La question qui détermine la pertinence
Le TRS (taux de rendement synthétique), ou OEE (Overall Equipment Effectiveness), est l’indicateur de référence de l’efficacité des équipements de production. Il mesure la part du temps de production planifié pendant laquelle l’équipement produit réellement à la cadence nominale et avec une qualité acceptable. Un TRS de 85 % est considéré comme une référence mondiale en production de série ; de nombreuses usines se situent entre 50 % et 70 %.
La question d’évaluation : savez-vous pourquoi votre TRS est ce qu’il est ? Disposez-vous de données permettant de le décomposer en ses trois composantes (disponibilité, performance, qualité) et de comprendre laquelle pèse le plus dans les pertes ? Si la réponse est non, la première étape n’est pas l’IA : c’est de bien mesurer.
L’IA apporte de la valeur sur un TRS déjà mesuré : elle repère dans les données les schémas qui expliquent ses variations, anticipe les baisses avant qu’elles ne surviennent et classe automatiquement les interventions selon leur impact potentiel.
Évaluer l’opportunité
Les six grandes pertes du TRS (pannes, changements de série et réglages, micro-arrêts, ralentissements, défauts au démarrage, défauts en production) ne se prêtent pas de la même manière à la détection par l’IA.
Les pannes relèvent de la maintenance prédictive. Les micro-arrêts et les ralentissements se détectent par l’analyse des séries temporelles de production. Les défauts en production se détectent par vision industrielle ou par l’analyse des données qualité. Les changements de série et les réglages s’optimisent par une planification intelligente de la production.
L’IA appliquée au TRS est la plus efficace lorsque la cause profonde des pertes est mal identifiée : l’équipe sait qu’il y a des pertes, mais ne sait pas avec certitude lesquelles sont les principales ni d’où elles viennent.
Les données nécessaires
Des données de production au cycle ou à haute fréquence. Des compteurs de production de l’automate mis à jour chaque minute ou à chaque cycle permettent de détecter précisément les micro-arrêts et les baisses de cadence. Des données journalières ou par poste sont trop grossières pour cette analyse.
Des arrêts codifiés. Le temps d’arrêt assorti de sa cause (panne d’un sous-ensemble, changement de format, manque de matière, maintenance programmée) est la donnée la plus critique pour analyser le TRS. Si les arrêts ne sont pas codifiés ou si les codes sont trop génériques, l’analyse des causes profondes est impossible.
Des données qualité par période. Les quantités produites et rebutées par période, avec le type de défaut lorsque c’est possible, permettent de calculer la composante qualité du TRS et de relier les rebuts aux conditions de procédé.
Les paramètres de procédé. Température, pression, vitesse, consommation électrique : les paramètres qui caractérisent l’état de l’équipement à chaque instant permettent de relier les conditions de procédé à l’évolution du TRS.
Coûts et complexité
Dans une usine non numérisée, l’infrastructure de données du TRS (connexion des automates, saisie des arrêts, historian) représente généralement l’essentiel du coût. Dans une usine déjà dotée d’un MES (Manufacturing Execution System), les données sont souvent disponibles et le coût se concentre sur la couche analytique.
Un système de saisie des arrêts qui demande à l’opérateur de codifier la cause implique un changement de processus : les opérateurs doivent enregistrer les causes d’arrêt en temps réel. Si ce processus n’existe pas ou fonctionne mal, les données d’arrêt seront de qualité insuffisante, quelle que soit la sophistication de l’analyse qui suit.
Évaluer les risques
Un TRS calculé sur des données erronées. Un TRS calculé avec une cadence nominale surestimée paraît artificiellement bas. Un TRS calculé avec un temps planifié mal défini (qui inclut au dénominateur des temps d’inactivité programmés) paraît artificiellement élevé. Définir précisément les paramètres de calcul du TRS est un prérequis à toute analyse par l’IA.
L’optimisation locale. Améliorer le TRS d’une machine goulet a un effet direct sur la capacité totale de la ligne. Améliorer celui d’une machine en sous-charge peut n’avoir aucun effet sur le débit. La théorie des contraintes (TOC) est le cadre complémentaire pour savoir où il est le plus judicieux d’investir.
La manipulation de l’indicateur. Lorsque le TRS devient un critère d’évaluation de l’équipe, il risque d’être manipulé : abaisser la cadence nominale pour que la performance paraisse meilleure, ne pas enregistrer les arrêts courts pour maintenir une disponibilité élevée. Le système de mesure doit résister à ces manipulations.
Indicateurs de réussite
- TRS global et par composante (disponibilité, performance, qualité)
- Les 5 premières causes de perte de TRS par durée et par fréquence
- MTBF et MTTR des équipements critiques
- Répartition des arrêts par durée (quelques arrêts longs ou de nombreux arrêts courts : les solutions sont très différentes)
- Variabilité du TRS entre équipes et entre jours (une forte variabilité signale des possibilités de standardisation)
Comment elle génère un ROI
Le mécanisme de valeur est direct : un point de TRS gagné équivaut à X unités supplémentaires produites par heure planifiée, sans investissement supplémentaire en machines. Dans une usine dont la demande dépasse la capacité, cette production supplémentaire se traduit directement en marge.
Dans une usine en sous-capacité, le ROI est différent : l’amélioration du TRS réduit le coût unitaire (les coûts fixes sont répartis sur davantage d’unités), mais ne crée pas automatiquement de ventes supplémentaires. Le contexte de l’usine détermine la façon dont la valeur de l’amélioration se concrétise.
Questions fréquentes
Quel TRS cible est réaliste pour commencer ? Le TRS « de classe mondiale » de 85 % est une référence de la production de série. Dans les environnements à forte variété de produits, à changements de format fréquents ou à procédés continus (et non discrets), des valeurs plus basses sont normales. L’objectif initial devrait être d’identifier les principales sources de pertes du TRS actuel et de les réduire, et non d’atteindre un chiffre absolu sans tenir compte du type de procédé.
Un MES est-il indispensable pour optimiser le TRS avec l’IA ? Il n’est pas indispensable, mais il facilite beaucoup les choses. Un MES bien déployé centralise les données de production, d’arrêts et de qualité dans une plateforme standard qui alimente directement les modèles d’analyse. Sans MES, ces mêmes données peuvent être collectées dans les automates et les systèmes qualité, mais l’intégration est plus complexe. La vraie question est de savoir si l’investissement dans un MES se justifie à lui seul, ou s’il vaut mieux construire une couche de données plus légère dédiée au projet TRS.