‫الــجـــمـــهـــوريــة الــجــزائــريــة الــديــمــقــراطــيــة الــشــعــبــيــــة‬

République Algérienne Démocratique et Populaire

‫وزارة الــتــعــلــيــم الــعــالــي والــبــحــث الــعــلــمــــي‬

Ministère de l’Enseignement Supérieur et de la Recherche

Scientifique

‫المـــــدرســـــة الــوطــنــيــة العليا للــتــكــنــولــوجــيــات المــتــقــدمــة‬

Ecole Nationale Supérieure des Technologies Avancées

Département Génie Industriel et Maintenance

Mémoire de fin d’études en vue de l’obtention du diplôme

D’INGENIEUR d’État

Filière
Génie Industriel
Spécialité
Génie Industriel
Thème

Contribution à l’optimisation de la
performance industrielle
Cas : Laboratoires VENUS SAPECO
Réalisé par
BELMOUHOUB Fares
GUIA Mohamed Amine
Les membres de Jury :
BOUDHAR Hamza Président
RAHMOUNE Mahdi Examinateur
BOUGCHICHE Fazia Encadrante
Alger, le 30 / 06 /2024

2023-2024
 Dédicaces
À mes parents, vous avez toujours été mes premiers mentors et mes plus grands supporters. Votre

sagesse, vos sacrifices et votre dévouement inébranlable m’ont guidé tout au long de ma vie. Vous m’avez
inculqué les valeurs de persévérance, de travail acharné et de résilience. Sans votre amour et votre
soutien constants, je n’aurais pas pu réaliser ce mémoire de fin d’études. Merci du fond du cœur pour
tout ce que vous avez fait et continuez de faire pour moi.

À ma famille, vous avez été une source d'inspiration et ma plus grande force. Votre amour, votre
compréhension et votre patience infinie m’ont permis de poursuivre mes rêves et de surmonter les
obstacles. Vos encouragements incessants m’ont poussé à donner le meilleur de moi-même, et je vous en
suis éternellement reconnaissant.

À mes amis, vous avez été présents à chaque étape de ce voyage. Votre soutien inébranlable, vos conseils
précieux et votre volonté de m’écouter ont été d'une valeur inestimable. Vous avez su me divertir lorsque
j’en avais besoin et me rappeler l'importance de l'équilibre dans ma vie. Votre amitié sincère a illuminé
mes journées et rendu cette aventure encore plus mémorable.

Ce mémoire de fin d’étude est le fruit de nos efforts, mais il est aussi le reflet de vos contributions
indélébiles. Vos encouragements, vos conseils et votre amour ont été les ingrédients essentiels de notre
réussite. Je vous remercie du fond du cœur pour tout ce que vous avez fait et continuez de faire pour moi.

À mes parents, à ma famille, et à mes amis, cette dédicace vous est dédiée. Votre soutien inébranlable et
votre présence précieuse resteront à jamais gravés dans mon cœur. Vie sur vous.

Avec toute ma reconnaissance.

Amine

1
 Dédicaces
À mes parents, mes premiers guides et piliers constants,

Votre sagesse et vos sacrifices ont tracé la voie de ma réussite. Votre amour infatigable a été la fondation
sur laquelle j'ai bâti ce mémoire. Chaque victoire est autant la vôtre que la mienne. Merci pour tout ce
que vous donnez.

À ma famille, source d'inspiration et pilier de force,

Votre amour inconditionnel a nourri mon ambition et apaisé mes doutes. Ce mémoire porte la marque de
votre encouragement indéfectible. Je suis reconnaissant pour chaque instant partagé et chaque obstacle
surmonté ensemble.

À mes amis, Rostom, Ahmed, Omar, Rafik, Fouad et le meilleur, Abderrahmane, madame Ryma et mes
collègues de Green ECLUB, compagnons de route et joyeux complices,

Votre amitié sincère et vos conseils avisés ont été des trésors précieux. Ce mémoire est le fruit de nos
rires partagés et de nos défis relevés ensemble.

À mon cousin Omar YADJEL, qui a illuminé nos vies de sa présence,

Ta mémoire est une source d'inspiration inépuisable. Ce mémoire est un hommage sincère à ta vie et à
ton influence positive parmi nous. Que ton âme repose en paix, Inchaa Allah.

À vous tous, cette dédicace est dédiée. Votre soutien restera gravé dans mon cœur pour toujours.

Avec toute ma gratitude et mon amour sincère,

FARES

2
 Remerciements
Nous remercions ALLAH le tout puissant de nous avoir donné la santé et la volonté
d’entamer et de terminer ce mémoire.

Tout d’abord, ce travail ne serait pas aussi riche et n’aurait pas pu avoir vu le jour
sans l’aide de notre encadrante MmeBOUGCHICHE Fazia. Nous la remercions pour
la qualité de son encadrement exceptionnel, pour sa patience, sa rigueur et sa
disponibilité durant notre préparation de ce mémoire.

Merci à toute l’équipe de Laboratoires Venus qui nous ont accueillis dans leur
établissement au début de notre stage, nos remerciements les plus chaleureux vont à
notre encadreur Mr BENSALAH Mohamed et à Mr DIKHAI Abdellatif pour leur
encouragement, et surtout leur présence malgré leur charge professionnelle et leur
soutien tout au long de notre travail.

Nous voudrions aussi exprimer notre reconnaissance envers les amis et collègues qui
nous ont apporté leur soutien moral et intellectuel tout au long de ce projet.

Nos profonds remerciements vont également à toutes les personnes qui nous ont
aidées et soutenue de près ou de loin

Enfin, nous remercions vivement les membres du jury qui nous font l’honneur
d’évaluer notre projet.

Merci à vous tous.

GUIA & BELMOUHOUB

3
Table de matière
Liste des figures ......................................................................................................................... 7
Liste des tableaux ....................................................................................................................... 8
Abréviations ............................................................................................................................... 9
Introduction générale ................................................................................................................ 10
Chapitre I La Performance Industrielle.................................................................................... 12
1.1. Introduction ............................................................................................................... 13
1.2. Production et Gestion de Production ..........................................................................13
1.3. Les critères de la performance industrielle ................................................................. 13
1.3.1. Productivité ......................................................................................................... 13
1.3.2. Qualité ................................................................................................................ 13
1.3.3. Efficacité.............................................................................................................14
1.3.4. Coûts de Production ............................................................................................ 14
1.3.5. Flexibilité ............................................................................................................ 14
1.3.6. Délais de Production ........................................................................................... 14
1.3.7. Sécurité ............................................................................................................... 14
1.3.8. Impact Environnemental ..................................................................................... 14
1.4. Taux de Rendement Synthétique ............................................................................ 15
1.4.1. La Disponibilité ……………………………………………………………..... 15
1.4.2. La Performance ………………………………………………………………. 15
1.4.3. La Qualité ………………………………………………………………..….... 16
1.4.4. Calculer le TRS ................................................................................................... 17
1.4.5. Interpréter le TRS …………………………………………………………...... 17
1.5. Méthode pour l’évaluation et l’amélioration de la performance industrielle ................ 17
1.5.1 Pareto....................................................................................................................... 18
1.5.2 Single Minute Exchange of Die (SMED) ................................................................. 18
I. Les principes de base de la méthode SMED ............................................................... 18
II. Les avantages du SMED........................................................................................... 18
III. Comment appliquer la méthode SMED ................................................................... 19
IV. Les Quatre étapes principales de la méthode SMED ................................................ 20
1.6. Relation entre TRS et SMED ..................................................................................... 21
1.7. Conclusion ................................................................................................................. 21

