Lean manufacturing dans la région métropolitaine de Montréal : niveaux de maturité et système d'opérationnalisation basé sur les objets connectés
Bibliographic record
Abstract
La productivité des entreprises manufacturières de la province du Québec est encore inférieure à celles de l’Ontario et même à la moyenne canadienne en général. Cependant, le lean manufacturing bien connu des milieux manufacturiers est un ensemble de pratiques techniques et non techniques dont la pertinence pour l’amélioration de la productivité est incontestée. Mais très curieusement, il est encore difficile pour plusieurs entreprises manufacturières de l’opérationnaliser. Le lean manufacturing dépend des personnes directement impliquées pour son application. Donc si dans une équipe de travail les membres ne sont pas sensibilisés à ses pratiques, cette équipe sera naturellement moins productive. Ce travail porte d’abord sur l’élaboration du portrait des pratiques du lean manufactuing d’un échantillon d’entreprises manufacturières de la région métropolitaine de Montréal ensuite, sur le développement d’un système d’opérationnalisation basé sur les objets connectés pour améliorer l’acquisition des compétences en pratiques du lean manufacturing par les membres des équipes de travail. La méthode utilisée correspond à une démarche hypothético-déductive. Deux groupes d’hypothèses ont été formulés et testés. Le premier groupe est relatif au lien entre les profils des entreprises manufacturières et les niveaux de maturité en pratiques du lean manufacturing. Le deuxième groupe est relatif aux effets de l’utilisation du système sur l’acquisition des compétences en pratiques du lean manufacturing par les membres des équipes de travail. Le premier groupe d’hypothèses a été testé avec les données provenant d’une enquête auprès d’un échantillon de 42 entreprises. Le deuxième groupe d’hypothèse a été testé avec les données provenant des expériences réalisées dans les laboratoires académiques manufacturiers.Les résultats du sondage analysés par la classification ascendante hiérarchique et le test exact de Fisher indiquent que le niveau de maturité en pratiques techniques de l’échantillon d’entreprises étudié est mitigé (score moyen de 51%) et est liée à la taille des entreprises (p-value = 0.001), mais pas statistiquement liée à leurs régions administratives d’implémentation (p-value = 0.057). Cependant, le niveau de maturité en pratiques non techniques est élevé (score moyen de 71%) et n’a pas de lien avec la taille des entreprises (p-value = 0.093) et encore moins avec la région administrative d’implantation (p-value = 0.494). Le système d’opérationnalisation développé est capable de détecter les temps d’attente, la surproduction, le surstockage, les mouvements inutiles et les déplacements inutiles soit, cinq des sept types de gaspillages. Il a également le potentiel de détecter la non-qualité pour le cas des industries de fabrication mécanique. L’expérimentation de ce système indique qu’il favorise l’acquisition des compétences en pratiques techniques (p-value = 0.004) et en pratiques non techniques (p-value = 0.003).La réalisation de ce travail qui se situe aux frontières du lean manufactuirng et de l’Internet des objets permet de recontextualiser le lean manufacturing. Il a le potentiel d’impacter positivement la productivité des entreprises manufacturières et les inciter au passage à l’industrie 4.0. Sur le plan académique, il peut servir à l’actualisation de l’enseignement du lean manufacturing.
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 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.003 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| 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".