Modelisatation de la tpm par la dynamque des systemes au sein d’une entreprise de production

Réalisé par :

Ousmane Kane BA

A. Nuñez DOMINGO

Dieudonné NDAYIZAMBA

Professeur Tuteur :

Depriester Micheal

MODELISATATION DE LA TPM PAR LA DYNAMQUE DES SYSTEMES AU SEIN

D’UNE ENTREPRISE DE PRODUCTION

Master2 : RISQUES INDUSTRIELS ET MAINTENANCE (RIM)

PROJET TUTORE MASTER2, 2009-2010 « Université du Littoral Côte d’Opale de Dunkerque »

Rapport dE PROJET TUTORE

1

1. INTRODUCTION .............................................................................................................................. 4

2. PRESENTATION DE L’ENTREPRISE ................................................................................................... 5

2.1. DESCRIPCION GLOBALE DE L’ENTREPIRSE .................................................................................. 5

2.2. LA LIGNE D’EMBOUTEILLAGE ..................................................................................................... 6

2.2.1. Zone 1: La Réception .............................................................................................................. 7

2.2.2. Zone 2: Le dépôt et Analyse ................................................................................................... 7

2.2.3. Zone 3: Séchage ...................................................................................................................... 8

2.2.4. Zone 4: Inspection .................................................................................................................. 8

2.2.5. Zone 5: Fermeture .................................................................................................................. 9

2.2.6. Salle des Poumons et Contrôle ............................................................................................... 9

2.3. DESCRIPTION DE LA POLITIQUE ACTUELLE DE MAINTENANCE................................................. 10

2.3.1. Programme de Gestion de Maintenance et Santé (PMS) ..................................................... 10

2.3.2. Taux de Rendement Synthétique (TRS) ................................................................................ 11

3. MODELISATION AVEC DYNAMIQUE DES SYSTEMES ..................................................................... 11

3.1. Dynamique des systèmes avec Vensim PLE .............................................................................. 11

3.2. Dynamique des systèmes dans la gestion de Maintenance...................................................... 13

4. METHODOLOGIE DE SOLUTION .................................................................................................... 13

4.1. ANALYSE DE CRITICITE .............................................................................................................. 14

4.1.1. Matrice Multicritère ............................................................................................................. 15

4.2. CALCUL DES TEMPS DE DEFAILLANCE DE L’EQUIPEMENT ........................................................ 22

4.2.1. Censure de données ............................................................................................................. 22

4.2.2. Ajustement statistique des données .................................................................................... 23

4.2.3. Analyse de la survie .............................................................................................................. 26

5. ENVIRONNEMENT DE LA TPM ...................................................................................................... 28

5.1. Analyse des données de l’entreprise La Vigne San Pedro Tarapacá (SPT) sur un mois: ........... 28

5.2. Quelques Définitions: ............................................................................................................... 31

2

6. IMPLEMENTATION DU MODELE TPM [1] ..................................................................................... 34

6.1. IMPLEMENTATION DU MODELE DE MANTENANCE ................................................................. 34

6.1.1. Phase 1: Création et Elimination des défauts de l’équipement ............................................ 34

6.1.2. Phase 2: Implémentation de la Maintenance Préventive (PM) ............................................ 37

6.1.3. Phase 3: Implémentation de la Maintenance Corrective (CM) ............................................. 41

6.1.4. Phase 4: Implémentation de la Maintenance Autonome (AM) ............................................ 42

6.1.5. Phase 5: Mesure de la Qualité et de la Production du Système ........................................... 43

6.1.6. Phase 6: Quantité à produire et nombre de “MP” par mois ................................................. 44

6.2. IMPLEMENTATION DU MODELE DE MANTENANCE ................................................................. 45

6.2.1. RESULTATS MODELE DE MAINTENANCE DE YASDIAN (2009) ............................................... 46

6.2.2. Analyse Descriptive .............................................................................................................. 46

6.2.3. Analyse Comparative en relation au Coûts ........................................................................... 48

7. IMPLEMENTATION DU MODELE TPM[2] ...................................................................................... 50

7.1. Explication de façon détaillée de la modélisation de chaque partie : ....................................... 52

7.1.1. Investissement en Maintenance préventive ......................................................................... 52

7.1.2. Investissement en maintenance corrective .......................................................................... 53

7.1.3. GMAO dans le service maintenance en plus de la gestion de la maintenance préventive et

corrective. ............................................................................................................................................ 53

7.1.4. Défauts mensuels éliminés par la maintenance préventive. ................................................ 54

7.1.5. Défauts mensuels éliminés par la maintenance corrective. ................................................. 54

7.1.6. Nombre de défauts de l’équipement ................................................................................... 55

7.1.7. Coût total de maintenance ................................................................................................... 55

7.2. Méthodes d’améliorations de la capacité de production. ........................................................ 56

7.2.1. Production en fonction de la disponibilité et de la qualité du process. ................................ 57

7.2.2. Coût de non production dû à une panne, à de petits arrêts de production et au changement

de gamme de production. .................................................................................................................... 57

7.3. EXPLICATION DES RESULTATS PRINCIPAUX DU MODELE 2 TPM.............................................. 59

7.3.1. Partie Maintenance: ............................................................................................................. 59

3

7.3.1.1. Apparition des défauts sur un équipement : .................................................................... 59

7.3.1.2. Elimination des défauts par la maintenance préventive (Chasse aux pannes): ................ 60

7.3.1.3. Coût total de maintenance : ............................................................................................. 61

7.3.2. Partie production : ................................................................................................................ 62

7.3.2.1. Amélioration du taux de production. ............................................................................... 62

7.3.2.2. Chasse aux pertes de coût de non production. ................................................................ 64

8. CONCLUSION ................................................................................................................................ 65

9. BIBLIOGRAPHIE ............................................................................................................................. 65

10. ANEXES ......................................................................................................................................... 65

4

1. INTRODUCTION

Dans le cadre de notre formation en Master2 Risques Industriels et Maintenance

(promotion 2009-2010), nous avons travaillé sur un projet traitant la modélisation dynamique

de la TPM (Total Productive Maintenance) au sein d’une entreprise de production de vins : La

Vigne San Pedro Tarapacá (SPT) grâce à la modélisation dynamique des systèmes

L’objectif de ce projet est de trouver à partir d’une analyse de données de gestion de la

maintenance et de la production de cette entreprise, un modèle de simulation regroupant

l’ensemble des axes et indicateurs stratégiques sur lesquels on peut s’appuyer pour améliorer

le rendement des machines par une démarche proactive stipulée par la TPM.

Nous avons utilisé comme outil de simulation le logiciel VENSIM, un logiciel utilisé

au départ dans la simulation graphique des évolutions de données environnementales. Il a été

ensuite développé pour être utilisé dans plusieurs domaines de modélisation comme la

modélisation de la gestion de stock, des épidémies, des risques industriels, …

Ce logiciel permet donc de comprendre et de simuler le fonctionnement d’un système

complexe pour résoudre par exemple des problèmes, corriger ou empêcher un comportement

non souhaité. Il permet d’évaluer les politiques envisagées et surtout de voir les évolutions de

comportements des situations simulées. Ce logiciel est beaucoup moins connu en France.

C’est ainsi que nous avons jugé utile de l’utiliser pour simuler notre modèle de TPM,

et de voir aussi si on peut l’utiliser dans les services de maintenance et dans les techniques

d’analyse fonctionnelle des processus industriels.

Au cours de ce rapport, nous allons vous présenter les démarches que nous avons

effectuées pour réaliser notre projet, les résultats et les problèmes auxquels nous avons

confrontés.

Nous commencerons par vous décrire la situation actuelle de l’entreprise La Vigne

San Pedro Tarapacá (SPT). Puis nous vous présenterons le travail réalisé à savoir : les

modèles de simulations effectuées, leurs explications et en dernier lieu, nous vous parlerons

des résultats obtenus par rapport à nos objectifs de départ.

5

2. PRESENTATION DE L’ENTREPRISE

Dans ce chapitre, nous réaliserons une description générale de l’entreprise. Nous

terminerons par une description de la politique de maintenance que l’entreprise utilise

actuellement, politique dont nous cherchons les voies d’amélioration.

2.1. DESCRIPCION GLOBALE DE L’ENTREPIRSE

La Vigne San Pedro Tarapacá (SPT) est dédiée à la production et la commercialisation

de vin, se classant troisième et deuxième en termes de volume sur le marché intérieur et les

exportations de vins chiliens. Actuellement, cette entreprise dispose d'environ 4.000 hectares

de vignobles au Chili et en Argentine, avec des ventes annuelles de plus de 230 milliers de

dollars US. Au niveau international, elle est présente dans près de 80 marchés répartis sur cinq

continents avec ses marques: Cap Horn, 1865, Castillo de Molina, 35°Sud et Gato, satisfaisant

les différents besoins et préférences des clients du monde entier. La SPT a été en mesure de

croître et de s'adapter aux exigences de l'industrie vinicole mondiale, combinant technologie

et tradition.

Cette société a été fondée en 1865, lorsque les frères Bonifacio et José Gregorio

Correa ont acquis les terrains qui avaient été cultivés par leurs ancêtres, et ont commencé à

développer les premiers vins de raisins locaux, qui ont ensuite été remplacées par des variétés

nobles de la France méridionale et de l'Allemagne. Cela a donné lieu à la réputation de la

vallée du vin de la région de Curicó, au Chili. Le développement de plantations et de la haute

qualité des vins produits donnèrent lieux à des exportations vers les États-Unis, Canada,

Allemagne et le Japon en 1940. Plus tard, entre les années 60 et 80 l'entreprise a lancé sur le

marché deux vins emblématique du vignoble: Gato est né en 1960, et le vin de réserve,

Castillo de Molina, en 1980. Au début des années 90, le vignoble a connu des changements

importants. En 1994, la compagnie « Cervecerías Unidas S.A. (CCU) » a acheté 48% des

actions de la vigne San Pedro S.A., un capital qui n'a cessé d'augmenter jusqu'à atteindre de

nos jours un pourcentage de 60.3%. À la fin de la décennie, SPT a mis en œuvre un grand

projet d'investissements, axé sur la vinification, l'embouteillage, la capacité de stockage et de

nouvelles plantations, toujours à la recherche de nouveaux et de meilleurs terrains, permettant

d'augmenter son expansion productive, vinicole et commerciale.

6

2.2. LA LIGNE D’EMBOUTEILLAGE

Comme politique interne de l'entreprise, l'innovation et l'amélioration des processus

industriels jouent un rôle important dans la réalisation des objectifs entrepreneuriaux du SPT.