4
Chapitre II Processus d’amélioration du TRS par la méthode SMED .......................... 23
2.1. Introduction ............................................................................................................... 24
2.2. Analyse des Temps de Changement de Série .............................................................. 24
2.2.1. Description du Processus de Changement de Série .............................................. 24
2.2.2. Temps de changement de série avant l’application du SMED .............................. 25
2.3. Mise en œuvre de la Méthode SMED ......................................................................... 26
2.3.1. Etape 1 : Identification des réglages internes et externes ......................................26
2.3.2. Etape 2 Externalisation des opérations................................................................. 27
2.3.3. Etape 3 : Rendre des opérations interne en externe .............................................. 28
2.3.4. Etape 4 : Réduire le temps des opérations internes ............................................... 28
2.4. Gains grâce à la méthode SMED ................................................................................ 29
2.5. Taux de rendement synthétique et l’impact du SMED ................................................ 29
2.5.1. Calcul du TRS quotidien pendant vingt et un jours .............................................. 29
2.5.2. Résultat avant l’implémentation de la méthode SMED ........................................ 30
2.5.3. Implémentation de la méthode SMED ................................................................. 31
2.5.4. Impact de la méthode SMED sur le TRS ............................................................. 32
2.6. Conclusion ................................................................................................................. 33
Chapitre III Choix et application d’un modèle prédictif pour l’optimisation de la production
................................................................................................................................................. 34
3.1. Introduction ............................................................................................................... 35
3.2. Processus du choix du modèle à appliquer.................................................................. 35
3.3. Description des données ............................................................................................. 35
3.3.1. Présentation des Données .................................................................................... 36
3.3.2 Analyse des Données ........................................................................................... 36
3.4. Préparation des Données ............................................................................................ 37
3.4.1. Cas 1 : Données Sans Traitement ........................................................................ 37
3.4.2. Cas 2 : Traitement des Données COVID ............................................................. 38
3.4.3. Cas 3 : Suppression de l'Année 2020 COVID ...................................................... 39
3.4.4. Cas 4 : Suppression des Valeurs Aberrantes ........................................................ 40
3.4.5. Cas 5 : Normalisation des Valeurs Aberrantes ..................................................... 41
3.5. Modélisation .............................................................................................................. 42
3.5.1. Modèle SARIMA ................................................................................................ 42
3.5.2. Modèle Foret Aléatoire ....................................................................................... 45
3.5.3. Modèle Holt Winters ........................................................................................... 48
3.6. Evaluation des modèles .............................................................................................. 50
3.6.1. SARIMA.............................................................................................................50

5
 3.6.2. Forêt Aléatoire .................................................................................................... 51
3.6.3. Holt Winters........................................................................................................ 52
3.7. Résultats et Discussions ............................................................................................. 53
3.8. Conclusion ................................................................................................................. 54
Chapitre IV Implantation d’un projet GMAO conforme aux objectifs de l’entreprise ............. 55
4.1. Introduction ............................................................................................................... 56
4.2. Généralité sur un projet GMAO ................................................................................. 56
4.2.1. Analyse des besoins ............................................................................................ 57
4.2.2. Objectifs du Projet GMAO .................................................................................. 59
4.2.3. Sélection du logiciel ............................................................................................ 60
4.2.4. Planification du projet GMAO ............................................................................ 61
4.2.5. Mise en œuvre du projet ManageMaint ............................................................... 62
4.3. Conclusion ................................................................................................................. 78
Conclusion Générale ................................................................................................................ 79
Références Bibliographiques .................................................................................................... 80
Annexes ................................................................................................................................... 82
Annexe A : Présentation de l’entreprise lieu de stage Laboratoires VENUS SAPECO .............. 82
Annexe B : Fiche technique de la machine ASB 70-DPW......................................................... 86
Annexe C : IA pour les prévisions de la production .................................................................. 87
Résumé .................................................................................................................................. 102

6
Liste des figures
Figure 1 : Répartition des ventes pendant les mois au cours des années................................. 36
Figure 2 : Processus de Maintenance actuel ..........................................................................57
Figure 3 : Calendrier du projet GMAO ................................................................................. 62
Figure 4 : Interface graphique de ManageMaint4 .................................................................. 62
Figure 5 : Gestion des Machines-Détails ............................................................................... 63
Figure 6 : Gestion des Machines-Divers ............................................................................... 63
Figure 7 : Gestion des Machines-Images ............................................................................... 64
Figure 8 : Gestion des Machines-Remarques ........................................................................ 64
Figure 9 : Gestion des Machines-Fichiers .............................................................................64
Figure 10 : Gestion des Machines-Arrêts .............................................................................. 65
Figure 11 : Gestion des Machines-Organes ...........................................................................65
Figure 12 : Gestion du Magasin-Listes des articles du magasin .............................................66
Figure 13 : Gestion du Magasin-Détails. ............................................................................... 66
Figure 14 : Gestion du Magasin-Divers................................................................................. 67
Figure 15 : Gestion du Magasin-Images ................................................................................ 67
Figure 16 : Gestion du Magasin-Fichiers .............................................................................. 68
Figure 17 : Gestion du Magasin-Fournisseurs ....................................................................... 68
Figure 18 : Gestion du Magasin-Magasin rempli................................................................... 69
Figure 19 : Gestion du Magasin-Détails fournisseurs ............................................................ 69
Figure 20 : Gestion du Personnel-Détails .............................................................................. 70
Figure 21 : Gestion du Personnel-Liste du personnel ............................................................ 70
Figure 22 : Contrats de Maintenance-Détails ........................................................................ 71
Figure 23 : Contrats de Maintenance..................................................................................... 71
Figure 24 : Gestion des demandes d’Achats-Détails.............................................................. 72
Figure 25 : Gestion des demandes d’achats- Liste des demandes d’Achat. ............................ 72
Figure 26 : Indicateurs MTBF /MTTR .................................................................................. 73
Figure 27 : Tableau de Bord ................................................................................................. 73
Figure 28 : Configuration d’impression des Demandes-Demande d’achat. ............................ 74
Figure 29 : Gestion de Module Android ................................................................................ 75
Figure 30 : Application ManageMaint sur Android ............................................................... 76
Figure 31 : Rapport sur les indicateurs de performance de la maintenance, INJECTION-
SOUFFLAGE. ...................................................................................................................... 77

7
Liste des tableaux
Tableau 1 : Temps de changement de série de la machine ..................................................... 16
Tableau 2 : Les différentes opérations et leurs durées ........................................................... 17
Tableau 3: Les opérations pouvant être externalisées et leurs durées ..................................... 19
Tableau 4 : Les rationalisations des réglages internes............................................................ 28
Tableau 5 : Analyse et résultat de la méthode SMED ............................................................ 29
Tableau 6 : Gain de la méthode SMED ................................................................................. 29
Tableau 7: Exemple du calcul du TRS quotidiennement ....................................................... 30
Tableau 8: Taux et durée moyenne du TRS et du changement de série pendant 3 semaines... 31
Tableau 9 : Taux et durée moyenne du TRS et du changement de série après SMED ............ 31
Tableau 10 : TRS et impact du SMED .................................................................................. 32
Tableau 11 : Données de production des mois selon les années .............................................25
Tableau 12 : Production mensuelle et évolution de la production en fonction des années ......26
Tableau 13 : Données de production après le traitement de l’année COVID 2020. ................ 39
Tableau 14 : Données de production en supprimant l’année du COVID 2020 ....................... 32
Tableau 15 : Valeur aberrante des données ..........................................................................32
Tableau 16 : Normalisation de la valeur aberrante................................................................. 42
Tableau 17 : Cas 1 Modèle SARIMA ................................................................................... 43
Tableau 18 : Cas 2 Modèle SARIMA ................................................................................... 43
Tableau 19 : Cas 3 SARIMA ............................................................................................... 44
Tableau 20 : Cas 4 SARIMA ................................................................................................ 44
Tableau 21 : Cas 5 SARIMA ................................................................................................ 45
Tableau 22 : Cas 1 Foret Aléatoire ........................................................................................ 45
Tableau 23 : Cas 2 Foret Aléatoire ........................................................................................ 46
Tableau 24 : Cas 3 Foret Aléatoire ....................................................................................... 46
Tableau 25: Cas 4 Foret Aléatoire................................................ Erreur ! Signet non défini.
Tableau 26 : Cas 5 Foret Aléatoire ........................................................................................ 48
Tableau 27 : Cas 1 Holt Winters........................................................................................... 48
Tableau 28 : Cas 2 Holt Winters ........................................................................................... 49
Tableau 29 : Cas 3 Holt Winters ................................................... Erreur ! Signet non défini.
Tableau 30 : Cas 4 Holt Winters ........................................................................................... 50
Tableau 31 : Cas 5 Holt Winters ........................................................................................... 50
Tableau 32 : Résultat du modèle SARIMA en fonction de la MAPE ..................................... 50
Tableau 33 : Résultat du modèle Foret Aléatoire en fonction de la MAPE ............................ 51
Tableau 34 : Résultat du modèle Holt Winters en fonction de la MAPE ................................ 52

