Bruno Agard
(1) Design of product families: how to integrate the design of a product family with its process and logistics.
(2) Application of data mining in engineering: how to take advantage of the huge volume of information that is presently available in different industrial databases in order to improve product quality, productivity, customer's satisfaction ...
Dans un marché concurrentiel, les fabricants sont amenés à répondre à des besoins fonctionnels variés par des réponses individuelles, de manière à diversifier et élargir leur clientèle et se réserver des parts de marché. Les industriels sont confrontés à un dilemme : la diversité ou les économies d'échelle. Une solution est d'utiliser des familles de produits qui permettent un certain degré de standardisation, et laissent encore de la flexibilité aux produits pour pouvoir s'adapter à différents usages. Ces familles de produits se déclinent ensuite par une combinaison d'options et variantes choisies en partie par le client final de manière à créer un produit personnalisé selon les besoins et désirs de chacun[1].
Cependant concevoir et fabriquer des familles de produits engendre des coûts supplémentaires pour l’industriel, liés à la diversité.
Afin de maintenir ou développer un avantage concurrentiel, les firmes doivent prendre des décisions globales qui lient la conception du produit et sa fabrication de manière simultanée. Ce premier thème de recherche porte donc sur la conception de produits à forte diversité, du process et de la chaîne logistique dédiés à une famille de produits.
Le but est de définir des méthodologies de conception qui permettent de prendre des décisions intégrées pour la conception de familles de produits[2], [3], [4], [5], [6]. Il s’agit de proposer des solutions, d’évaluer des alternatives et de développer des outils d’aide à la décision.
La méthodologie utilisée est d’une part d’étudier des cas industriels réels et d’autre part de travailler sur des modèles théoriques. Cela s’appuie entre autre sur des aspects de simulation afin d’évaluer et de comparer des alternatives de solutions.
Intégration produit / process
Une première étude porte sur la définition simultanée de la conception d’une famille de produits et son process d'assemblage.
Intégration process / logistique
Un travail concerne la définition des sous assemblages optimaux pour une famille de produits sous contrainte d’une logistique donnée.
Intégration produit / logistique
Un projet porte sur la conception simultanée d’une famille de produits et la chaîne logistique liée.
[1] P.Child, R.Diederichs, F.-H. Sanders, and S. Wisniowski, The management of complexity, Sloan Management Review, Fall, pp. 73-80, 1991.
[2] J.B. Dahmus, J.P. Gonzalez-Zugasti and K. Otto, Modular product architecture, Design Studies, Vol. 22, pp. 409-424, 2001.
[3] F. Erens and K. Verhulst, Architectures for product families, Computers in Industry, Vol. 33, pp. 165-178, 1997.
[4] T.W. Simpson, J. R.A. Maier and F. Mistree, Product platform design: method and application, Res Eng Design, Vol 13, pp. 2-22, 2000.
[5] J. Jiao and M. Tseng, A methodology of developing product family architecture for mass customization, Journal of Intelligent Manufacturing, Vol. 10, pp. 3-20, 1999.
[6] J. Gonzalez-Zugasti, K. Otto and J. Baker, A method for architecting product platforms, Research in Engineering Design, Vol. 12, pp. 61-72, 2000.
Actuellement, les systèmes informatiques mis en place dans les entreprises rendent accessibles une très grande quantité d’information sur les stocks, les processus, les demandes… Cependant on observe une sous utilisation de ces informations. Les données contenues dans les différentes bases d’une entreprise sont tout simplement archivées dans un but de suivi de la qualité.
Il est néanmoins possible de traiter ces données pour en extraire des connaissances pertinentes pour les entreprises.
Le data mining est défini comme la découverte de modèles non triviaux, implicites, préalablement non connus et potentiellement utiles et compréhensibles[7].
Différents outils du data mining supportent des activités de classification, d’estimation, de segmentation et de description. Tout ceci est supporté par de nombreux algorithmes[8]. Dans le domaine industriel, cela donne des possibilités pour de nombreuses applications[9]. Déjà au niveau du marketing de nombreux résultats sont tangibles[10].
Le but de ce second thème de recherche est d’utiliser les outils de data mining pour extraire de l’information des différentes bases de données d’une entreprise afin de fournir de la connaissance qui est ensuite réinvestie en conception et fabrication[11], [12], [13].
La méthodologie utilisée ainsi que les résultats obtenus dépendent fortement du contenu des bases de données traitées. Dans les cas actuellement à l’étude, l’information extraite est utilisée :
- en conception de produit,
- en conception de process,
- en suivi de fabrication,
- pour la standardisation des produits, des composants et des process,
- pour la détection d’évènements rares.
[7] S.S. Anand, and A.G. Büchner, Decision Support Using Data Mining, Financial Times Pitman Publishers, London, UK, 1998.
[8] U.M. Fayyad, G. Piatetsky-Shapiro, P. Smyth and R. Uthurusamy, Advances in Knowledge Discovery and Data Mining, AAAI Press/The MIT Press, Cambridge, MA, 1996.
[9] C. Apté, Data Mining: An Industrial Research Perspective, IEEE Computational Science and Engineering, April-June, pp. 6-9, 1997.
[10] M.J.A. Berry and G. Linoff, Data Mining Techniques: For Marketing, Sales, and Customer Support, New York: Wiley, 1997.
[11] C. Gertosio and A. Dussauchoy, Knowledge discovery from industrial databases, Journal of Intelligent Manufacturing, Vol. 15, pp. 29-37, 2004.
[12] A. Kusiak, Decomposition in Data Mining: An Industrial Case Study, IEEE Transactions on Electronics Packaging Manufacturing, Vol. 23, No. 4, pp. 345-353, 2000.
[13] A.G. Büchner, S.S. Anand and J.G. Hugues, Data Mining in Manufacturing Environments: Goals, Techniques and Applications, Studies in Informatics and Control, Vol 6, No 4, pp. 319-328, 1997.
|
Granted: |
 |
 |
|
Last update 05 Oct 2007.