Pour cette raison, on mesure dans les chaînes d'embouteillage de l'entreprise les points

critiques qui doivent être en constante amélioration. Nous avons décidé d'étudier l'état actuel

de la ligne d'embouteillage n°2 de l’entreprise de Curicó, à partir du point de vue de la

maintenance et de la fiabilité industrielle, afin d'améliorer sa situation, et de proposer de

nouveaux mécanismes ou systèmes de contrôle qui diminueraient les défaillances des

équipements et augmenteraient par conséquent la productivité. Ci-dessous, un schéma de la

ligne d'embouteillage vous est donné (voir figure 1.1), suivi d'une description de chaque zone

concernée (voir tableau 1.1).

Figure 1.1: Schéma : Ligne deux d’embouteillage, Entreprise SPT

Source: Propre élaboration

7

Tableau 1.1: Description de zones de la ligne deux d’embouteillage, Entreprise SPT

Source: Propre élaboration

2.2.1. Zone 1: La Réception

Les produits (bouteilles et boîtes) sont transportés des caves à la section de réception

qui reçoit les palettes de bouteilles, vérifiées et enregistrées. Ensuite, ces produits sont

déposés dans la machine dépalettiseuse, qui est responsable de la saisie des bouteilles à la

ligne d'embouteillage. Les ouvriers disposent d'une feuille de planification quotidienne avec

les emballages afin de calculer approximativement le nombre de bouteilles nécessaires à la

fabrication de chaque produit.

2.2.2. Zone 2: Le dépôt et Analyse

On consacre à cette zone la plus grande attention puisque c'est là où le vin est déposé

en bouteille. Cela exige une série de mesures assurant la pérennité du vin dans ce secteur. Les

machines sont exploitées par des ouvriers qui doivent effectuer une série de contrôles et de

procédures. Pour la vérification des machines, on compte trois formulaires: le formulaire de

changement de filtre, le formulaire de production (complété chaque fois qui commence les

équipes de jour ou de nuit), et le formulaire de vérification des rinceuses (effectué toutes les

deux heures, chaque jour). En ce qui concerne les autres procédures, l'ouvrier doit remplir

d'autres listes en plus de celles déjà mentionnées: le Registre des défaillances (pour gérer les

8

indicateurs), le formulaire de contrôle de l’emballage (toutes les vingt minutes, chaque jour)

et le livre des Actes (où on détaille les importances des procédures de chaque tour, pour avoir

une bonne communication entre eux).

Dans ce secteur une série d'analyses sont également nécessaires (des analyses qui s'effectuent

dans des plages horaires différentes). On mentionne les suivantes:

Echantillons analysés quotidiennement:

2 bouteilles avant l'entrée au système de rinçage.

1 bouteille après avoir quitté la rinceuse

1 bouteille de vin sans bouchon, avant d’avoir été remplie par le remplisseur.

Échantillon d'eau, après avoir traversé le filtre et avant de passer par le rinçage.

Une fois par semaine et selon le plan de nettoyage et stérilisation hebdomadaire, des

analyses microbiologiques sont réalisées pour chaque machines.

Chaque fois qu'un produit est fini, on conserve la dernière bouteille pour faire des

mesures qui assureront le bon état de vin avant sa commercialisation.

2.2.3. Zone 3: Séchage

Dans ce secteur, on réalise les changements de formats. Différents documents sont

tenus à jour comme le registre des défaillances, le registre de détention OEE, et le formulaire

d’étiquetage.

2.2.4. Zone 4: Inspection

Dans cette zone, les ouvriers sont responsables de l'installation de cloisons et de

l'inspection visuelle des étiquettes, capsules, niveau du vin dans la bouteille. En ce qui

concerne le contrôle visuel, les ouvriers ont un formulaire d'Inspection d'étiquetage, où l’on

enregistre chaque défaut des bouteilles et la durée d’embouteillage. De plus, dans cette zone,

9

un ouvrier est en charge de deux machines : la mise en boite et du créateur de boite ; et détient

un formulaire du registre de défaillances et un programme d'étiquetage.

2.2.5. Zone 5: Fermeture

Dans cette zone, on trouve trois ouvriers. Le premier est responsable de la pesée, de la

fermeture, et de la codification des boîtes. En ce qui concerne la fermeture, cet ouvrier n'est

nécessaire que lors d’un changement de format des boites. Concernant la codification, il doit

être particulièrement attentif, car cette procédure est différente selon le client.

Les deux autres personnes sont en charge, de manière individuelle, des robots de palettisation

et de la machine d'emballage. Le responsable du robot palettiseur est chargé de remplir une

feuille de comptage pour chaque palette terminée, où l’on détaille l'origine et la destination du

produit pour le stockage temporaire en entrepôt.

2.2.6. Salle des Poumons et Contrôle

Le Salle des Poumons correspond à la zone où le vin provenant de l'entrepôt est

réceptionné avant de l’emballer. Dans cette zone, on réalise des procédures manuelles telles

que les changements de coudes et de la propreté, tout deux en relation avec l'expédition du vin

vers les lignes de production. De plus, on mesure le volume de vin provenant des entrepôts.

Cette mesure est effectuée manuellement avec une règle calibrée qui donne le volume de vin

disponible dans un poumon. Cette valeur est ensuite livrée à la salle de contrôle qui va alors

prévoir le nombre de bouteilles nécessaires. La salle de contrôle coordonne tout depuis

l'arrivée du vin à la salle des poumons à son prochain transfert vers les lignes d'embouteillage

respectives, en plus de tout ce qui correspond au nettoyage et à la stérilisation.

10

2.3. DESCRIPTION DE LA POLITIQUE ACTUELLE DE

MAINTENANCE

Dans les points suivants, nous expliquerons globalement le système actuel de la

gestion de maintenance qu'utilise l'entreprise.

Figure 1.2: Système de gestion de la maintenance d'entreprise SPT.

Source: Entreprise VST

2.3.1. Programme de Gestion de Maintenance et Santé

(PMS)

Le PMS correspond au système de gestion de la maintenance que l'entreprise utilise

actuellement, et est basé sur la TPM (total productive maintenance). Ce modèle favorise les

mesures réactives et proactives pour anticiper une défaillance dans les équipements, et base

les procédures d'anticipation sur des tâches de la lubrification, des inspections mécaniques et

électriques, et enfin du nettoyage exhaustif. Ces tâches sont réalisées périodiquement selon un

11

calendrier défini par le département de maintenance, et sont réalisées exclusivement par du

personnel qualifié. Ci-dessous, on présente une figure qui résume le système de gestion PMS

(voir Figure 1.2), où "OT" signifie le début du processus de maintenance.

Comme le montre cette figure, l'entreprise présente un système de maintenance clair,

mais peut encore être amélioré avec l’introduction d'autres mesures préventives et en

particulier la maintenance autonome pour n'importe quel ouvrier qui a une importance sur le

processus de production.

2.3.2. Taux de Rendement Synthétique (TRS)

Outre le PMS, l'entreprise utilise d'autres indicateurs ou méthodes qui lui permettent

de prendre des mesures correctives. Parmi elles se trouve le TRS (taux de rendement

synthétique), qui permet de mesurer l'efficience de la production des machines industrielles.

Le principal avantage que leur apporte cet indicateur comparé à d'autres, est qu'elle mesure,

en un seul indicateur, tous les paramètres clés de la production industrielle: la disponibilité,

l'efficience et qualité.

3. MODELISATION AVEC DYNAMIQUE DES SYSTEMES

En général, la dynamique du système est une méthodologie définie pour construire des

modèles de simulation pour les systèmes complexes, comme ceux étudiés par les sciences

sociales, l'économie, l'écologie ou l'ingénierie. La dynamique des systèmes applique des

méthodes des systèmes dures. Pour l'essentiel, les idées de réalimentation et de système

dynamique, avec la théorie des modèles dans l'espace des états et des procédures d'analyse

numérique. Par conséquent, une implantation d'une dynamique des systèmes sur un modèle de

maintenance de l'entreprise serait un éventail plus exact et complet de traitement des données,

ce qui nous permettrait de trouver les avantages et difficultés pour améliorer la situation

actuelle de l'entreprise.

3.1. Dynamique des systèmes avec Vensim PLE

La modélisation d'une dynamique des systèmes est réalisée avec le logiciel Vensim

PLE v5.0. Vensim est un outil graphique qui créé des modèles de simulation qui permettent

12

Trabajo a

realizar

Calidad deltrabajo

Fatiga

horas extrasrequeridas

TrabajoTerminado

+

+

+

-

+

-

Mano de obrarequerida

Mano de obradisponible

Productividad

+

-

+

de conceptualiser, de documenter, de simuler, d'analyser et d'optimiser les modèles de

dynamique des systèmes. De plus, ce programme offre un moyen simple et flexible de créer

des modèles de simulation, que ce soit avec des diagrammes de cause à effet ou des

diagrammes de flux. Les modèles peuvent être construites graphiquement ou dans un éditeur

de texte. Les caractéristiques du programme comprennent des fonctions d'analyse, des

matrices, des dynamiques de Monte Carlo, d'optimisation, de traitement de données, etc. En

général, l'élaboration d'un diagramme de cause à effet dans lequel apparaissent les éléments

qui composent le modèle avec ses relations, est une condition préalable avant de définir la

structure du modèle. Toutefois, il n'est pas recommandé de construire un diagramme exhaustif

en tant que point de départ. Il est préférable de commencer par un simple diagramme qui

montre clairement les relations entre les éléments que nous avons décidé de prendre en

compte dans notre modèle. Une fois complet, le processus peut facilement en déduire un

schéma plus complet si nous voulons l'avoir pour la présentation du modèle. Dans un

diagramme de cause à effet (voir figure 2.1), on indique par des flèches les relations entre les

variables. Des boucles amplificatrices et atténuatrices sont représentées respectivement par

des signes "+" et "-". Ensuite, on peut analyser les boucles de réalimentation que l'on produit

pour analyser qualitativement le comportement. En revanche, dans un diagramme de flux

ou de Forrester il faut préciser les relations quantitatives entre les variables, et nous allons

donc devoir nous débarrasser de toutes celles dont nous ne pouvons connaître les relations.

Cette information est ensuite utilisée par l’éditeur d'équations pour créer le modèle de

simulation. On peut analyser le modèle dans le processus de construction en tenant compte

des causes et de l'utilisation des variables, et en étudiant également les cycles associés aux

variables. Tout en construisant un modèle de diagramme qui peut être simulé (voir figure 2.1),

Vensim permet d'explorer le comportement du modèle.