8
Abréviations

5S : Seiri, Seiton, Seiso, Seiketsu, et Shitsuke

BOM : Bill Of Materials
ERP : Enterprise Ressource Planning
EWMA : Exponentially Weighted Moving Average
GMAO : Gestion de la Maintenance Assistée par Ordinateur
IA : Intelligence Artificielle
ISO : International Standardization Organization
KPI : Key Performance Indicators
MAPE : Mean Absolute Percentage Error
ML : Machine Learning
PDR : Pièces De Rechange
SARIMA : Seasonal AutoRegressive Integrated Moving Average
SAV : Service Après-Vente
SCM : Supply Chain Management
SMED : Single Minute Exchange of Dies
TOC : Theory Of Constraints
TRS : Taux de Rendement Synthétique
VSM : Value Stream Mappi

9
Introduction générale

De nos jours, les entreprises sont confrontées à une forte concurrence en matière de qualité offerte
aux clients. Pour atteindre un niveau de compétitivité optimal, il est primordial d'améliorer d'abord
la productivité au sein de l'entreprise. Afin de maintenir cette compétitivité, les entreprises doivent
viser une croissance continue et innovante, produire des biens de haute qualité et réduire les délais
de production. Concevoir des systèmes de fabrication flexibles et performants est la voie à suivre
pour progresser vers une production allégée.
Pour améliorer la qualité et quantité offerte aux consommateurs, Le taux de rendement synthétique
(TRS) est un indicateur clé de performance dans l'industrie manufacturière qui mesure l'efficacité
globale d'un équipement ou d'une ligne de production.
Dans un contexte de concurrence accrue, augmenter son TRS devient un enjeu crucial pour
optimiser les processus et maximiser la rentabilité. Comprendre, calculer et améliorer le TRS
nécessite une approche méthodique et l'utilisation de solutions technologiques adaptées.
L'intelligence artificielle figure parmi les technologies les plus récentes et performantes pour
améliorer l'efficacité du secteur industriel.
L'intelligence artificielle est un domaine de l'informatique qui vise à créer des systèmes capables
de réaliser des tâches qui nécessitent habituellement de l'intelligence humaine, comme la
perception visuelle, la reconnaissance vocale, la prise de décision et la traduction entre langues.
Dans le contexte des prévisions de production, l'IA est utilisée pour analyser les données
historiques, détecter les tendances, anticiper les demandes du marché, et optimiser les processus
de production.
L'impact de l'IA sur l'industrie manufacturière est significatif. Elle permet d'améliorer la
maintenance prédictive des équipements, de réduire les temps d'arrêt imprévus, d'optimiser
l'efficacité opérationnelle, et d'assurer une production plus efficace et de meilleure qualité. Grâce
à l'IA, les entreprises peuvent anticiper les besoins en matière de production, ajuster les niveaux
de stock, et optimiser les processus pour répondre de manière proactive à la demande du marché.
En intégrant l'IA dans les prévisions de production, les entreprises peuvent améliorer leur
compétitivité, réduire les coûts, et augmenter leur efficacité opérationnelle.
La GMAO, ou Gestion de la Maintenance Assistée par Ordinateur, est un outil informatique utilisé
pour planifier, organiser, suivre et optimiser les activités de maintenance au sein d'une entreprise.
Elle permet de gérer efficacement les équipements, les interventions de maintenance, les pièces de
rechange, et d'assurer un suivi précis de l'état des actifs.
Dans ce mémoire, nous avons appliqué les connaissances acquises durant notre formation pour
optimiser le Taux de Rendement Synthétique (TRS), améliorer la productivité grâce à l'intelligence
artificielle (IA) et faciliter la gestion de la maintenance par le biais d'un logiciel de Gestion de
Maintenance Assistée par Ordinateur (GMAO).
L'accès aux données constitue également un défi majeur, particulièrement dans les grandes
entreprises. Après de longues discussions avec le responsable de stage et le directeur de
production, nous avons réussi à obtenir les données de production d'une machine spécifique ainsi
que le nombre de défaillances. La confiance, un facteur variable selon les organisations, a été
gagnée dans notre cas, nous permettant de diagnostiquer et de proposer des solutions.

10
Notre motivation provient de notre intérêt pour les domaines du TRS, de l'IA et de la GMAO.
Nous étions à l'aise dans le choix du sujet, bénéficiant également des conseils et recommandations
de notre encadrante. L'objectif de notre étude est d'améliorer la productivité, la gestion de la
maintenance et le TRS, impliquant la disponibilité et la performance des équipements ainsi que la
qualité des unités produites. Pour atteindre ces objectifs, il est crucial de mesurer les indicateurs
de performance et de suivre sur une longue durée les avis et les chiffres réalisés par l'entreprise.
Ce mémoire est structuré en quatre chapitres avec une introduction et une conclusion générale. Le
premier chapitre se base sur la définition de la performance industrielle. Le deuxième chapitre
traite de l'amélioration du Taux de Rendement Synthétique (TRS) via la méthode SMED. Le
troisième chapitre présente notre solution basée sur l'intelligence artificielle pour augmenter la
productivité. Le quatrième chapitre aborde l'implémentation d'un système de Gestion de
Maintenance Assistée par Ordinateur (GMAO), avec des perspectives et recommandations pour
l'entreprise.

11
Chapitre I La Performance Industrielle

12
1.1. Introduction

La performance industrielle est définie par la capacité de l'entreprise à atteindre ses objectifs en
termes de qualité, de quantité, de coût et de délais. Elle est influencée par plusieurs facteurs, tels
que la gestion efficace de la production, la maintenance des équipements, la gestion des stocks et
des flux de production, et la satisfaction des clients.
Pour améliorer sa performance, une entreprise doit mettre en place des stratégies efficaces pour
gérer sa production, assurer la maintenance de ses équipements et utiliser des outils appropriés
pour mesurer et optimiser ses performances. Cela implique de développer une culture de
performance qui encourage les employés à être responsables et à chercher continuellement à
améliorer les processus.
Nous discuterons dans ce chapitre les critères de la performance industrielle, tels que l'efficacité,
la qualité, la flexibilité et la réactivité. Chacun de ces critères joue un rôle vital dans l'évaluation
et l'amélioration des processus de production.
Les outils de la performance industrielle seront ensuite abordés. Des méthodes comme l'analyse
de Pareto et la méthode SMED sont essentielles pour identifier les inefficacités, prioriser les
actions correctives et mettre en œuvre des améliorations continues.
Enfin, nous aborderons la relation entre deux outils de la performance industrielle utilises dans
cette étude.

1.2. Production et Gestion de Production

‘‘La production et la gestion de la production sont des éléments essentiels de toute entreprise
manufacturière. Ces processus permettent de transformer des matières premières en produits finis,
répondant aux exigences de qualité, de coût et de délai, tout en optimisant l'utilisation des
ressources disponibles. Comprendre et maîtriser ces concepts est crucial pour maintenir la
compétitivité et la rentabilité d'une entrepris’’ COURTOIS, Alain, et al. Gestion de Production. 4e
éd.

1.3. Les critères de la performance industrielle

La performance industrielle est évaluée à travers plusieurs critères clés, qui permettent de mesurer
l'efficacité, la qualité, et la rentabilité des processus de production. Ces critères, qui sont souvent
interconnectés, fournissent une vision complète de la santé et de l’efficacité d’une entreprise
industrielle. Nous citons les principaux critères de la performance industrielle :

1.3.1. Productivité
La productivité mesure la quantité de biens produits par unité de temps ou de ressources. Elle est
un indicateur crucial de l'efficacité des processus de production. La productivité peut être calculée
à différents niveaux : par machine, par opérateur, par ligne de production, ou pour l'ensemble de
l'usine. L'objectif est d'optimiser les ressources disponibles pour maximiser la production sans
sacrifier la qualité.

