Limiter l’impact de la non-qualité sur la gestion des flux de production dans les ateliers à forts taux de reprises. application au cas d'un fabricant de mobiliers laqués de trés haute qualité
Bibliographic record
Abstract
Le pilotage de la production est fortement dépendant des opérations relatives à la qualité des produits obtenus, car la non-qualité engendre des reprises qui vont fortement perturber les flux de production (boucles de retour, attentes, reprises, …). Si la mise en place d'une approche de management de la qualité telle que la TQM est indispensable dans cette optique, elle est malheureusement bien souvent insuffisante. La méthodologie proposée dans cet article arrive en appui et complément d'une telle démarche et repose sur deux étapes principales. La première a pour but de limiter la non-qualité, et donc réduire les taux de reprises, en déterminant, en-ligne, le réglage optimal du processus en fonction des caractéristiques du lot considéré et de l'état de l'environnement. Ce réglage repose sur l'utilisation d'un modèle reliant les différents facteurs au risque d'occurrence des défauts générant une non-qualité. Ce modèle est construit par apprentissage à partir des données de production. Il est utilisé dans un deuxième temps pour simuler un plan d'expériences afin de déterminer les réglages optimaux des paramètres contrôlables. La deuxième étape consiste à évaluer l'impact des taux de reprises résiduels sur la perturbation des flux. Une combinaison d'indicateurs est proposée qui permet de mettre en évidence différentes zones de comportement de l'atelier, l'objectif étant d'associer une règle de pilotage optimale à chacune de ces zones. L'ensemble de l'approche est déployée sur un cas industriel dans l'entreprise Acta-Mobilier, fabricant de panneaux laqués haut de gamme pour les cuisinistes, stands, mobiliers de magasins….
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".