Figure 2.1: Exemple de diagramme de causalité.

Source: Propre élaboration, développement avec Vensim PLE v5.0.

13

Poblacion

de conejosnacimientos

tasa de natalidad

esperanza de vida

muertes

Figure 2.2: Exemple de diagramme de flux.


3.2. Dynamique des systèmes dans la gestion de

Maintenance

Dans la littérature, il existe plusieurs ouvrages qui ont trait à la dynamique des

systèmes et à la gestion de la maintenance, montrant des résultats intéressants qui supposent

que cet outil peut aider le preneur de décisions à améliorer le système de maintenance de

l'entreprise Vigne San Pedro Tarapaca. Par exemple, on peut exposer le modèle [1], qui

considère les relations entre la formation des employés, de pannes de machines, de la fiabilité

du système et de la qualité des processus. Le modèle est capable d'expliquer la dynamique des

efforts d'amélioration et de formation des salariés. Les résultats obtenus ont montré l'efficacité

et l'utilité de TPM en réduisant les tâches de la maintenance corrective (CM), ainsi qu’en

améliorant la fiabilité des machines et la qualité des processus.

Un autre modèle intéressant est le modèle [2], qui se focalise sur les changements qui

souffre le département de maintenance et les ouvriers des machines à implémenter un

programme TPM, utilisant la méthodologie de la dynamique des systèmes. La différence entre

ce modèle et le modèle [1] est qu'il mesure les influences de la TPM et de la maintenance

préventive sur l'efficacité globale de l'équipement (TRS). Le TRS est considéré comme

principale mesure de la performance d'un système de maintenance. La principale contribution

du [2], c'est qu'il conclut que le modèle avec Vensim peut être utilisé comme un outil de

simulation quand les entreprises commencent à implémenter la TPM. De plus, il indique que

l'implémentation d'un programme TPM présente des difficultés au début en ce qui concerne la

performance, mais avec le temps, on peut voir de nettes améliorations dans la production. Un

autre modèle qui travaille avec Vensim est le [3], dans lequel on analyse l'effet du système de

14

contrôle, surveillance de l'état, la répétabilité de maintenance et les ressources des ouvriers à

la dynamique des systèmes de maintenance. Un des résultats importants de cette recherche est

que l'installation d'un système de surveillance de l'état change une certaine proportion des

actions de la maintenance réactive à la maintenance proactive. Par conséquent, augmenter la

couverture de diagnostic permet de réduire les pannes, ce qui atténue encore plus

l'amplification causée par la répétabilité des réparations. Enfin, on peut voir le travail du [4],

qui utilisait une approche de dynamique des systèmes pour modéliser un système générique

de maintenance, qui rassemble des données prises lors d’entrevues. Les résultats suggèrent

que l’entreprise devrait réduire les niveaux de sa maintenance préventive et augmenter le

niveau de sa maintenance prédictive pour mieux répondre à le benchmark, et pour réduire ses

coûts de maintenance. Le modèle de simulation peut être un point de départ pour des

entreprises spécifiques pour étudier le comportement optimal de la maintenance et peut être

combinée avec les données actuelles de l’entreprise pour continuer d’affiner le modèle. De

plus, [4] conclue que la maintenance conditionnelle (condition monitoring effort) pourrait

augmenter le temps de bon fonctionnement et diminuer le coût de maintenance plus vite que

d’autres types de maintenance. Comme on peut le voir, l'implémentation d'une dynamique du

système dans la gestion de la maintenance produit des résultats qui seraient bénéfiques pour

toute entreprise, bien qu'il semble que les résultats de cette recherche ne proviennent que d'un

concept théorique. Par conséquent, l'implémentation de cette méthodologie à un système

industriel réel est souhaitable de part les conclusions qui pourraient en être obtenues.

4. METHODOLOGIE DE SOLUTION

Dans ce chapitre, nous développons les étapes qui nous permettent d'adapter les

données et identifier la machine critique de l'entreprise afin d'implémenter nos modèles dans

Vensim.

4.1. ANALYSE DE CRITICITE

Comme la ligne de production possède des machines différentes, on réalise une

analyse de la criticité pour identifier la machine la plus importante dans la production et avec

laquelle se fera donc la simulation.

15

4.1.1. Matrice Multicritère

Nous réalisons une matrice multicritère afin de sélectionner quantitativement les

équipements les plus pertinents dans le processus. Les étapes à suivre pour obtenir la matrice

de priorité sont détaillées ci-dessous (voir tableau 3.1).

Etape 1. Faire la liste de tous les éléments sur lesquels on veut sélectionner ou donner la

priorité. Dans notre cas, les alternatives contre lesquelles la décision a été prise seront les

machines qui composent la ligne d'embouteillage.

Etape 2. Identifier les critères de priorité ou de sélection. Les critères de priorité sont

sélectionnés en considérant quels sont les aspects qui influent le plus sur le processus de

production du vin. Par conséquent, les critères à considérer sont les suivants:

Tableau 3.1: Critères de priorité ou de sélection

Source: Propre élaboration.

Etape 3. Pondérer les critères de sélection en fonction de leur importance relative.

Cette pondération intègre à la fois les techniques qualitatives et quantitatives, et apporte un

degré de précision plus élevé dans le calcul de l'importance de ces équipements.

Pondération qualitative (W,s): Cette forme de pondération est obtenue par l’évaluation

que les ouvriers des machines font de chaque critère, selon un jugement fondé sur l’expertise

et leurs connaissances.

CRITERES DESCRIPTION

C1 FREQUENCE DE DEFAILLANCE

C2 IMPACT SUR LE FONCTIONNEMENT DES UNITES

C3 REQUIEREMENT DES PIECES DE RECHANGES

C4 TEMPS MOYEN DE REPARATION

16

Tableau 3.2: Evaluation des ouvriers pour chaque critère


Après l'obtention de résultats, il est nécessaire de calculer la moyenne de ces

pondérations pour chaque critère. Comme ce sont des valeurs en pourcentage, on utilise la

géométrie, qui est définie comme , où sont les pondérations données

pour chaque critère. Ici, les pondérations obtenues par chaque critère sont:

Tableau 3.3: Pondération qualitative pour chaque critère.


Pondération quantitative ou objective : Pour obtenir cette pondération, on utilise

le calcul de l'entropie de Shannon. Le grand avantage de ce calcul est l'objectivité qu'il

présente dans le contexte de décisions du groupe. Pour trouver l'entropie de chaque critère, on

utilise l'expression suivante:

A B

Où:

Ej: Entropie du critère j.

: Nombre d’alternatives (dans notre cas, le nombre de machines).

E1 E2 E3 E4 E5

C1 0,15 0,11 0,15 0,2 0,1

C2 0,25 0,56 0,5 0,3 0,4

C3 0,35 0,21 0,2 0,3 0,3

C4 0,25 0,12 0,15 0,2 0,2

C1 C2 C3 C4

0,14 0,38 0,26 0,22

Poids

qualitative 14% 38,4% 26,5% 22%

17

: Qualification de l’alternative i, pour le critère j.

A: Constante de la formule de l’entropie.

B: Représente la somme de la formule de l’entropie.

Pour obtenir la pondération par l'entropie, il est nécessaire de calculer la dispersion de

chaque critère, qui est calculée de la manière suivant:

Une fois la dispersion obtenue, le poids quantitatif de chaque critère est déterminé en fonction

de l'expression suivante :

Où:

: Poids quantitatif du critère j.

: Dispersion du critère j.

C: Nombre de critères.

Tableau 3.4: Poids quantitatif en fonction de chaque machine.


ALTERNATIVE i Ri1 Ri2 Ri3 Ri4

Enjuagadora 10 5 10 5

Llenadora Botellas 25 30 20 40

Corchadora 10 5 10 5

Elevador de Corchos 5 10 5 5

Roscadora 10 10 15 5

Elevador de Tapas 5 5 5 5

Secador de Botellas 5 5 5 5

Capsuladora 5 5 5 5

Inspector de Etiquetas 5 5 5 5

Encajonadora 5 5 5 5

Selladora de Cajas 5 5 5 5

Paletizador 5 5 5 5

18

Voici le calcul du poids quantitatif de la matrice multicritère.

Tableau 3.5: Pondération quantitative pour chaque critère.


A B Ej Dj Wo Poids

quantitative

C1 -0,89 96,4022 -85,8 86,798 0,24303 24%

C2 -0,89 99,2621 -88,34 89,343 0,25015 25%

C3 -0,89 95,1156 -84,65 85,653 0,23982 24%

C4 -0,89 106,021 -94,36 95,358 0,267 27%

Pondération définitive : Pour déterminer le poids définitif des critères, on

applique une méthode combinatoire qui comprend le poids quantitatif et qualitatif, et on le

calcule à partir de l'expression suivante.

Pour chaque activité de maintenance, on obtient les pondérations définitives suivantes:

Tableau 3.6: Pondération définitive pour chaque critère.


Wo Ws Wo X Ws Wd Pondérations

définitives

C1 0,24303 0,14 0,034 0,139 13,9%

C2 0,25015 0,384 0,096 0,395 39,5%

C3 0,23982 0,265 0,063 0,259 25,9%

C4 0,267 0,22 0,05 0,207 20,7%

Ces pondérations sont celles que l'on utilise pour chaque activité de maintenance pour

construire la matrice de pondération, et calculer son importance dans le processus.

Etape 4. Construire la matrice de note. Dans cette étape, nous obtenons la matrice complète

avec les facteurs, les critères et la valeur de pondération de chaque critère. L'annexe 1

présente la matrice où on a considéré trois alternatives pour chaque critère. Ce tableau a été

complété par les ouvriers de la ligne.

19

Etape 5. Fixer le critère de notation pour chaque facteur. Nous choisissons une échelle

de valeurs pour noter les alternatives pour chacun des critères. L'échelle de notation s'étend de

1 à 3. La note 1 signifie une gravité légère, donc on lui attribue une valeur de 1 si le décideur

a marqué d'une croix l'alternative de critère qui représente une gravité mineure. La note 2

correspond à une gravité moyenne; et la note 3 correspond donc à une gravité importante.

Dans le tableau en annexe 2, on présente les facteurs avec leurs notes respectives.

Etape 6. Évaluer les facteurs et obtenir l'ordre de priorité. On analyse d'abord les

tableaux remplis par les ouvriers pour assigner les notes respectives. Ensuite, on obtient la

note finale, avec laquelle on identifie l'équipement le plus important au système. Ce tableau,

avec les résultats définitifs, on peut voir dans le tableau 3.7.