1.3.2. Qualité
La qualité des produits est un critère fondamental de la performance industrielle. Elle se réfère à
la conformité des produits aux spécifications et aux attentes des clients. La gestion de la qualité
13
implique des contrôles rigoureux tout au long du processus de production pour détecter et corriger
les défauts. Des indicateurs comme le taux de rejet, le taux de retours clients, et le nombre de
réclamations sont utilisés pour évaluer la qualité.

1.3.3. Efficacité
L'efficacité mesure l'utilisation optimale des ressources pour atteindre les objectifs de production.
Cela inclut l'efficacité des machines, des opérateurs, et des processus. Un indicateur couramment
utilisé est le Taux de Rendement Synthétique (TRS), qui combine la disponibilité, la performance,
et la qualité pour donner une image globale de l’efficacité de la production.

1.3.4. Coûts de Production

Les coûts de production représentent l'ensemble des dépenses nécessaires pour fabriquer un
produit ou fournir un service. Ils incluent les coûts des matières premières, de la main-d'œuvre
directe, de l'énergie utilisée, ainsi que les frais de maintenance des équipements. Ces coûts sont
essentiels à maîtriser pour maintenir la compétitivité de l'entreprise, car ils impactent directement
la rentabilité. Une gestion efficace des coûts de production permet d'identifier des opportunités
d'économies tout en préservant la qualité et la productivité des opérations industrielles.

1.3.5. Flexibilité
La flexibilité est la capacité de l’entreprise à s’adapter rapidement aux changements de la demande,
aux nouvelles exigences des clients, ou aux innovations technologiques. Une production flexible
peut répondre efficacement aux variations de volumes de production, aux personnalisations des
produits, et aux changements dans la chaîne d'approvisionnement.

1.3.6. Délais de Production

Les délais de production sont cruciaux pour satisfaire les clients et maintenir des niveaux de stocks
optimaux. Les entreprises cherchent à minimiser le temps de cycle de production, qui est le temps
total nécessaire pour produire un produit, de l'entrée des matières premières à la sortie du produit
fini. Des délais courts et fiables augmentent la satisfaction des clients et réduisent les coûts de
stockage.

1.3.7. Sécurité
La sécurité au travail est un critère essentiel de la performance industrielle. Un environnement de
travail sûr réduit les risques d’accidents, les arrêts de production, et les coûts liés aux assurances
et aux indemnisations. Les entreprises mettent en place des mesures de prévention, des formations,
et des protocoles de sécurité pour protéger leurs employés.

1.3.8. Impact Environnemental

L'impact environnemental des activités industrielles est de plus en plus scruté. Les entreprises
doivent respecter les réglementations environnementales et chercher à réduire leur empreinte
écologique. Cela inclut la gestion des déchets, la réduction des émissions polluantes, et l’utilisation
efficace des ressources naturelles. Des certifications comme ISO 14001 peuvent attester de
l'engagement d'une entreprise en matière de gestion environnementale.
En surveillant et en optimisant ces critères, les entreprises peuvent améliorer leur compétitivité,
répondre aux attentes des clients, et assurer une croissance durable.
14
 1.4. Taux de Rendement Synthétique
Le TRS est un indicateur clé de performance qui mesure l'efficacité globale d'un système de
production en combinant trois éléments : la disponibilité, la performance et la qualité. Il offre une
vue d'ensemble de l'efficacité des opérations et permet d'identifier les domaines nécessitant des
améliorations.
1.4.1. La Disponibilité
La disponibilité d'un système de production est d'une importance capitale pour garantir la
continuité des opérations et minimiser les pertes de production. C'est pourquoi le Taux de
Disponibilité constitue l'un des trois piliers fondamentaux du Taux de Rendement Synthétique
(TRS), un indicateur clé de performance (ICP) crucial pour mesurer l'efficacité globale d'un
processus de production.
a. Calcul de la Disponibilité
Pour évaluer la disponibilité, on utilise la formule suivante :
Disponibilité = (Temps de Fonctionnement/Temps Requis) ×100 ……… (1)
● Temps de Fonctionnement : Il s'agit de la durée totale pendant laquelle le système est
opérationnel, indépendamment de la conformité des biens ou des services produits.
● Temps Requis : Ce temps correspond à la période totale durant laquelle le système était censé être
opérationnel, incluant les arrêts planifiés (comme la maintenance et le nettoyage) et les arrêts
imprévus (tels que les pannes et les incidents).
b. Facteurs Affectant la Disponibilité
Plusieurs éléments peuvent influencer la disponibilité d'un système de production :
● Pannes : Les défaillances mécaniques, électriques ou électroniques sont des causes fréquentes de
pertes de disponibilité.
● Maintenance Préventive : Ces arrêts planifiés sont essentiels pour assurer le bon fonctionnement
à long terme du système et pour prévenir les pannes imprévues.
● Erreurs de Manipulation : Les erreurs humaines peuvent entraîner des interruptions de la
production et une perte de temps précieux.
● Problèmes d'Approvisionnement : Les ruptures de stock en matières premières ou en
composants peuvent également nuire à la disponibilité du système de production.

1.4.2. La Performance
La performance d'un système de production ne se limite pas à sa simple disponibilité. Il est
également essentiel de mesurer sa capacité à fonctionner à un rythme optimal et à produire des
biens ou des services conformes aux spécifications de qualité. C'est pourquoi le Taux de

15
 Performance constitue le deuxième pilier fondamental du Taux de Rendement Synthétique (TRS),
un indicateur clé de performance (ICP) crucial pour évaluer l'efficacité globale d'un processus de
production.
Le taux de performance évalue la proportion de temps pendant lequel un système de production
fonctionne à sa vitesse optimale, produisant des biens ou services conformes aux standards de
qualité. Exprimé en pourcentage, un taux de performance de 100% indique que le système
fonctionne constamment à pleine capacité.
a. Calcul du Taux de Performance
Pour déterminer le taux de performance, la formule suivante est utilisée :
Taux de Performance= (Temps de Production Net/Temps de Fonctionnement) ×100 … (2)
● Temps de Production Net : C'est la durée pendant laquelle le système de production fabrique
effectivement des biens ou des services sans écarts de cadence.
● Temps de Fonctionnement : Il s'agit de la durée totale pendant laquelle le système est
opérationnel, indépendamment de la conformité des biens ou des services produits.
b. Facteurs Affectant le Taux de Performance
Plusieurs facteurs peuvent influencer le taux de performance d'un système de production :
● Pertes de Cadence : Ces pertes peuvent survenir en raison de problèmes techniques, d'arrêts
intermittents, de changements de format ou de réglages inefficaces.
● Rebuts et Produits Non Conformes : Les défauts de qualité, les erreurs de manipulation et les
mauvais réglages des machines peuvent entraîner la production de biens non conformes, réduisant
ainsi le taux de performance.
● Micro-Arrêts : Ces interruptions courtes mais fréquentes peuvent être causées par des problèmes
d'alimentation, des pannes logistiques ou des défaillances de capteurs.

1.4.3. La Qualité
La qualité des produits ou services finis est un élément essentiel de la satisfaction client et de la
réputation d'une entreprise. C'est pourquoi le Taux de Qualité constitue le troisième pilier
fondamental du Taux de Rendement Synthétique (TRS), un indicateur clé de performance (ICP)
crucial pour évaluer l'efficacité globale d'un processus de production.
Le Taux de Qualité mesure la proportion de produits finis qui respectent les spécifications de
qualité établies par l'entreprise. Exprimé en pourcentage, un taux de qualité de 100% signifie que
tous les produits fabriqués sont conformes aux exigences de qualité.
a. Calculer le Taux de Qualité : Une Mesure de la Performance Qualitative
La formule de calcul du Taux de Qualité est la suivante :
Taux de Qualité = (Temps de Production Utile/Temps de Production Net) ×100 ……(3)
16
● Temps de Production Utile : C'est la durée pendant laquelle le système de production fabrique
effectivement des biens ou des services qui répondent aux spécifications de qualité.
● Temps de Production Net : C'est la durée pendant laquelle le système de production fabrique
effectivement des biens ou des services sans écarts de cadence.
b. Facteurs Influant sur le Taux de Qualité
Divers éléments peuvent affecter le Taux de Qualité d'un système de production :
● Défauts de Fabrication : Ceux-ci peuvent être causés par des problèmes techniques, des erreurs
de manipulation, des réglages incorrects des machines ou l'utilisation de matières premières de
mauvaise qualité.
● Contrôles Qualité Insuffisants : Des procédures de contrôle inefficaces ou un manque de rigueur
dans les inspections peuvent laisser passer des produits non conformes.
● Problèmes d'Approvisionnement : L'utilisation de matières premières ou de composants de
qualité inférieure peut impacter la qualité des produits finis.

