Trois questions d’atelier, pas soixante fonctionnalités.
Jemba ne fait que deux choses : repérer ce qui sort de l’ordinaire, et trouver la plage de réglage qui tient. Les trois workflows ci-dessous en découlent, et chacun s’appuie sur un déploiement client dont les chiffres sont publiés.
Détection précoce de panne
« Est-ce que cette machine va me lâcher cette semaine ? »
Le modèle apprend le comportement normal de la machine sur son propre journal marche/arrêt, puis signale la dérive avant l’arrêt. C’est le workflow le plus documenté chez nous.
Le cas aéronautique & défense →- Validé
- 273 h d’arrêt anticipées sur six mois de test en aveugle, soit 45 % des heures d’arrêt de la ligne.
- Sur 12 mois
- 446 h et 16 arrêts majeurs signalés, soit 32 % du total, en validation glissante.
- Net
- +187 h après déduction du temps perdu à vérifier les fausses alertes. Nous publions les deux chiffres.
- Charge
- 2 à 4 alertes par machine et par semaine. Environ une sur six précède un arrêt sérieux dans l’heure.
- En marche
- Un score léger par machine toutes les dix minutes. Pas de GPU, pas de nouveau capteur.
Analyse de cause racine
« Parmi des centaines de variables, lesquelles pèsent vraiment ? »
Un historique de production contient des centaines de colonnes, dont presque aucune ne porte d’information. Le modèle écarte celles qui ne pèsent rien et classe celles qui restent, en langage procédé.
Le cas caoutchouc & polymère →- Tri
- Sur la ligne de bobinage textile, le jeu de départ comptait 977 colonnes. Le modèle retenu en utilise 10.
- Localisation
- 7 des 10 leviers se trouvaient en amont, à l’enduction. Un seul à la vulcanisation. L’atelier ne cherchait pas au bon endroit.
- Matière
- L’un des trois fournisseurs de matière présentait 1,5 fois plus de chances de dépasser 75 %. Un fait négociable, pas une intuition.
- Restitution
- Une liste classée de leviers, en langage procédé. Pas un score d’importance à interpréter.
Optimisation de procédé
« Dans quelle plage faut-il rester pour que le rendement tienne ? »
Le modèle ne donne pas une consigne unique : il délimite une plage de fonctionnement, puis compte ce que la ligne obtient réellement quand elle y reste.
Le cas caoutchouc & polymère →- Écart
- 78,1 % de rendement matière dans la plage identifiée, contre 68,6 % en dehors. Soit +9,5 points.
- Base
- 336 cycles de production analysés, dont 33 à l’intérieur de la Zone 1. Un cycle représente environ cinq heures.
- Zones suivantes
- Zone 2 : 75,4 % sur 27 cycles. Zone 3 : 65,5 % sur 17 cycles. La hiérarchie tient, l’échantillon reste petit : nous le précisons.
- Bonne nouvelle
- 8 des 10 leviers étaient déjà dans la plage. Le travail portait sur deux réglages, pas sur une refonte de la ligne.
Trois workflows, deux déploiements publiés.
Les workflows 02 et 03 s’appuient sur le même cas, caoutchouc et polymère : on y a d’abord trié les variables, puis délimité la plage de réglage. Le workflow 01 s’appuie sur le cas aéronautique et défense. Nous n’ajoutons pas de workflow tant qu’il n’a pas son propre test en aveugle publié.
Nommez une ligne et une variable cible.
C’est tout ce qu’il faut pour un premier test sur vos données.
| Workflow | Cas publié | Résultat |
|---|---|---|
| 01 · Détection d’anomalies | Aéronautique & défense | 273 h |
| 02 · Optimisation de procédé | Caoutchouc & polymère | 977 → 10 variables |
| 03 · Optimisation de procédé | Caoutchouc & polymère | +9,5 pts |