Tableau 3.7: Valorisation finale de chaque machine en fonction de chaque critère


20

Enfin, on présente l'équipement le plus important du système qui se trouve effectivement être

la machine de remplissage des bouteilles. Ci-dessous, on présente un diagramme où on

détaille la machine de remplissage des bouteilles ainsi que les autres machines importantes du

système.

Figure 3.1: Description de l'équipement le plus important du système.


Ce résultat peut être complété par la graphique des défaillances annuelles que présente cette

machine, de loin supérieur aux autres (voir graphique 3.1).

21

Graphique 3.1: Evolution des défaillances des machines de la ligne d’embouteillage.


Après avoir réalisé une étude qualitative et quantitative sur les machines de la ligne

d’embouteillage, on en arrive à la conclusion que la machine de remplissage des bouteilles est

la plus critique du système et nous allons donc réaliser notre étude sur cette dernière.

22

4.2. CALCUL DES TEMPS DE DEFAILLANCE DE

L’EQUIPEMENT

Après avoir sélectionné la machine la plus importante pour le système de production

de vin, nous sommes confrontés au problème de la détermination de la fonction de défaillance

de celle-ci. Pour résoudre ce problème, on effectue une analyse de fiabilité en utilisant le

programme MINITAB 15. La première étape est d'obtenir des informations sur les

défaillances de l'équipement, qui sont expliquées dans le système de contrôle des défaillances

que l'entreprise utilise actuellement. Dans l'annexe 3 se trouve un tableau sommaire qui

contient les temps de défaillance de la machine étudiée. Les temps de défaillance de la

machine sont calculés à partir du jour 0 jusqu'à ce que le défaut se produise.

4.2.1. Censure de données

La censure se produit souvent lorsque les données de temps de vie sont des

observations incomplètes. Dans ce cas, pour la machine critique, nous avons des informations

incomplètes sur ses défaillances. Ceci est du au fait que le temps de fin d’étude était une date

où n’étaient toujours pas terminés les ordres de travail sur le système de contrôle de

l’entreprise. Par conséquent, il est probable qu'il se produise encore des défaillances

d'équipement critique. C'est pourquoi il est important de considérer la censure des données,

car il y a des informations partielles sur le comportement des défaillances de la machine.

Le type de censure que l’on observe est une par la droite, vu que l’on connait

seulement avec exactitude les temps de défaillances qui eurent lieu avant le temps Tc (Temps

de fin d’étude), et vu qu’après le temps Tc, on sait seulement qu’il va se reproduire une

défaillance sans connaitre le moment exact où elle se produira. Comme nous l’avons

mentionné auparavant, le temps de fin d’étude est déjà défini, donc elle fait fasse à une

censure de type I. Nous allons donc considérer comme base d’étude, que les données obtenues

par la machine critique sont des données censurées par la droite et du type I.

23

4.2.2. Ajustement statistique des données

Comme on considère qu'il existe une censure dans les données, on est confronté à un

problème qui doit être résolu par des techniques d'estimation plus sophistiquées. Pour cette

raison, nous avons besoin d'un programme de statistiques qui permettra d'obtenir des

informations sur le comportement de ces données.

Le programme utilisé dans cette étude est Minitab 15. C'est avec ce programme qu'on

réalise l'analyse de fiabilité. Nous obtenons un meilleur ajustement des données à un modèle

paramétrique, on obtient la fonction de survie et de risque, pour obtenir finalement le

comportement graphique de ces fonctions, avec lequel on peut prendre des décisions.

L'ajustement des données à un modèle paramétrique est réalisé en incorporant le concept de la

censure par la droite, donc l'entrée d'information dans le programme Minitab 15 est réalisé tel

que présenté en annexe 4.

Les deux colonnes sont nécessaires pour pouvoir entrer les données dans le

programme. Dans la colonne censure, on enregistre les valeurs un ou zéro pour désigner le

temps où la défaillance se produit vraiment, ou pour indiquer le moment où la réalisation de

l'étude se termine. Dans les deux cas, les temps où se sont produites les défaillances sont

observés avec exactitude, représentés par la valeur 1, et le temps de la fin de l'étude est

représenté par la valeur 0. Avec cette information, on peut obtenir le meilleur modèle

paramétrique qu'on adapte aux données. Pour ce faire, on entre les données dans le

programme statistique, en utilisant la section Analyse de la Survie avec Censure par le Droit.

Grâce à la statistique d'Anderson-Darling et sa valeur-p, on prend la décision selon laquelle le

modèle, l'exponentielle, celui de Weibull ou de Log normal, est celui qui ajuste le mieux les

données.

Le test d'Anderson-Darling (Stephens, 1974) est utilisé pour vérifier si un échantillon

des données provient d'une population avec une distribution spécifique. Cette statistique

donne une mesure des éloignements qui se trouvent dans les observations de la droite qui

représente la fonction de distribution. Au mieux il sera ajusté, au moins elle sera de la

statistique. Le test d'hypothèse est défini comme:

24

La décision d’accepter ou refuser l’hypothèse nulle concerne la Valeur-p. Si la Valeur-

p > 0,05, on ne refuse pas l’hypothèse nulle, et si la Valeur-p < 0,05, on la refuse.

Les données obtenues pour les défaillances de la machine critique sont analysées par un

graphique de Probabilité où on identifie la distribution qui ajuste le mieux les données.

On réalise la preuve de l’ajustement par des Modèles Exponentiels, Weibull, normal et Log

normal, qui sont parmi les plus utilisés dans la fiabilité.

Voici ce que l’on obtient du programme Minitab 15:

Graphique 3.1: Analyse Anderson Darling sur machine critique.

Source: Propre élaboration, développement avec MINITAB 15.

De part ce graphique, on peut voir que la distribution Weibull est celle qui ajuste le

mieux les données vu qu’elle possède une plus faible statistique Anderson-Darling. Il est

important de mentionner que pour réaliser l’ajustement de la distribution, on réalise la

Méthode d’Estimation de maximum de vraisemblance.

H0: Les données viennent d’une distribution spécifique

H1: Les données ne viennent pas d’une distribution spécifique

25

De plus, de part le graphique de probabilité d’une distribution Weibull pour les données de la

machine critique, on peut obtenir la Valeur-p.

Graphique 3.2: Probabilité de défaillances machine critique avec distribution Weibull.

Source: Propre élaboration, développement avec MINITAB 15

Comme on peut observer, la Valeur-p qu’on obtient est supérieure à 0,250. Par conséquent,

comme cette valeur est supérieure à 5%, on peut affirmer que l’hypothèse nulle n’est pas

refusée. Ceci prouve les données distribuées par Weibull. La valeur des paramètres de Forme

et d’Echelle de la distribution de Weibull obtenue est:

Forme = 2,536

Echelle = 234,5

Maintenant que l’on connait la distribution des données, on peut réaliser l’analyse de survie

dans laquelle on détermine la fiabilité et le taux de défaillance de l’équipement Critique.

26

4.2.3. Analyse de la survie

L’analyse de survie englobe une série de techniques statistiques pour l’analyse des variables

aléatoires positives, comme par exemple, les temps jusque défaillance de l’équipement.

Cette analyse, du à la complexité du traitement des données censurées, se réalise avec le

programme Minitab 15, dans lequel on obtient les graphiques suivants :

Graphique du Taux de Défaillances v/s temps.

Graphique de la Fonction de Fiabilité v/s temps.

A suivre, on cherche à connaitre le comportement du taux de défaillance de la machine de

remplissage. L’objectif est de voir s’il possède un taux de défaillance croissant, décroissant ou

constant. Pour ce faire, on entre dans le programme Minitab 15 les données censurées qui

correspondent aux deux équipements, et on réalise une analyse de distribution paramétrique

des données, maintenant que l’on sait que les défaillances sont distribuées selon une

statistique de Weibull.

On obtient de cette analyse le graphique de taux de défaillance suivant. On peut observer une

croissance des défaillances. Ceci peut être du au fait que cette machine se trouve à la fin de sa

vie utile et donc présente une grande quantité de défaillance du à la détérioration et à l’usure.

27

Graphique 3.3: Fonction de Taux de défaillance de machine critique vs Temps (Jours).


Avec cette même information, on peut obtenir la fonction de fiabilité de la machine, ce qui est

montré dans le graphique suivant

Graphique 3.4: Fonction de Fiabilité de machine critique vs Temps (Jours).


28

Ces deux derniers graphiques sont utilisés pour modeler notre système dans Vensim

PLE, celles-ci seront donc de nouveau traitées dans le chapitre suivant.

5. ENVIRONNEMENT DE LA TPM

5.1. Analyse des données de l’entreprise La Vigne San

Pedro Tarapacá (SPT) sur un mois:

Analyse des défaillances Analyse des changements de série

Quantité de défaillances 2 cu Type de séries quantité

s

Temp

s

Temps de

changemen

t de série

Temps total de

production

1,18 hr Changement

des OPE

61

21 5,22 14,91

Moyenne des temps

entre défaillances

19,4

8

hr Changement de

format 62

23 14,47 37,75

Changement

des vins 63

9 11,68 77,87

Changement

des S.E 64

0 18,00

Moyenne des temps de

réparation

35,4

mi

n

Totales 53,00 49,37 130,53

Temps de

changement

entre série

0,73 hr

Disponibilité Technique

Aₒ

97,1

%

% Temps 35,5 min

A partir des données reçues de l’entreprise du Chili, nous les avons analysées afin de bien

déterminer :

La nature de ces dernières, de trouver celles qui relèvent d’une part de la maintenance et

d’autre part de la production dans le but de les intégrer dans notre modèle de simulation

dynamique TPM. L’idée est de voir comment on peut augmenter la disponibilité des

équipements en agissant sur l’ensemble de paramètres environnementaux qui lui sont

connexes. En effet ces données vont être introduites dans le modèle scindé en deux grandes

parties. Dans ces deux grandes parties, ces données seront constituées de l’ensemble des

points indispensables pour le bon déroulement de la production et de la bonne pratique de la

maintenance.

29

Nous avons décidé de suivre ces indicateurs en autres dans notre modélisation.

Analyse des données Maintenance Analyse des données Production

Après cette analyse approfondie de ces données, nous avons ensuite créé

l’environnement de la TPM sur lequel va s’appuyer nos modèles de simulation. Cet

environnement définit les limites physiques, les moyens et les méthodologies d’un modèle de

déploiement et de surveillance de la TPM. Nous définirons par la suite chaque point

stratégique mentionné dans cet environnement.