1.4.4. Calculer le TRS

Le calcul du Taux de Rendement Synthétique (TRS) est relativement simple et repose sur la
formule suivante :
TRS = (Taux de Disponibilité x Taux de Performance x Taux de Qualité) /100 ……(4)

1.4.5. Interpréter le TRS

Le TRS est exprimé en pourcentage, avec un score idéal de 100% indiquant une efficacité
maximale du système de production. En réalité, les valeurs du TRS varient en fonction du
secteur industriel et de la complexité des processus de production.
Un TRS inférieur à 80% est généralement préoccupant et révèle des opportunités significatives
d'amélioration. En analysant les composants du TRS, il est possible d'identifier les sources précises
des inefficacités et de mettre en œuvre des actions correctives ciblées.

1.5. Méthode pour l’évaluation et l’amélioration de la performance

industrielle
La performance industrielle repose sur l'utilisation d'une variété d'outils et de méthodes permettant
d'optimiser les processus de production, de réduire les coûts et d'améliorer la qualité des produits.
Parmi ses outils nous trouvons notamment :

17
1.5.1 Pareto
La méthode Pareto, également connue sous le nom de principe de Pareto ou loi des 80/20, postule
que dans de nombreuses situations, 80% des résultats sont générés par 20% des causes. Cette
approche, appliquée à la prise de décision, permet de cibler les aspects les plus influents et
d'optimiser l'utilisation des ressources disponibles.
Son fonctionnement se déroule en trois étapes simples : identification des causes et des effets,
quantification de ces effets, puis classement des causes par ordre d'importance en commençant par
celles ayant le plus grand impact. L'outil Pareto revêt une importance cruciale pour la prise de
décisions efficaces, offrant plusieurs avantages stratégiques : il permet de prioriser les actions en
se concentrant sur les causes les plus significatives, d'allouer les ressources de manière efficiente
en les dirigeant vers les causes les plus critiques, et d'améliorer la performance globale de
l'entreprise en mettant l'accent sur les éléments clés.

1.5.2 Single Minute Exchange of Die (SMED)

Abréviation de Single Minute Exchange of Dies (changement rapide d’outillage en moins de 10
minutes), le SMED est une méthode qui vise à diminuer le temps de de changement d’outils de
production de réglage entre deux séries. Lorsqu'une pièce d'équipement de fabrication doit être
remplacée, le temps de changement peut entraîner des temps d'arrêts coûteux et imprévus. Le
SMED, composant essentiel du Lean Manufacturing, permet de réduire les rebuts, stimuler la
productivité et baisser les coûts au sein d'un processus.
I. Les principes de base de la méthode SMED
Le passage d’une série de production à une autre au sein d’un environnement industriel entraîne
souvent un changement d’outillage ou de réglages de machines. Cela engendre un temps d’arrêt
des machines ou de la production. L'ingénieur industriel japonais Shigeo Shingo a été le premier
à mettre en place la méthode SMED. Il a alors réussi à diminuer de 94 % en moyenne les temps
de changement de série dans les entreprises avec lesquelles il a travaillé.
L'objectif de cette méthode est de réduire le temps d’arrêt des machines ou du procédé durant le
changement de plusieurs heures à moins de 10 minutes. En effet l’expression « Single Minute »
dans l'appellation "Single Minute Exchange of Dies" qui devrait être traduit par « une minute »
porte à confusion. Il signifie que le temps d’arrêt nécessaire au changement se compte avec un
seul chiffre, donc entre 0 et 9.
Pour atteindre cet objectif, les opérateurs d'usine sont encouragés à anticiper et effectuer autant de
tâches que possible en amont du changement, les équipes sont amenées à travailler en parallèle et
un mode opératoire standard et optimisé doit être créé.
II. Les avantages du SMED
Plusieurs avantages sont reliés aux SMED, parmi eux :
18
 a. Des lots plus petits
Des changements rapides et efficaces permettent de changer de produit en douceur, ce qui permet
aux fabricants de passer facilement d'un lot à l'autre. La réduction de la taille des lots permet de
diminuer les coûts de stockage, de réduire les déchets et de diminuer l'espace nécessaire au
stockage et à la manipulation des matériaux.
b. Réduction des coûts de fabrication
En réduisant le temps de changement et la maintenance planifiée avec la réalité augmentée, les
fabricants peuvent minimiser les coûts directs des matériaux et réduire les rebuts jusqu'à 50 %.
c. Procédures de changement normalisées
Lorsque les changements sont plus rapides, les ateliers de fabrication peuvent réduire les temps
d'arrêt des équipements et optimiser leurs procédures. L'un des principaux objectifs d'un système
SMED est d'effectuer de nombreuses étapes de changement pendant que la machine est en marche,
en en laissant le moins possible pour le changement proprement dit réduisant ainsi les temps d'arrêt
inutiles de l'équipement.
d. Augmentation des taux de travail des machines
La mise en œuvre d'un système SMED peut permettre d'effectuer les arrêts de changement pendant
que les machines sont encore en marche et de rationaliser les flux de matériaux après le
changement afin d'accélérer les temps de démarrage.
e. Meilleure réactivité à la demande des clients
La réduction de la taille des lots, la diminution de la fréquence de la maintenance planifiée et la
rationalisation des flux de travail permettent d'assouplir le calendrier. Ces avantages peuvent
également ouvrir la voie à une planification plus constructive de la production, ce qui garantit que
les équipes de fabrication restent en phase avec les besoins des clients.
III. Comment appliquer la méthode SMED
Avant d'entamer l'implémentation de la méthode SMED, il est essentiel d'évaluer les étapes les
moins efficaces de procédures actuelles. Avant de choisir une zone de travail spécifique pour
l'application de la méthode SMED, plusieurs éléments de production doivent être pris en compte :
les temps de changement d'outil ou de réglage excessifs, les variations de ces temps de
changement, la fréquence des besoins de changement dans la zone (ce qui servira à évaluer
l'efficacité de la méthode), la familiarité des employés avec l'équipement et les machines, et
l'identification de la zone comme un goulot d'étranglement dans le flux de production. Une fois
ces aspects analysés, nous pouvons procéder aux quatre étapes de mise en œuvre de la méthode
SMED afin de débuter la réduction des temps de changement.

19
IV. Les Quatre étapes principales de la méthode SMED

L’approche SMED s’articule sur quatre étapes essentielles :

a. Déterminer le chantier pilote
Un prérequis dans l’identification du chantier pilote est de s'assurer de l’adhésion et de la
motivation des équipes pour améliorer la performance. Les tâches manuelles les plus complexes
de la procédure de changement peuvent être simplifiées avec la réalité augmentée (RA). Les
employés sont alors guidés pas à pas grâce aux instructions numériques visualisées en 3D. Celles-
ci viennent se superposées directement à leur environnement de travail. L'accès à ces instructions
de travail en RA simples et contextualisées, aide à l’assimilation de l’information chez les
opérateurs. Cela améliore considérablement leur compréhension de chaque étape du processus de
changement et réduit les erreurs dans l’exécution.
b. Identifier les réglages internes et externes
Une fois identifiée la zone de test, il faut lister toutes les opérations internes et externes nécessaires
au changement pour mieux comprendre l’intégralité du processus et pouvoir chronométrer chaque
étape.
L’approche SMED différentie deux types de réglages :
Les réglages internes : les opérations qui sont réalisées lorsque la machine est à l’arrêt
Les réglages externes : les opérations qui peuvent être effectuées pendant que la machine
fonctionne. Cela comprend tous les réglages nécessaires en amont du changement. (Préparations
des outils, préchauffage etc.)

c. Convertir un maximum de réglages internes en réglages externes

La méthode SMED se concentre sur « l'externalisation » du plus grand nombre d'opérations
internes. Chaque réglage doit être analysé pour voir s’il peut être fait pendant que la machine est
encore en fonctionnement. Grâce à celles-ci, les équipes peuvent mieux identifier les réglages
internes qui peuvent être transformés en réglages externes, et ainsi réduire les temps d’arrêt.

d. Rationaliser les réglages internes

Une fois identifiée les réglages externes, il faut rationaliser les réglages internes restants. Une usine
connectée à l’aide de solutions numériques peut faciliter l’optimisation de ces opérations internes
pour augmenter la productivité et réduire les inefficacités.
Pour conclure, la méthode SMED (Single Minute Exchange of Die) se révèle être une stratégie
efficace pour optimiser la production industrielle en réduisant considérablement les temps de
changement de série. Elle repose sur une distinction clé entre les réglages internes, nécessitant

20
 l'arrêt de la machine, et les réglages externes, pouvant être réalisés pendant le fonctionnement de
la machine, avec pour objectif de convertir autant de réglages internes que possible en réglages
externes. Le SMED est une méthode incontournable pour les entreprises industrielles cherchant à
rester compétitives dans un environnement en perpétuelle évolution. Son application permet non
seulement d'optimiser les processus de production, mais aussi de renforcer la capacité d'adaptation
et d'innovation des entreprises.

