NbMPa _MPj NbChgS ... MPR Probabilité de Perf p1=[0-10%] p2=[10-20%] ... p10=[90-100%]
n
! ! !!!10×
!!
! !!!=10×!
!×!
!…×!
!tables
Figure 6.4 Réseau Bayésien avec les tables apprises de probabilités marginales et
conditionnelles.
Figure 6.5 Réseau Bayésien représentant la relation de causalité entre Fumeur et
Cancer.
2.3 Approche de diagnostic des évolutions des indicateurs de
performances
Pour rendre le résultat du diagnostic compréhensible et interprétable par un
res-ponsable de production et au vu des conclusions de la section précédente, il s'avère
donc nécessaire de proposer une approche permettant de pointer les principaux
fac-teurs d'inuence des performances d'un poste de production et cela pour une période
de production en particulier sur laquelle un responsable de production souhaite se
focaliser et mieux appréhender les causes des évolutions observées des indicateurs.
Si cet intervalle d'observation est susamment éloigné dans le passé, toutes les
don-nées auront alors été collectées par le MES et sont donc disponibles au moment
de l'analyse lancée par le responsable de production. Malheureusement, connaitre
les valeurs des variables identiées au chapitre 5 qui sont susceptibles d'inuencer
les performances ne sut pas pour identier celle(s) ayant eu un impact fort sur
l'intervalle d'observation considéré. Comme indiqué précédemment au chapitre 4,
l'indicateur de performance sur lequel portera l'analyse aura une variation linéaire
signicative sur cet intervalle d'observation.
Le principe de l'approche proposée pour mener cette analyse repose sur deux
étapes :
Classement des variables par ordre probable d'inuence obtenu par deux
in-férences du réseau Bayésien en considérant uniquement la connaissance des
indicateurs au début de l'intervalle d'analyse pour la première inférence et à
la n de l'intervalle pour la seconde inférence.
Conrmation ou non pour chaque variable de la croyance dans son inuence
par comparaison de sa valeur d'inuence prédite par le réseau Bayésien et de
sa valeur eectivement observée.
2.3.1 Liste des variables susceptibles d'être inuentes
Le principe de la première étape est présenté dans la gure 6.6 avec une
pre-mière inférence à la date Int1 d'interrogation 1 et une seconde inférence à la date
Int2 d'interrogation 2. La première inférence à la date Int1 considère la valeur de
l'indicateur I comprise entre 70% et 80% et abouti à la mise à jour des tables de
probabilités marginales des causes en considérant cette connaissance de I. Basé sur
le même principe pour la seconde inférence à la dateInt2, la connaissance considérée
est la valeur I qui a évoluée entre 90% et 100%.
A partir du résultat de ces deux inférences, les deux tables de probabilités
mar-ginales associées à une variable sont comparées pour déterminer les écarts des
pro-babilités pour chaque valeur de cette variable entre Int1 etInt2. Pour une variable,
seul l'écart le plus important est retenu. Par exemple pour la variable V1 sur la
gure 6.6 , l'écart le plus important de 60% (22% - 82%) est obtenu pour la valeur
deV1 comprise entre 44% et 48%. Pour la variableV2, un écart de 26% (39% - 65%)
est observé pour la valeur comprise entre 17% et 22%.
La première étape se termine par le classement des variables en fonction de cet
écart des probabilités, de l'écart le plus élevé au plus faible. Sur l'exemple considéré,
la liste est V1,V2.
2.3.2 Conrmation ou inrmation de l'inuence des variables
La seconde étape vise à valider les conclusions de l'étape 1 en conrmant ou en
inrmant l'inuence des variables en fonction de leurs valeurs sur la base de la liste
établie à l'étape 1. Cette première étape exploite la connaissance obtenue à partir de
l'historique des données MES par l'apprentissage des tables de probabilités en
consi-dérant pour l'inférence la valeur des indicateurs de performance sans tenir compte
de la valeur des variables de causes extraites des données MES sur l'intervalle
d'ana-lysé. Par conséquent, cette seconde étape vise justement à rapprocher ces valeurs
issues des données MES avec les valeurs des variables issues du réseau Bayésien et
susceptibles d'expliquer les évolutions des indicateurs de performance.
Pour une variable et pour chaque date d'interrogationInt1 etInt2, l'algorithme
consiste à comparer sa valeur observée issue des données MES avec celle issue de
l'inférence comme illustré par la gure 6.7 :
0 50 100
I
90% to 100% 80% to 90% 70% to 80% 60% to 70% 50% to 60% 40% to 50% 30% to 40% 20% to 30% 10% to 20%I
V
1V
2Int
1Int
2?
0 50 100 V1 44.1 to 48.40 39.8 to 44.1 35.5 to 39.8I
V
1V
2 0 50 100 V2 17.73 to 22.34 13.12 to 17.73 8.5 to 13.11( Sur interrogation Int
1) ( Sur interrogation Int
2)
0 50 100 V1 44.1 to 48.40 39.8 to 44.1 35.5 to 39.8 0 50 100 V2 17.73 to 22.34 13.12 to 17.73 8.5 to 13.11 0 50 100
I
90% to 100% 80% to 90% 70% to 80% 60% to 70% 50% to 60% 40% to 50% 30% to 40% 20% to 30% 10% to 20%Figure 6.6 Exemple de variation des probabilités des caractéristiques pour une
relation directe de causalité.
L'inuence de la variable est inrmée si ces deux valeurs sont diérentes. La
variable est retirée de la liste établie à l'étape 1.
L'inuence de la variable est conrmée si la valeur observée est égale (ou
comprise) à la valeur (ou l'intervalle) issue de l'inférence. La variable est
conservée à sa position dans la liste établie à l'étape 1.
Suite à sa mise à jour par l'algorithme ci-dessus, la liste des variables par ordre
d'inuence constitue le résultat de la fonction de diagnostic qui sera communiqué
au responsable de production pour la période d'analyse qu'il aura sélectionnée.
D'un point de vue temporel, les eets des variables présentées au chapitre 5 sur
les performances d'un poste de production sont, avec la modélisation proposée dans
cette section, supposés sans décalage temporel. C'est à dire que l'eet d'une variable
évaluée sur un intervalle de calcul d'un indicateur de performance est immédiat sur
Taux
Qualité
horaire
t
INT 1 INT 2
Utilisateur
sélectionne
INT1 /INT2
Inférences avec
valeurs
indicateurs
INT1 / INT2
Comparaison
évolution
probabilités
caractéristiques
Liste ordonnée
caractéristiques
influentes
Confirmation /
infirmation
influence
Variation maxCi,j
Valeur Variationmax Valeur MES collectée