Suivi de la disponibilité

des équipements

Suivi du temps de

non production Suivi du temps changement

de gammes Suivi de la MTTR

Suivi de la MTBF

Suivi Du temps des petits

arrêts

Suivi du coût de formation des

techniciens de maintenance

Suivi du coût de

maintenance corrective

Suivi du coût de

maintenance préventive

Suivi de la valeur ajoutée

apportée par les systèmes

de diagnostique

Suivi de la valeur ajoutée

apportée par les outils

d’amélioration continue

Suivi du Taux de

rendement

Suivi de la disponibilité

des équipements

Suivi du coût de

non production

ENVIRONNEMENT TPM

Indicateurs de fiabilité, de

disponibilité, de taux de

pannes, de temps moyen

de réparation…

TPM Maintenance

Production

Amélioration de la

performance

Humaine

Maintenance

Préventive

Maintenance

Curative

Maintenance

Autonome

Techniques d’amélioration

continue: 5S, SMED, Kaizen,

Lean Manufacturing 6 Sigma

Chasse aux pertes de

coût de production Chasse aux pannes

Dépannage

Techniciens de

maintenance

Opérateurs Machines de

production

Indicateurs de productivité, de

temps de changement de

gamme, des temps de petits

arrêts de production…

GMAO

31

5.2. Quelques Définitions:

TPM :

La TPM est une méthode de Recherche en permanence l'amélioration de la

performance globale de l'entreprise par la maîtrise de 5 principes :

-performance en production,

- conception des produits et des équipements,

- qualité des produits,

- performance des services fonctionnels,

- conditions de travail

Pour éliminer les causes de pertes des systèmes de production

Maintenance :

Maintenance : La maintenance est l’ensemble des actions permettant de maintenir ou

de rétablir un bien dans un état spécifié, ou dans n état où il est en mesure d’assurer un service

déterminé. On distingue deux types de maintenance définies par la norme européenne (Extrait

norme NF EN 13306 X 60-319):

Maintenance corrective : Maintenance effectuée après défaillance

Maintenance préventive : Maintenance exécutée à des intervalles prédéterminés ou

selon des critères prescrits et destinée à réduire la probabilité de défaillance ou la dégradation

du fonctionnement d'un bien. Elle permet de ne pas subir une défaillance. On distingue :

Maintenance préventive systématique : Maintenance préventive exécutée à

des intervalles de temps préétablis ou selon un nombre défini d'unités d'usage mais

sans contrôle préalable de l'état du bien.

Maintenance préventive conditionnelle : Maintenance préventive basée sur

une surveillance du fonctionnement du bien et/ou des paramètres significatifs de ce

fonctionnement intégrant les actions qui en découlent.

32

Maintenance prévisionnelle : Maintenance conditionnelle exécutée en

suivant les prévisions extrapolées de l'analyse et de l'évaluation de paramètres

significatifs de la dégradation du bien.

A ces deux types de maintenance, on peut ajouter le dépannage qui regroupe

l’ensemble des actions destinées à maintenir provisoirement un bien dans un état de

fonctionnement.

GMAO : La GMAO : Gestion de la maintenance assistée par l’ordinateur. C’est un

outil incontournable dans le monde actuel pour gérer l’ensemble des activités du service

maintenance, pour gérer les stocks des pièces détachées, gérer leurs approvisionnement par

une bonne gestion des fournisseurs, pour réduire des coûts et délais d’approvisionnement,

pour éviter des stocks inutiles et pour fournir des indicateurs de performance du service

maintenance. La GMAO constitue également une base de données indispensable pour mettre

en place la maintenance basée sur la fiabilité (exemple : pour effectuer une analyse des

défaillances de leurs effets et de leurs criticités (AMDEC) ou pour envisager des actions de

maintenance préventive pour ne pas subir une défaillance très pénalisante déjà enregistrée).

Les indicateurs de maintenance :

Taux de pannes : 1/MTBF (Temps moyens entre deux défaillances).

Temps moyens de réparations : Sommes des temps de réparations des défaillances/Nombre de

défaillances.

Fiabilité : Aptitude d’un dispositif à accomplir une fonction requise dans des conditions

d’utilisation données pendant une période donnée.

Maintenabilité : Aptitude d’un système à être maintenue ou rétabli, en un temps donné, dans

un état de fonctionnement bien défini lorsque la maintenance est accomplie dans des

conditions d’utilisation données avec des moyens et procédures prescrits.

Disponibilité : Aptitude d’un système à accomplir une fonction requise dans des conditions

d’utilisation données à un instant donné.

33

On peut ajouter à ces indicateurs un indicateur de la sécurité qui est l’aptitude d’un

système à éviter de faire apparaître des événements critiques ou catastrophiques.

Production :

Maintenance Autonome :

Réalisation d'une partie de la maintenance par le personnel d'exploitation pour réduire

voir supprimer les temps d’arrêts, et améliorer l'efficience des experts de maintenance.

L'opérateur protège lui-même sa propre machine :

Inspection quotidienne Graissage

Changement et réparations des pièces

Découverte précoce des anomalies

Vérification de la précision

Prévention des détériorations

Techniques d’amélioration continue : la TPM utilise des techniques d’amélioration

continue dans le cadre d’amélioration du taux de rendement synthétique à savoir :

5S : La méthode des 5 « S » est une technique de management japonaise

visant à l'amélioration continue des tâches effectuées dans les entreprises. Elaborée dans le

cadre du Système de Production Toyota , elle tire son appellation de la première lettre de

chacune de cinq opérations constituant autant de mots d'ordre ou principes simples :

Ordonner (ou plus littéralement ôter l'inutile), Ranger, Dépoussiérer et Découvrir des

anomalies, Rendre évident, Etre rigoureux.

SMED : La méthode SMED est utilisée dans le cadre de changements de

gammes de fabrication. Elle a pour objectif de réduire ces temps de changement. En effet, si

les temps de changement de série deviennent nuls, on peut alors envisager une fabrication à

l'unité sans augmenter les coûts. En réalité, on essaie de les minimiser le plus possible en

anticipant des actions qui peuvent être réalisées pendant le fonctionnement des équipements et

en évitant des gestes inutiles ou inappropriés.

Kaizen : Le mot kaizen (改善?) est la fusion des deux mots japonais kai et zen

qui signifient respectivement « changement » et « bon ». La traduction française courante est

http://fr.wikipedia.org/wiki/Management

http://fr.wikipedia.org/wiki/Toyota

http://fr.wikipedia.org/wiki/Aide:Japonais

34

« amélioration continue ». En fait, par extension, on veut signifier « analyser pour rendre

meilleur ». Elle utilise les méthodes (5S, SMED, …) pour sa mise en pratique.

Learn manifacturing 6 sigma :

La méthode Six Sigma se base sur une démarche fondée à la fois sur la voix du

client (enquêtes, etc.) et sur des données mesurables (par indicateurs) et fiables. Cette

méthode est utilisée dans des démarches de réduction de la variabilité dans les processus de

production (ou autre) et au niveau des produits et vise ainsi à améliorer la qualité globale du

produit et des services.

Ces méthodes sont là pour nous aider à assurer une performance continue au sein du

service de production pour accroître la performance productique. Elles sont applicables

également dans d’autres services pour optimiser leurs façons de travailler.

6. IMPLEMENTATION DU MODELE TPM YAZDIAN (2009)

Dans ce chapitre, nous allons implémenter un modèle TPM de gestion de la

maintenance qui s’adapte à la réalité de l'entreprise. Les résultats seront présentés à la fin de

la présentation du modèle. Ce modèle est présenté dans l’annexe 5.

6.1. IMPLEMENTATION DU MODELE DE MANTENANCE

Ce modèle, tel que mentionné dans le cadre théorique, permet d'observer l'influence de

la TPM sur les systèmes industriels. Nous allons présenter les phases d'implémentation

détaillées avec l'utilisation des diagrammes de cause à effet de Vensim PLE.

6.1.1. Phase 1: Création et Elimination des défauts de

l’équipement

Dans cette phase, nous définissons le nombre de défauts qui se produisent dans la

ligne d'embouteillage. Pour ce faire, nous suivons le modèle présenté par [2], qui suggère que

les défauts d’une machine dépendent du temps d'utilisation de celle-ci, et des politiques de

http://fr.wikipedia.org/w/index.php?title=Voix_du_client&action=edit&redlink=1

http://fr.wikipedia.org/w/index.php?title=Voix_du_client&action=edit&redlink=1

http://fr.wikipedia.org/wiki/Indicateur

35

design improvement

through employee training

appearing defects

through equipment

utilization

++fractional defect

elimination through PM

+

fractional defect

elimination

+

equipment

defects

defect elimination

through PM

-

defect creacion

rate

+

defect elimination

through repair-

maintenance appliquées dans l'entreprise. Ces politiques vont des réparations aux préventions

et caractère autonome comme la participation des ouvriers. Dans le diagramme de cause à

effet (voir figure 4.1), on montre ce qui fut expliqué ci-dessus lorsque les défauts sont

éliminés par une maintenance préventive (PM) et corrective (CM) et sont produites par

l'utilisation de la machine et l'influence du comportement de la main-d'œuvre.

Figure 4.1: Création et élimination des defaults de l’équipement.

Source: Adaptation de [2], développement avec Vensim PLE v5.0.

Pour la création de défauts dans la machine, [2] propose deux paramètres, dont l’un est

le « Design improvement through employee training», qui montre l'influence du

comportement des ouvriers sur l'élimination des défauts de la machine: les suggestions,

l'inspection visuelle et le bon traitement de la machine réduisent les défauts de celle-ci. Il est à

noter que tous ces facteurs sont acquis par l'ouvrier grâce à un entraînement ou une formation.

Bien que cette relation soit théorique, elle sera simulée afin d'observer l'influence qu'elle

pourrait avoir sur le système actuel de maintenance de la compagnie. Dans le graphique

suivant (voir graphique 4.1), nous allons détailler la relation exprimée par [2] où l'input

correspond à la durée de la formation, et l’output, aux défauts.

36

Graphique 4.1: Design improvement through employee training en fonction du temps.


On peut observer qu'à mesure que les heures de formation des ouvriers augmentent

(maintenance autonome), les défaillances diminuent, étant donnée que les ouvriers deviennent

plus efficaces aux moments de faire fonctionner les machines et éviter les défaillances.

Le second paramètre proposé [2] correspond aux «appearing defects through

equipment utilization» qui est directement liée au niveau de la production de l'entreprise: plus

les produits sont nécessaires pour satisfaire la demande, plus grande sera l'utilisation de la

machine et donc l'apparition des défaillances.