1.6. Relation entre TRS et SMED

Le Single Minute Exchange of Dies (SMED) est une méthode d’amélioration de la performance
industrielle, et le Taux de Rendement Synthétique (TRS) est un indicateur pour l’évaluation de la
performance industrielle.
Le SMED se concentre sur la réduction des temps de changement de série, c'est-à-dire le temps
nécessaire pour passer d'une production à une autre. Des temps de changement de série courts
permettent aux machines de fonctionner plus longtemps et de produire plus, ce qui se traduit par
une augmentation de la productivité.
Le TRS, en revanche, est une mesure globale de la performance d'une machine ou d'un processus.
Il prend en compte non seulement les temps de changement de série, mais également les pannes,
les arrêts programmés et les pertes de performance. Un TRS élevé indique qu'une machine ou un
processus fonctionne de manière efficace et produit le maximum de pièces ou de produits dans le
temps imparti.
En principe, le SMED et le TRS sont liés de plusieurs façons :
a. Une réduction des temps de changement de série contribue à augmenter le TRS. En effet, moins
de temps est consacré aux changements de série, plus de temps est disponible pour la production.
b. La volanté de l'amélioration du TRS peut motiver la mise en œuvre du SMED. Si les entreprises
constatent que leurs machines ou leurs processus ont un TRS faible, elles peuvent être incitées à
mettre en œuvre le SMED pour réduire les temps de changement de série et améliorer la
performance.
c. Le SMED et le TRS partagent des principes communs. Ils mettent tous deux l'accent sur
l'élimination des gaspillages, l'amélioration de l'efficacité et la maintenance préventive.

1.7. Conclusion
La performance industrielle repose sur des critères interdépendants qui, optimisés, peuvent
transformer les opérations d'une entreprise. La gestion de la production et la maintenance
industrielle sont fondamentales pour assurer fluidité et efficacité. Une organisation de la
production bien planifiée maximise l'utilisation des ressources et minimise les pertes et les temps
d'arrêt.
21
Des critères comme la disponibilité et le Taux de Rendement Synthétique (TRS) sont cruciaux
pour évaluer l'efficacité des systèmes de production. La disponibilité mesure le temps opérationnel
des équipements, tandis que le TRS intègre disponibilité, performance et qualité pour donner une
vue d'ensemble de l'efficacité.

Les outils de performance industrielle, comme la Gestion de la Maintenance Assistée par

Ordinateur (GMAO) et les technologies de l'intelligence artificielle, sont essentiels pour
l'amélioration continue des processus. Ils permettent la collecte et l'analyse de données en temps
réel, facilitant des décisions informées et des stratégies d'optimisation.

Les prévisions pour l'optimisation de la performance industrielle anticipent les besoins futurs,
planifient efficacement les ressources et gèrent les risques potentiels. En utilisant l'analyse des
données historiques et la modélisation prédictive, les entreprises peuvent améliorer leur agilité et
leur réactivité face aux évolutions du marché et des technologies.

Le chapitre suivant abordera l’application de la méthode SMED afin d’optimiser le TRS et la

disponibilité d’une machine critique au sein de l’entreprise de stage Laboratoires VENUS
SAPECO.

22
Chapitre II Processus d’amélioration du
TRS par la méthode SMED

23
 2.1. Introduction

Dans un environnement industriel en perpétuelle évolution, l'efficacité opérationnelle est cruciale

pour la compétitivité des entreprises. Le Taux de Rendement Synthétique (TRS) est un indicateur
clé de performance qui évalue l'efficacité globale d'une machine ou d'une ligne de production, en
prenant en compte la disponibilité, la performance et la qualité. Toutefois, maintenir un TRS élevé
pose des défis, notamment en raison des temps de changement de série. La méthode SMED (Single
Minute Exchange of Die), développée par l'ingénieur japonais Shigeo Shingo, offre une solution
prometteuse pour réduire ces temps de transition. Ce chapitre se concentre sur l'application
concrète de la méthode SMED à une machine spécifique, avec pour objectif d'augmenter le TRS
en réduisant significativement les temps de changement de série. Nous analyserons les temps
actuels, identifierons les sources de gaspillage, et détaillerons les étapes de mise en œuvre de la
méthode SMED, tout en évaluant les résultats obtenus et leur impact financier.

2.2. Analyse des Temps de Changement de Série

Le système sur lequel nous appliquons la méthode SMED est une machine de production de
bouteilles. Cette machine est régulièrement utilisée pour fabriquer différentes formes de bouteilles,
ce qui nécessite des changements fréquents de moules. Chaque changement de moule entraîne des
temps d'arrêt significatifs, réduisant ainsi la disponibilité et l'efficacité de la machine.

2.2.1. Description du Processus de Changement de Série

Le processus de changement de série comporte trois phases principales : préparation des outils
nécessaires, démontage du moule existant et remontage du nouveau moule. Ci-dessous une
description détaillée de chaque étape du processus :
• Phase 1 : Préparer les outils nécessaires pour le changement de série
Avant de commencer le changement de série, il est essentiel de préparer et de rassembler tous les
outils et équipements nécessaires pour assurer un processus fluide et efficace.
1. Récupérer le moule : Récupérer le moule depuis son lieu de stockage.
2. Récupérer les bacs : Retirer les bacs depuis leur lieu de stockage.
3. Ramener le support pour enlever le moule : Apporter l'équipement de support nécessaire pour
pouvoir retirer le moule en toute sécurité.
4. Ramener la corde : Préparer et amener la corde nécessaire pour le démontage.
5. Ramener les anneaux : Apporter les anneaux utilisés pour sécuriser le moule pendant son retrait.
6. Ramener la porteuse et le setup : Amener la structure de support et les outils de configuration
nécessaires pour soulever le moule.
7. Préparer le nouveau moule : Préparer le nouveau moule pour son installation.
• Phase 2 : Démontage du Moule Existant
Lors de cette phase, le moule actuel est retiré de la machine, nécessitant une série d'étapes pour
assurer un retrait sécurisé et efficace.
1. Déménager le convoyeur : Déplacer le convoyeur pour accéder au moule et aux composants de la
machine.
2. Ouvrir la machine et récupérer les tuyaux : Ouvrir la machine pour accéder au moule et retirer les
tuyaux connectés.
24
3. Remplir les bacs avec de l'eau et purger la machine : Remplir les bacs avec de l'eau pour nettoyer
et purger le système.
4. Remettre les tuyaux : Réinstaller les tuyaux après nettoyage.
5. Enlever les plaques cylindriques : Retirer les plaques cylindriques qui maintiennent le moule en
place.
6. Enlever le support des plaques cylindriques : Retirer le support des plaques pour libérer le moule.
7. Enlever le support de rotation : Retirer le support de rotation pour permettre le retrait du moule.
8. Réglage machine : Ajuster les paramètres de la machine pour faciliter le changement de moule.
9. Enlever les capteurs : Retirer les capteurs connectés au moule pour éviter tout dommage.
10. Réglage machine : Ajuster de nouveau les paramètres de la machine pour le retrait complet du
moule.
11. Fixer les anneaux et la corde : Attacher les anneaux et la corde pour préparer le retrait de l’ancien
moule.
12. Soulevez le moule : Lever le moule pour le retirer de la machine.

