponibilité des capacités de production et de métrologie doit être assurée par des politiques de maintenance appropriées en termes de diagnostic, de supervision, de planification et de protocoles opératoires. Au démarrage de cette étude, l’approche AMDEC était seule mobilisée pour héberger les connaissances et le savoir-faire des experts. Néanmoins, la nature évolutive du contexte industriel requiert une mise à jour à des fréquences appropriées de ces connaissances pour adapter les procédures opérationnelles aux changements de comportements des équipements et des procédés.
Cette thèse entend montrer que la mise à jour des connaissances peut être organisée en mettant en place une méthodologie opérationnelle basée sur les réseaux bayésiens et la méthode AMDEC. Dans cette approche, les connaissances et les savoir-faire existants sont tout d’abord capitalisés en termes de liens de cause à effet à l’aide de la méthode d’AMDEC qui permet aussi de prioriser les actions de maintenance et prévenir leurs conséquences sur l’équipement, le produit et la sécurité des personnels. Ces connaissances sont ensuite utilisées pour concevoir des procédures opérationnelles standardisées utilisant le partage des savoirs et savoir-faire des experts. Les liens causaux stockés dans l’AMDEC sont modélisés dans un réseau bayésien opérationnel (O-BN), permettant ainsi l’évaluation du niveau d’efficacité des actions de maintenance et la pertinence des connaissances existantes. Dans un contexte fortement évolutif, l’exécution appropriée des procédures est quantifié à l’aide d’indicateurs standards de performance de maintenance, de même que l’adéquation des connaissances stockées dans l’AMDEC et les procédures d’exécution grâce à une évaluation des performances de l’O-BN. En cas de dérive des indicateurs de maintenance, une méthode d'apprentissage permettant de découvrir de nouvelles relations causales à partir de données historiques utilisant un réseau bayésien non-supervisé (U-BN) est proposée. Cette méthode et basée sur une analyse de différence structurelle entre l’O-BN et l’U-BN mettant en évidence de nouvelles connaissances potentielles qui sont validées par les experts afin de modifier les AMDEC existantes ainsi que les procédures de maintenance associées.
Cette thèse entend montrer que la mise à jour des connaissances peut être organisée en mettant en place une méthodologie opérationnelle basée sur les réseaux bayésiens et la méthode AMDEC. Dans cette approche, les connaissances et les savoir-faire existants sont tout d’abord capitalisés en termes de liens de cause à effet à l’aide de la méthode d’AMDEC qui permet aussi de prioriser les actions de maintenance et prévenir leurs conséquences sur l’équipement, le produit et la sécurité des personnels. Ces connaissances sont ensuite utilisées pour concevoir des procédures opérationnelles standardisées utilisant le partage des savoirs et savoir-faire des experts. Les liens causaux stockés dans l’AMDEC sont modélisés dans un réseau bayésien opérationnel (O-BN), permettant ainsi l’évaluation du niveau d’efficacité des actions de maintenance et la pertinence des connaissances existantes. Dans un contexte fortement évolutif, l’exécution appropriée des procédures est quantifié à l’aide d’indicateurs standards de performance de maintenance, de même que l’adéquation des connaissances stockées dans l’AMDEC et les procédures d’exécution grâce à une évaluation des performances de l’O-BN. En cas de dérive des indicateurs de maintenance, une méthode d'apprentissage permettant de découvrir de nouvelles relations causales à partir de données historiques utilisant un réseau bayésien non-supervisé (U-BN) est proposée. Cette méthode et basée sur une analyse de différence structurelle entre l’O-BN et l’U-BN mettant en évidence de nouvelles connaissances potentielles qui sont validées par les experts afin de modifier les AMDEC existantes ainsi que les procédures de maintenance associées.