Contrairement au paramètre précédent, qui a un caractère théorique, cette valeur peut

être calculée avec les données que possède l'entreprise. À cette fin, on sélectionne un mois au

hasard dans l'année, où on observe le comportent suivant entre le nombre d'heures d'utilisation

de la machine (Input) et l'apparition des défauts (Output) (voir graphique 4.2). Comme le

comportement est similaire et la variation de défaillance est minime dans les autres mois de

l'étude, on considèrera ce graphique pour n'importe quelle période d'étude.

37

Graphique 4.2: Appearing defects through equipment utilization en fonction du temps.


Comme on peut l’observer sur ce graphique, au plus la machine est utilisée, au plus les

défauts augmentent.

Pour éliminer les défauts de la machine, on prend en compte l'influence qu'aurait sur le

système l'apparition d'une maintenance préventive, qui agirait comme support de maintenance

corrective existante dans l'entreprise. Ces deux concepts seront expliqués ci-dessous.

6.1.2. Phase 2: Implémentation de la Maintenance

Préventive (PM)

La maintenance préventive que l'on réalise dans la machine de remplissage dépendra

de divers facteurs qui seront expliquées ci-dessous et sont représentées dans la figure ci-

dessous (voir figure 4.2).

38

equipment

reliability

ER function

+

PM planfailure rate

FR function

+hour per PM+

planned preventive

maintenance

mechanic PM

effort

++

mechanics

available for PM

mechanics usage

factor per hour

++

total number of

mechanics

+

mechanics necesary

for each failure

+

defect elimination

through PM

+

equipment

defects

+

Figure 4.2: Implémentation de la maintenance préventive (PM).


Considérons d'abord que la fiabilité de la machine dépende de la quantité de défauts

qu'elle détient, ce qui est expliqué dans la relation entre les variables “equipment defects” et

“equipment reliability”. [2] On propose que cette relation dépende d'une fonction théorique

“ER function”, qui décrit la relation entre la fiabilité du système et la quantité de défauts

qu'elle détient. Pour notre modèle, cette fonction correspond au graphique 3.4 expliqué au

chapitre 3, où on a obtenu la relation de fiabilité de la machine critique en fonction du temps

qui passe. Selon ce qui précède, et afin d'adapter le graphique 3.4 à notre modèle, on

considère les défaillances de l'équipement au lieu du temps, c'est à dire que pour un temps

donné, on calcule les défaillances rencontrées par le système.

Tout ceci est représenté dans le graphique suivant (voir graphique 4.3) qui montre la

fiabilité de la machine (Output), qui a été calculée au chapitre 3, et on y change le temps par

défauts (Input). Il convient de mentionner que les défaillances pour un temps donné sont

calculées avec les données que possède l'entreprise.

39

Graphique 4.3: Fiabilité de la machine en fonction des défauts.


Connaissant la fiabilité de la machine, [2] propose que cette dernière influe sur le taux

de défaillance selon une fonction théorique qui relie la fiabilité au taux de défaillance. Ce qui

précède n'est autre qu'une modification du taux de défaillance calculé au chapitre trois, c'est-

à-dire, que nous devons modifier notre fonction de défaillance, celle qui dépend du temps, à

celle qui dépend de la fiabilité des équipements. Ci-dessous, on montre comment une faible

fiabilité de l'équipement provoque un grand nombre de défaillances (voir graphique 4.4).

Dans le cas contraire (quand la fiabilité de l'équipement est de un), on le traduit comme taux

de défaillance nul.

40

Graphique 4.4: Taux de défaillance en fonction de la fiabilité de la machine.


Après l'obtention du taux de défaillance de l'équipement vient l’étape de la sélection

du personnel qui sera en charge de réaliser la maintenance corrective ou préventive. Dans

notre cas, nous utiliserons comme critère de choix la relation suivante:

Cette expression nous dit que le nombre d'ouvriers disponibles pour réaliser la

maintenance préventive dépend du nombre de mécaniciens qui peuvent réparer les défauts

constatés dans la machine, c'est-à-dire, que si la défaillance de la machine requière tout le

personnel disponible, la maintenance préventive ne peut être réalisée. Dans le cas contraire,

les ouvriers qui ne seraient pas tenus d'effectuer la MC sont employés à anticiper tout défaut

par la MP.

Tous ces paramètres sont bien connus, donc il n’y a pas besoin d'utiliser des valeurs

théoriques.

Une fois que l'on connait le nombre d'ouvriers qui ne peuvent réaliser une maintenance

préventive vient l'étape d'identifier le nombre d'heures par mois que les mécaniciens peuvent

dédiés à cette tâche. Ceci est représenté dans la variable “mechanic PM effort” qui représente

Mechanics available for PM = IF THEN ELSE (total number of mechanics <= mechanics

necessary for each failure x failure rate, 0, total number of mechanics-mechanics

necessary for each failure x failure rate); [mechanic/Month]

41

le nombre d'heures par mois que l'on consacre à la maintenance préventive. Cette variable a

une influence directe sur le plan de maintenance préventive qui vise à réduire les défaillances

de la machine.


Corrective (CM)

Selon [5], pour implémenter une maintenance de type corrective, on doit seulement

connaître le MTTR (mean time to repair) étant donné que l'on connait déjà le taux de

défaillance. Selon ce qui précède, le nombre d'heures par mois qui sont dédicacées à la CM

est donné par l'expression suivante, qui est détaillé dans le diagramme de cause à effet ci-

dessous (voir figure 4.3).

Comme le montre la relation précédente, l'auteur [2] considère que toutes les

défaillances sont réglées immédiatement et il n'existe aucun manque de pièces de rechange.

La supposition précédente sera également traitée dans notre modèle, mais elle restera

proposée comme amélioration possible de ce travail.

Figure 4.3: Implémentation de la maintenance corrective (CM).


CM plan

failure rate

+

mean time to

repair

+

necessary time for

production

equipment utilization

for production

+

-

defect creacion

rate

defect elimination

through repair

+

+

total time forprodution

+

42

Suite à l'explication du modèle à implémenter, nous pouvons voir que la variable "CM

plan" influe directement sur les variables “defect elimination through repair” (ce qui

correspond à la quantité de défauts qui sont éliminés par l'intermédiaire de la réparation) et

“equipment utilization for production”. Cette dernière variable est influencée négativement

(comme le montre le diagramme de cause à effet), car lorsque la machine est en réparation, on

ne peut pas l'utiliser pour la production.


Autonome (AM)

Dans cette phase, nous introduisons le concept de "AM" pour étudier son effet sur la

réduction des défauts de la machine. Ce concept implique la formation des ouvriers

concernant la manipulation de la machine, leurs soins, l'identification et l'anticipation des

défaillances, etc. Tout cela fait partie de la variable “training employee”. Nous allons

maintenant présenter le diagramme de cause à effet sur cette phase (voir figure 4.4).

Figure 4.4: Implémentation de la maintenance autonome (AM).


necessary time for

production

+

training

employee

normal available

time of workers

time of training

for AM

+defect creacion

rate -

CM plan = failure rate x mean time to repair [hour/Month]

43

Comme on peut l'observer, la variable “training employee” dépend de plusieurs

paramètres qui sont expliqués dans l'équation suivante:

Cette fonction indique que le nombre d'heures par mois qui peut être utilisé pour

effectuer l’«AM» dépend des heures nécessaires que les ouvriers doivent occupées dans la

production, c'est-à-dire, que l'on réalise seulement "AM" lorsque les ouvriers ne travaillent

pas dans leurs tâches productives. Ce qui est important dans la variable “training employee”,

c'est qu'elle a un impact négatif sur le taux de création des défauts car au fur et à mesure que

les ouvriers sont formés, les défauts produits dans la machine diminuent.

6.1.5. Phase 5: Mesure de la Qualité et de la Production

du Système

Dans cette phase, nous mesurons la qualité des produits fournis par la machine

d'embouteillage. Pour ceci, nous utilisons la relation théorique décrit par [1], qui mesure la

dépendance entre la fiabilité de l'équipement et la qualité des produits fournis (voir graphique

4.5). Cette relation permettra de mesurer la quantité de produits qui puissent effectivement

être commercialisés.

Graphique 4.5: Qualité des produits en fonction de la fiabilité de la machine.


Training employee = IF THEN ELSE (necessary time for production - normal available time

of workers > time of training for AM, 0, normal available time of workers - necessary time

for production + time of training for AM); [hour/Month]

44

produccion

capacity

+

fractional yield rate

+

process quality

+

fractional

produccion rate

equipment

reliability

+

PQ function

+

+

+

produccion ratescrap rate

Comme on peut l'observer sur ce graphique, au fur et à mesure que la fiabilité du

matériel augmente, à savoir, l'équipe n'ayant pas beaucoup de défauts, la qualité des produits

fournis augmente aussi, pour atteindre un maximum de 99%.

Tout ceci peut être observé dans le diagramme de flux suivant (voir figure 4.5), qui

montre également que la fiabilité de l'équipement influence directement le taux de production

de la ligne d'embouteillage.

Figure 4.5: Mesure de la qualité et production du système.


6.1.6. Phase 6: Quantité à produire et nombre de “MP”

par mois

Dans cette phase, nous relions le domaine de la maintenance à celui de la production

afin d'estimer le nombre d'heures par mois que la machine sera utilisée pour fournir une

certaine quantité de produits, et ainsi satisfaire le client. Voici le diagramme de cause à effet

mentionnés précédemment (voir figure 4.6).

45

fractional sale rate+

output pressure

planned preventive

maintenance

desired output

+

-+

necessary time for

production

+

production rate

gross output

+

scrap rate

+

-

yield rate

-

+

net output+

sale rate

+

-

-

max PMmin PM

+-

Figure 4.6: Quantité a produire et nombre de “MP“ par mois.


Dans le diagramme, on peut observer qu’au fur et à mesure qu'augmente la variable

“production rate”, le montant nécessaire que l'on doit produire (“output pressure”) diminue.

Une autre variable importante dans ce diagramme se trouve être la “planned preventive

maintenance”, qui est le nombre de maintenance préventive réalisée par mois (PM/Month). La

valeur numérique est définie par l'équation suivante:

6.2. RESULTATS DU MODELE DE MANTENANCE

Dans ce point on présente les résultats des deux modèles implémentés dans

l'entreprise. Il suggère également des améliorations possibles au système actuel de

maintenance.