• Phase 3 : Montage du Nouveau Moule

Cette phase consiste à installer le nouveau moule dans la machine, en veillant à ce que tous les
composants soient correctement ajustés et sécurisés pour reprendre la production efficacement.
1. Détacher les anneaux et la corde de l'ancien et les fixer sur le nouveau : Détacher les anneaux et la
corde de l'ancien moule et les fixer au nouveau moule.
2. Fixer le support : Installer le support nécessaire pour sécuriser le nouveau moule.
3. Soulever le moule : Lever le nouveau moule pour l'installer dans la machine.
4. Placer le moule : Installer le nouveau moule dans la machine.
5. Réglage machine : Ajuster les paramètres de la machine pour le nouveau moule.
6. Placer le support du cylindre : Installer le support du cylindre pour sécuriser le moule.
7. Placer les cylindres : Mettre en place les cylindres pour maintenir le moule en position.
8. Remettre les capteurs et tuyau : Réinstaller les capteurs et les tuyaux connectés au nouveau moule.
9. Réglage machine : Ajuster à nouveau les paramètres de la machine pour assurer le bon
fonctionnement du nouveau moule.
10. Enlever et remettre souffleur : Retirer et réinstaller le souffleur pour s'adapter au nouveau moule.
11. Réglage machine : Effectuer les ajustements finaux de la machine.
12. Serrage du moule : Serrer le nouveau moule pour le sécuriser dans la machine.
13. Réglage machine : Ajuster les derniers paramètres de la machine pour commencer la production.
14. Setup : Finaliser la configuration de la machine pour le nouveau moule.
15. Remettre le convoyeur : Réinstaller le convoyeur pour reprendre le processus de production.
2.2.2. Temps de changement de série avant l’application du SMED

Nous avons mesuré le temps nécessaire pour changer de série d’un moule sur la machine ASB 70-
DPW chaque jour pendant trois semaines. Les mesures sont calculées sur un changement de série,
sachant que deux changements de séries sont effectués chaque jour par la même équipe. Ci-dessous
les résultats obtenus :

Tableau 1 : Temps de changement de série de la machine.

Temps de changement de séries Jour 1 Jour 2 Jour 3 Jour 4 Jour 5 Jour 6 Jour 7 Moyenne
Semaine 1 1,69 1,79 1,63 1,47 1,9 1,8 1,7 1,7114286
Semaine 2 1,7 1,8 1,6 1,5 1,8 1,9 1,81 1,73
Semaine 3 1,65 1,84 1,66 1,44 1,81 1,89 1,66 1,7071429

25
• Données par semaine

1. Semaine 1 :
o Les temps varient de 1,47 heure (Jour 4) à 1,9 heure (Jour 5).
o La moyenne hebdomadaire est de 1,71 heure.
2. Semaine 2 :
o Les temps varient de 1,5 heure (Jour 4) à 1,9 heure (Jour 6).
o La moyenne hebdomadaire est de 1,73 heure.
3. Semaine 3 :
o Les temps varient de 1,44 heure (Jour 4) à 1,89 heure (Jour 6).
o La moyenne hebdomadaire est de 1,71 heure.

• Observations générales

1. Jour 4 : Le temps de changement est toujours le plus bas chaque semaine, suggérant une efficacité
ou une routine particulière ce jour-là.
2. Jour 5 et Jour 6 : Les temps sont généralement plus élevés, avec le Jour 6 atteignant presque
toujours le temps le plus élevé ou le deuxième plus élevé de la semaine.
3. Variabilité des temps : Il y a une variabilité significative des temps de changement d'un jour à
l'autre et d'une semaine à l'autre, particulièrement notable entre les jours avec les temps les plus
bas et les plus hauts (Jour 4 et Jour 5/Jour 6).
4. Moyennes hebdomadaires : Les moyennes hebdomadaires sont relativement proches les unes des
autres, variant de 1,707 à 1,73 heures. Cela indique une certaine constance dans les temps de
changement de séries malgré les variations quotidiennes.

2.3. Mise en œuvre de la Méthode SMED

Nous avons collecté des informations sur une période de 21 jours et synthétisé les valeurs dans les
tableaux 2, 3, 4 et 5.
2.3.1. Etape 1 : Identification des réglages internes et externes
Les opérations ont été classées en deux catégories : internes et externes (Tableau 2). Une opération
externe peut être effectuée avant l'arrêt de la machine, ce qui n'entraîne aucune perte de production.
En revanche, une opération interne doit obligatoirement être réalisée pendant que la machine est à
l'arrêt.
Tableau 2 : Les différentes opérations et leurs durées.

26
 ETAPE 1 SMED : IDENTIFICATION DES REGLAGES INTERNE ET EXTERNE
Opération Opération qui peut être externaliser Durée en seconde
Chercher des outils Oui 90
Récuperer le moule Oui 180
Récupérer les bacs Oui 120
Ramener le support pour enlever le moule Oui 120
Ramener la corde Oui 60
Ramener les anneaux Oui 120
Ramener la porteuse et la setup Oui 180
Ramener le nouveau moule Oui 60
Déménager le convoyeur Non 60
Ouvrir la machine et récupérer tuyau Non 20
Remplir les bacs avec de l'eau et purger la machine Non 82
Remettre le tuyau Non 20
Enlever les plaques cylindriques Non 210
Enlever le support des plaques cylindriques Non 103
Enlever le support de rotation Non 120
Réglage machine Non 88
Enlever les capteurs Non 170
Réglage machine Non 20
Fixer le support Non 60
Fixez les anneaux et la corde Non 60
Soulevez le moule Non 40
Changement du moule Non 780
Détacher les anneaux et la corde de l'ancien et les fixer sur le nouveau Non 90
Soulever le moule Non 205
Placer le moule Non 90
Réglage machine Non 30
Réglage moule Non 110
Réglage machine Non 12
Réglage moule Non 166
Placer le support des plaques cylindriques Non 210
Placer les plaques cynlindres Non 422
Remettre les capteurs et tuyau Non 284
Réglage machine Non 11
Enlever et remettre souffleur Non 280
Réglage machine Non 40
Sérrage moule Non 176
Réglage machine Non 62
Réglage machine Non 27
Setup Non 77
Remets le convoyeur Non 60

2.3.2. Etape 2 Externalisation des opérations

Dans cette étape, nous externalisons les opérations qui peuvent être externalisées pour minimiser
les temps d'arrêt de la machine comme indiqué dans le Tableau 3. En externalisant ces opérations,
nous pouvons réaliser certaines tâches pendant que la machine est encore en fonctionnement, ce
qui permet de gagner du temps et de réduire les pertes de production.

27
 Tableau 3 : Les opérations pouvant être externalisées et leurs durées.

ETAPE 2 SMED : EXTERNALISER LES OPERATIONS

Opération qui peuvent être externalisé Temps
Récuperer le moule 180
Récuperer les bacs 120
Ramener le support pour enlever le moule 120
Ramenez la corde 60
Ramenez les anneaux 120
Ramenez la porteuse et la setup 180
Ramenez le nouveau moule 60
Chercher des outils 90
Temps gagné 930
2.3.3. Etape 3 : Rendre des opérations interne en externe

Dans ce présent cas, il n'est pas possible de convertir des opérations internes en opérations
externes. Par conséquent, cette étape n'a pas été réalisée.

2.3.4. Etape 4 : Réduire le temps des opérations internes

Nous avons constaté que de nombreuses étapes se répètent lors des changements de séries,
ressemblant à un processus de montage/démontage : on démonte, on change le moule, puis on
remonte. Il existe des étapes miroirs, communes au montage et au démontage.
Nous avons remarqué que la durée de ces étapes miroirs est toujours jusqu’à deux fois plus longue
lors du montage que lors du démontage, alors qu’il s’agit du même effort et de l'utilisation des
mêmes outils. Cela pourrait être dû à la fatigue ou à une tendance de l'opérateur à être plus lent
vers la fin du changement de série.
Pour optimiser les opérations internes, nous avons considéré que l'opérateur doit effectuer les
étapes du montage dans la même durée que celles du démontage.
Tableau 4 : Les rationalisations des réglages internes.