Planned preventive maintenance = max PM – min PM x

(output pressure/desired output); [PM/Month]

46

6.2.1. RESULTATS MODELE DE MAINTENANCE DE

YASDIAN (2009)

Tout d'abord, nous procédons à une analyse descriptive, qui détaille l'évolution des

paramètres les plus importants, pour ensuite présenter une analyse comparative basée sur les

coûts qui sont inclus en dans un programme de «TPM».

6.2.2. Analyse Descriptive

En examinant la figure 5.1, nous pouvons voir que mettant en œuvre un programme de

«TPM», les défauts de la machine de remplissage diminuent progressivement d'une valeur

initiale de 40 défauts par mois à environ 5 défauts, atteignant un état équilibré après 50 mois.

Graphiques 5.1 et 5.2: Equipment defects et Equipment reliability en fonction du temps.


D'autre part, la figure 5.2 montre que la fiabilité de l'équipement augmente

progressivement d'une valeur de 0,8 au mois 0 à environ 0,98 au mois 50. Ces améliorations

sont dues essentiellement à l'augmentation des heures de formation réalisées par les ouvriers;

et à l'augmentation de l'effort donné dans l'implémentation d'une "PM" (voir graphique).

Selon la figure 5.3, nous pouvons voir qu'en raison de l'application des " TPM", les heures de

formation des ouvriers sont passées de 4 heures par mois à environ 18 heures par mois, ce qui

47

est essentiel pour améliorer la maintenance autonome et diminuer le taux de défaillance de

l'équipement (voir Figure 5.4), ce qui diminue de 2 pannes par mois à environ 0,3 quand l'état

stationnaire est atteint.

Graphiques 5.3 et 5.4: Training employee et Failure rate en fonction du temps.


Un autre résultat intéressant qui peut être déduit de la simulation sur la ligne de

production de l'entreprise est le fait que, au fur et à mesure qu'augmente le nombre d'heures

par mois de travaux de prévention (voir le graphique 5.5), il y a une diminution de l’utilisation

de CM de 4 heures par mois à environ 0,3 heures par mois dans les plans de maintenance

corrective (voir graphique 5.6).

Graphiques 5.5 et 5.6: PM plan et CM plan en fonction du temps.


48

Enfin, dans la figure 5.8, on peut observer qu'en implémentant la "TPM", la qualité du

processus s'est améliorée, atteignant une qualité de 98%. La même chose est observable quant

au rendement net de la production, car le nombre de produits négociés augmente de 650

produits à 970 produits (voir graphique 5.7).

Graphiques 5.7 et 5.8: Process quality et Net output en fonction du temps.


6.2.3. Analyse Comparative en relation au Coûts

Dans la figure 5.9, on compare la situation à envisager des mesures préventives dans la

politique de maintenance à celle où on ne les envisage pas. Sur ce graphique, on peut observer

que les coûts sont plus importants lorsque l'on ne travaille pas avec un "PM".

Graphiques 5.9 et 5.10: Coûts en fonction du temps.


49

Dans le graphique 5.10, on quantifie les économies réalisées en considérant le «PM»,

pour atteindre 23% des économies (sur grand terme) du total des coûts de maintenance. À

court terme (1 à 20 mois), les économies varient de 3 à 10% des coûts totaux.

Quant à l'inclusion de la «AM», on peut constater dans le graphique 5.11 que les coûts

totaux sont également plus élevés s'il n'existe pas de politique de formation des ouvriers,

même si ces économies ne sont pas si importantes par rapport à l'implémentation de la "PM"

dans le système. Dans le graphique 5.12, on détaille les économies réalisées en considérant le

«AM», notant que, dans le premier mois, les coûts sont plus élevés que le système actuel,

mais qu'au fur et à mesure que le temps passe, on fait des économies pour atteindre un

maximum de 9% du total.

Graphiques 5.11 et 5.12: Coûts en fonction du temps en fonction du temps.


50

7. IMPLEMENTATION DU MODELE TPM [AMELIORATION DU

MODELE DE YASDIAN]

Le modèle de Yasdian nous apporte un point de vue général sur la manière

d’implémenter un modèle TPM, et les résultats économiques que l’on obtient à court et long

terme.

Mais le modèle de Yasdian ne nous donne pas les outils de maintenance que l’on doit

implémentés ou améliorés afin que l’entreprise obtienne une performance plus poussée. Par

conséquent, dans ce deuxième modèle, nous allons améliorer le modèle de Yasdian en

considérant les outils de maintenance que l’on utilise pour adapter un modèle de TPM d ans

une entreprise de production.

L’ojectif de notre parcours est donc la fiabilsation des équipements et l’outil que l’on

mettra en avant afin d’assurer cette fiabilisation est la TPM. En effet, dans le cadre de la

TPM, nous pouvons faire de la fiabilisation de notre outil de production grâce à la

maintenance autonome et aussi à la maintenance basée sur la fiabilité. Elle s’applique à tous

les services et plus particulièrement aux services de maintenance et de production pour

chasser les causes de pannes et les causes de pertes de production afin d’améliorer le

rendement synthétique.

Production

brute

Production

netteTaux de

rendement

Taux de

production

Capacité de

production

Taux de rebut

Taux de vente

Qualité du

process

Disponibilité de

l'équipement

Nombre dedéfauts de

l'Equipement

Taux d'apparition

de défauts

Défauts mensuels

éliminés par la


défauts mensuels éliminés

par la maintenance

préventive

Fiabilité de

l'Equipement

Function de

distrubution de la

fiabilité

Investissement en


Investissement enmaintenancecorrective

Taux de panne

Function de

distribution du taux de

pannes

Temps moyen de

réparation (MTTR)

Temps total de

production

Personnel alloué à

la production

Equipement utilisé

pour la production

Système de

diagnostique

Analyse

vibratoire

Contrôle par

Ultrason

Performance du

système de diagnosticAnalyse Moteurs

(Alimentation/Chauffage)

Analyse d'huileThermographie

Maintenance

Conditionnelle

Maintenance

Prévisionnelle

Maintenance

préventive

systématique Taux d'apparution des symptômes

de défaillance d'un equipement

entrenant un fonctionnement

dégradéTemps de

réaction

Coût de maintenance

préventiveCoût total de

maintenance

correctiveCoût total de

maintenance

Temps de non production

due à la maintenance

corrective

Temps de changement

de gamme de production

Temps de non

production

5S

Temps des petits

arrêts

Maintenance

Autonome

SMED

Coût de non

production

Coût des pièces

détachées

Coût de formation des

techniciens de

maintenance

Fonction de définition

de la qualité du process

Coût horaire de

non production

Produits fabriqués

par heure

Coût d'un produit

fabriqué

Nombre de

réparations

Défauts horaires d'un

équipement en production

Défauts horaires éliminés par

l'investissement en


Défauts horaires éliminés

par la maintenance

corrective

BRF2

Quantité de

produits demandée

Quantité de

produts en stock

Temps normal de

disponibilité en

heures/mois

Formation des

opérateurs


l'implication des opérateurs

suite à leur formation

GMAO

Gestion des informations

des pannes des

équipements

Gestion du stock des

pièces détachées

Gestion de fournisseurs

des pièces détachées

Gestion des

indicateurs de

performance

Gestion des délais de

livraison des pièces

détachées

Temps de formation

en heures/mois

Lean Manufacturing

Six Sigma

Base de données pour mettre

en place la maintenance basée

sur la fiabilité

Maintenance

Production

MODELE DE MODELISATION DE LA TPM PROPOSE

52

Investissement en


Système de

diagnostique

Analyse

vibratoire

Contrôle par

Ultrason

Performance du

système de diagnostic Analyse Moteurs

(Alimentation/Chauffage)

Analyse d'huile Thermographie

Maintenance

Conditionnelle

Maintenance

Prévisionnelle

Maintenance

préventive

systématique

Temps de

réaction

Pour une meilleure compréhension du modèle, nous avons jugé nécessaire de procéder

par une explication détaillée de l’ensemble des parties qui composent le modèle.

7.1. Explication de façon détaillée de la modélisation de

chaque partie :

7.1.1. Investissement en Maintenance préventive

L’investissement en maintenance préventive ici quantifié en termes de nombres

d’heures, mensuelles, alloués aux activités de maintenance préventive. Cet investissement

regroupe le temps alloué à chaque type de maintenance préventive : Conditionnelle,

prévisionnelle et systématique. Notons que la maintenance conditionnelle nécessite un temps

de relevage de données, de surveillance des paramètres du système de diagnostique (Niveau

d’huile, thermographie, analyse vibratoire, contrôle par ultrason…) et des actions qui en

découlent.

Partie Maintenance

+ +

+

+ +

+

+

+ +

+

53

7.1.2. Investissement en maintenance corrective

Investissement en


Taux de panneTemps moyen de

réparation (MTTR)

7.1.3. GMAO dans le service maintenance en plus de la

gestion de la maintenance préventive et corrective.

GMAO

Gestion des informations

des pannes des

équipements

Gestion du stock des

pièces détachées

Gestion de fournisseurs

des pièces détachéesGestion des

indicateurs de

performance

Gestion des délais de

livraison des pièces

détachées

Base de données pour mettre

en place la maintenance basée

sur la fiabilité

Faciliter l'interaction entre service

maintenance et service de production

(Heures de fonctionnement,

Ordonnancement de travaux)

La GMAO joue un rôle très important dans la gestion et la coordination de l’ensemble

des activités de maintenance. Il intervient aussi dans la mise en place de la maintenance basée

sur la fiabilité et ceci se fait par l’exploitation des données de défaillances des équipements et

de leurs sous-ensembles (Exemple : AMDECpour envisager les actions de maintenances

préventives pour éviter de subir les pannes).

L’investissement en maintenance corrective

dépend du temps moyen de réparation d’une

défaillance et du taux de panne. + +

+

+

+ + + +

+

54

Investissement enmaintenancepréventive


l'investissement en


GMAO

Défauts mensuels éliminés

par la maintenance

préventive

Investissement en



par la maintenance

corrective

Défauts mensuels

éliminés par la


7.1.4. Défauts mensuels éliminés par la maintenance

préventive.

Les défauts mensuels éliminés par la maintenance préventive sont en fonction de

l’investissement en maintenance préventive, des défauts horaires éliminés par cet

investissement et de l’apport de la GMAO.

7.1.5. Défauts mensuels éliminés par la maintenance

corrective.

Les défauts mensuels éliminés par la maintenance corrective sont fonction de

l’investissement en maintenance corrective (Nombre d’heures mensuels alloués à la

maintenance préventive) multiplié par les défauts horaires éliminés par la maintenance

corrective.

55

Temps moyen de

réparation (MTTR)

Coût de maintenance

préventive

Coût total de

maintenance

corrective

Coût total de

maintenanceCoût des pièces

détachées

Coût de formation des

techniciens de

maintenance

Nombre de

réparations

7.1.6. Nombre de défauts de l’équipement

Nombre dedéfauts de

l'Equipement

Taux d'apparition

de défauts

Défauts mensuels

éliminés par la


défauts mensuels éliminés

par la maintenance

préventive


par la maintenance

corrective

GMAO

Le nombre de défauts de l’Equipement = (nombre de défauts mensuels générés par le

taux d’apparition de défauts sur cet équipement moins la somme des défauts mensuels

éliminés par la maintenance préventive et la maintenance corrective).

L’objectif est de réduire voire supprimer le maximum possible le nombre de défauts

de l’équipement et de préférence les diminuer par les actions de maintenance préventives pour

éviter de subir les pannes.

Plus on augmente les défauts mensuels éliminés par la maintenance préventive, plus

on réduits les défauts mensuels éliminés par la maintenance corrective après la panne. Cela

donne l’indicateur de ratio préventif/correctif.

7.1.7. Coût total de maintenance

56

Capacité de

production

5S

Maintenance

Autonome

SMEDLean Manufacturing

Six Sigma

Taux de

production

Le coût total de maintenance inclut aussi des coûts des pièces détachées et des coûts de

formation du personnel pour améliorer la performance humaine des techniciens de

maintenance.

7.2. Méthodes d’améliorations de la capacité de

production.

Production

Partie Production

Ces méthodes ont été définies dans la

partie précédente est sont très courantes

dans l’amélioration continue pour

optimiser la capacité de production.

Ces méthodes accroissent à

leur tour le taux de production

et la disponibilité.

57

Temps moyen de

réparation (MTTR)

Temps de non production

due à la maintenance

corrective

Temps de changement

de gamme de production

Temps de non

production

Temps des petits

arrêts

Coût de non

production

Coût horaire de

non production

Produits fabriqués

par heure

Coût d'un produit

fabriqué

Nombre de

réparations

7.2.1. Production en fonction de la disponibilité et de la

qualité du process.

Production

brute

Production

nette

Taux de rendement

synthétique

Taux de

production

Taux de rebut

Taux de vente

Qualité du

process

Disponibilité de

l'équipement

Fonction de définition

de la qualité du process

Pour cette partie, nous voyons que la qualité du Process dépend de la disponibilité de

l’équipement pour produire et d’une fonction de définition de la qualité du Process définie

préalablement. L’amélioration de la qualité du Process permettra de diminuer le taux de rebut

et d’améliorer le taux de rendement synthétique.

7.2.2. Coût de non production dû à une panne, à de

petits arrêts de production et au changement de gamme

de production.

58

La TPM intervient particulièrement dans la réduction du coût de non production en

essayant de minimiser le maximum possible des éléments qui augmentent le temps total de

non production :

Sur les temps moyens de réparation : En s’attaquant au fonctionnement du service

de maintenance pour revoir sur quoi on peut améliorer le MTTR, et réduire dans la foulée le

nombre de pannes.

Sur les petits arrêts de production en essayant de les maîtriser pour les réduire au

maximum. Exemple (méthode du bâtonnage : cette méthode consiste à relever l’ensemble de

petits arrêts répétitifs qui pénalisent la production. Ces petits arrêts seront résolus lors d’un

brainstorming entre les services production et maintenance.

Sur les temps de changement de gamme de fabrication en utilisant la méthode

SMED pour les réduire le plus possible.

59

7.3. EXPLICATION DES RESULTATS PRINCIPAUX DU

MODELE 2 TPM

7.3.1. Partie Maintenance:

7.3.1.1. Apparition des défauts sur un équipement :

Le taux d’apparition des défauts sur un équipement est fonction du taux de

défauts horaires d’un équipement en sollicitation. L’amélioration de la performance des

opérateurs de production par le biais des formations ou des causeries contribuera dans la

diminution du taux d’apparition des défauts. Ces formations sont évidemment réalisables dans

la mesure où les techniciens sont disponibles. L’amélioration de la performance humaine vise

à sensibiliser les opérateurs au respect des conditions normales d’utilisation de l’Equipement,

à le maîtriser et à le surveiller. L’obtention du fonctionnement intrinsèque de l’Equipement

Diminue considérablement le taux de d’apparition des défauts.

+

- -

60

7.3.1.2. Elimination des défauts par la maintenance

préventive (Chasse aux pannes):

L’objectif principal est de chercher en permanence l’anticipation des actions de

maintenance corrective pour éviter de subir les pannes ou réduire les impacts des pannes.

Ainsi, plus on augmente l’élimination des défauts par la maintenance préventive, plus cela se

traduira par l’augmentation de la disponibilité de l’équipement et des diminutions respectives

de défauts éliminés par la maintenance corrective et des défauts de l’équipement. Les

graphiques ci-dessous les illustrent bien.

A t=0, tous les défauts sont éliminés par la maintenance corrective. La mise en place da la

maintenance basée sur la fiabilité, orientée dans l’anticipation des événements redoutables, permet de

croître les activités de maintenance préventive. Ces actions vont améliorer la fiabilité de l’Equipement.

La simulation est réalisée en jouant sur les paramètres qui entrent en jeux dans l’élimination des

défauts du côté préventive et corrective.

61

7.3.1.3. Coût total de maintenance :

En constante évolution tant qu’on est dans une situation de

mise en place de la maintenance basée sur la fiabilité.

Egal au temps moyen de réparation multiplié par le nombre

de pannes.

En rajoutant les coûts de pièces détachées, et de

formation de techniciens de maintenance, nous

avons les tendances du coût de maintenance.

62

7.3.2. Partie production :

7.3.2.1. Amélioration du taux de production.

En mettant en place les méthodes d’amélioration continue pour la

capacité de production, on accroît le taux de production qui à son

tour accroît successivement la production brute, le taux de

rendement, la production nette et le taux de vente.

L’amélioration de la capacité de production sera proportionnelle à

l’évolution de la disponibilité de l’équipement.

L’apport de ces méthodes est quantifié en pourcentage par des

analyses statistiques. Pour notre cas nous nous contenterons de vous

montrer les tendances de l’investissement juste dans une méthode.

En augmentant la maintenance autonome de 1 à 1,1, nous augmentons respectivement dans les graphiques suivants le taux de

production, la production brute et le taux de rendement synthétique.

Réponse en mettant la valeur 1 à toutes les méthodes.

De même, on augmente la capacité de production en augmentant l’implication dans les méthodes 5S et Six Sigma. Par contre on augmente la capacité de production en

minimisant le maximum possible le SMED.

64

7.3.2.2. Chasse aux pertes de coût de non

production.

On peut suivre également le coût total de non production qui augmente quand les

temps de réparation, de changement de gamme de production et de petits arrêts de production

augmentent.

Le suivi de ce coût est indispensable pour motiver l’implication des responsables des

services de maintenance et de production dans une politique de chasse aux pertes de coûts de

non production.

Cette chasse aux pertes de coût de non production peut se faire en appliquant les

piliers 1 et 2 de la TPM qui sont respectivement l’amélioration au cas par cas et la

maintenance autonome.

En effet, en mettant en place des actions de maintenances autonomes, c'est-à-dire

essayer de retrouver la fiabilité intrinsèque des équipements, et par la mise en place des

actions comme : la SMED, le 5S ; les coûts de non production pourront être

considérablement réduits.

65

8. CONCLUSION

Ce projet de fin d’étude de Master 2 Risques Industriels et Maintenance traitant

la modélisation de la TPM par la dynamique des systèmes à partir de données de maintenance

et de production d’une entreprise de production basée au Chili nous a permis d’accroître un

grand nombre de nos connaissances.

Après une analyse approfondie des données de l’entreprise, nous les avons

synthétisé afin de voir les éléments qu’on allait intégrer dans le modèle. Après l’élaboration

du modèle sous VENSIM, nous avons effectué plusieurs simulations. Ensuite nous avons

obtenu des résultats que nous avons étudiés dans le but de déterminer les axes d’amélioration

possibles que nous pourrions apporter à l’ensemble des éléments retenus.

Le logiciel VENSIM étant très bien adapté pour la modélisation et la simulation

dynamique d’un système de production, nous pensons que l’exploitation des pistes

d’amélioration que nous avons citées pourra aider à optimiser la gestion de la production et de

la maintenance de cette entreprise du Chili.

Etant donné que les outils d’amélioration continue que nous avons listés dans

notre simulation nécessitent une mise en place réelle sur le terrain, une exploitation, et un

suivi des résultats; nous pensons qu’il serait très intéressant que l’entreprise du Chili reprenne

notre modélisation afin de s’y inspirer dans le but d’optimiser leur taux de rendement de

synthétique.

A travers ce projet, nous avons pu exploiter au maximum possible l’ensemble

des connaissances acquises durant notre parcours dans le domaine de la maintenance. Nous

avons pris en main un outil très intéressant dans la modélisation dynamique des systèmes et

nous nous sommes rendu compte qu’il s’adapte bien dans la modélisation physique des

systèmes industriels.

Pour terminer, nous dirons que cette étude bien vrai qu’elle reste théorique, sa

mise en place dans une entreprise peut aider à déterminer les paramètres sur lesquels on peut

essayer de modifier pour augmenter le taux de production, la disponibilité, la fiabilité et

réduire considérablement les temps de maintenance, et les coûts de non production lors de la

mise en place d’un programme d’étude d’amélioration continue (TPM).

66

9. BIBLIOGRAPHIE

[1] Thun Jörn-Henrick (2006), Maintaining preventive maintenance and maintenance

prevention analysing the dynamic implications, Mannheim Business School, University of

Mannheim, Germany. Paper work.

[2] Yazdian Seyed Ahmad (2009) Analyzing the effects of implementation of Total

Productive Maintenance (TPM) in the manufacturing companies: a system dynamics

approach, Iran University of Science and Technology (IUST), Paper work.

[3] Honkanen Tuomo (2004), Modelling Industrial Maintenance Systems and the Effects of

Automatic Condition Monitoring, Helsinki University of Technology. Dissertation for the

degree of Doctor of Science in Technology.

[4] Chumai Roengchai (2006), System Dynamic Modeling of Plant Maintenance Strategy in

Thailand, Asian University, Paper work

Modelisatation de la tpm par la dynamque des systemes au sein d’une entreprise de production

Business

Transcript of Modelisatation de la tpm par la dynamque des systemes au sein d’une entreprise de production