ETAPE 4 SMED : RATIONALISER LES REGLAGES INTERNES

Changement des temps Cas Montage = Démontage Temps Avant Temps Après Temps gagné
Déménager le convoyeur 60 60 0
Placer les plaques cylindriques 422 210 212
Placer le support des plaques cylindriques 210 103 107
Placer les capteurs et tuyau 284 170 114
Temps gagné au total / / 433

En rationalisant le processus de changement de série, nous avons réussi à économiser 433 secondes
comme indiqué dans le Tableau 4. Cette optimisation a été réalisée en ajustant les durées des étapes
miroirs de manière que le temps consacré aux étapes de montage soit équivalent à celui des étapes
de démontage.

28
 Tableau 5 : Analyse et résultat de la méthode SMED.

Durée En seconde En minute

Durée total des taches 5025 83,75
Durée total du changement de série 6360 106
Temps perdu pendant le changement de série 1335 22,25
Temps total gagné 1363 22,716667

• Analyse des Données

La durée totale du changement de série est de 106 minutes, alors que la durée totale des tâches
(opérations) est de 83,75 minutes, ce qui entraîne une perte de temps de 22,25 minutes. Cette perte
de temps peut être due à diverses raisons telles que les pauses des opérateurs ou la nécessité qu'ils
interviennent ailleurs dans l'usine.

Cependant, grâce à l'application de la méthode SMED (Single-Minute Exchange of Dies), il a été

possible de gagner 22,72 minutes comme indiqué dans le Tableau 5, réduisant ainsi le temps total
de changement de série de 106 minutes à 83,29 minutes. Cela représente une diminution de 21,42
%, ce qui est significatif.

2.4. Gains grâce à la méthode SMED

Le temps de cycle de la machine est de 18 secondes, produisant 7 bouteilles par cycle. Avec deux
changements de série par jour, nous économisons au total 2726 secondes par machine chaque jour.
Cette optimisation permet de produire 1060 bouteilles supplémentaires par jour par machine
comme indiqué dans le Tableau 6.

Tableau 6 : Gain de la méthode SMED.

Gain Méthode SMED

Durée en seconde Nombre de bouteilles produites
Temps de cycle 18 7
Temps gagné grace à la méthode SMED 2726 1060,111111

2.5. Taux de rendement synthétique et l’impact du SMED

Avant de mettre en œuvre la méthode SMED, nous avons entrepris une évaluation initiale des
performances de notre machine en calculant le TRS sur une période de 21 jours. Cette évaluation
nous a permis de mieux comprendre les inefficacités et les pertes de temps associées aux
changements de série.

2.5.1. Calcul du TRS quotidien pendant vingt et un jours

Pour chaque journée de production, nous avons enregistré divers paramètres essentiels, tels que
les temps de nettoyage, de maintenance, de changement de série, ainsi que les volumes de
production conformes et non conformes. Ces données ont été utilisées pour calculer le TRS
quotidien, en tenant compte de la disponibilité, de la performance et de la qualité de la production.

29
 Ci-dessous une description générale du processus suivi :
1. Collecte des Données :
• Chaque jour, nous avons enregistré les temps d'ouverture de la machine, les temps alloués aux
différentes activités (nettoyage, maintenance, pannes, changements de série) et les quantités
produites (conformes et non conformes).
• Ces informations ont été compilées dans des tableaux récapitulatifs pour une analyse approfondie.
2. Calcul du TRS :
• Le TRS a été calculé en utilisant la formule suivante : (TRS= Temps utile/Temps requis) *100
• Le temps requis est basé sur la capacité théorique de la machine, tandis que le temps utile
représente le temps de fonctionnement réel, ajusté pour les interruptions et les activités non
productives.
Tableau 7 : Exemple du calcul du TRS quotidiennement.

Jour 1
Heure d'ouverture 8 Heure
Nettoyage 0,25 Heure
Maintenance préventive 0 Heure
Durée des pannes maintenance 0 Heure
Changement de série 1,69 Heure
Capacité de la machine 1400 Pièces/h
Quantité produite 1400 Pièces
Production non conforme 0 Pièces

Temps total 24
Temps d'ouverture 8
Temps requis 7,75
Temps de fonctionnement 6,06
Temps net 6,06
Temps utile 6,06

TRS = temps utile/temps requis 78,19355 %

Le Tableau 7 représente le jour 1 du calcul du TRS, chose qu’on a répété pendant 21 jours.
2.5.2. Résultat avant l’implémentation de la méthode SMED
Le Tableau 8 présente les moyennes du TRS (Taux de Rendement Synthétique) et du temps de
changement de série pour trois semaines avant l'implémentation de la méthode SMED (Single-
Minute Exchange of Die).

30
 Tableau 8 : Taux et durée moyenne du TRS et du changement de série pendant trois semaines.
Moyenne TRS Changement de série
Semaine 01 76,82645 1,711428571
Semaine 02 73,7477 1,73
Semaine 03 74,43802 1,707142857
Total 75,00405 1,716190476

• Interprétation et Analyse
Taux de Rendement Synthétique (TRS) :
1. Semaine 01 : Le TRS est de 76,83%.
2. Semaine 02 : Le TRS est de 73,75%.
3. Semaine 03 : Le TRS est de 74,44%.
• Temps de Changement de Série
Le temps de changement de série reste relativement constant, légèrement au-dessus de 1,7
heure pour les trois semaines.
• Observations et Conclusions
1. TRS Constant : Bien que le TRS varie légèrement entre les semaines, il reste relativement constant
autour de 75%. Cette stabilité indique que la performance de la machine est assez régulière sur la
période analysée.
2. Impact du Temps de Changement de Série : Une légère augmentation du temps de changement de
série peut avoir un impact sur le TRS. Optimiser ce temps pourrait améliorer la performance
globale.
3. Opportunité d'Amélioration : Avant l'implémentation du SMED, les temps de changement de série
sont relativement longs (environ 1,72 heures en moyenne). Réduire ce temps pourrait
significativement augmenter le TRS.
2.5.3. Implémentation de la méthode SMED
Après avoir appliqué la méthode SMED, nous avons observé une réduction de 22,72 minutes dans
le temps de changement de série. Afin d'évaluer l'impact de cette amélioration sur le Taux de
Rendement Synthétique (TRS), nous avons recalculé les valeurs du TRS en utilisant les nouveaux
temps de changement de série.
• Réflexion et Méthodologie
Nous avons recalculé les TRS en réduisant les temps de changement de série, partant de
l'hypothèse que l'application des démarches du SMED par les opérateurs aurait effectivement
permis cette réduction.
Tableau 9 : Taux et durée moyenne du TRS et du changement de série après SMED.
Moyenne TRS Changement de série
Semaine 01 81,74819 1,332817405
Semaine 02 78,71037 1,351388833
Semaine 03 79,40351 1,32853169
Total 79,95402 1,33757931
31
 Les observations sur trois semaines ont révélé une performance stable et efficace de la machine.
Durant la Semaine 01, le TRS a atteint un impressionnant 81,75%, ce qui indique une efficacité
notable. Le temps de changement de série pour cette période était de 1,33 heure, témoignant d'une
réduction significative des temps d'arrêt. Dans la Semaine 02, le TRS s'est maintenu à un niveau
solide de 78,71%, légèrement inférieur à la semaine précédente mais proche des normes élevées
attendues. Le temps de changement de série est resté efficace à 1,35 heure. Enfin, la Semaine 03
a affiché un TRS de 79,40%, confirmant une performance stable et continue de la machine, avec
un temps de changement de série de 1,33 heure, cohérent avec les semaines précédentes. Comme
indiqué dans le tableau 9, en moyenne, le TRS sur l'ensemble des trois semaines s'est élevé à
79,95%, démontrant une performance globale optimisée. Le temps moyen de changement de série
s'est maintenu à 1,34 heure, soulignant une réduction efficace des temps d'arrêt tout au long de la
période observée.
• Conclusion
Les nouvelles données montrent que la machine fonctionne de manière plus efficace après
l'optimisation du processus de changement de série comme indiqué dans le Tableau 9. Les temps
de changement de série ont été réduits de manière uniforme, ce qui se traduit par un TRS
globalement élevé et stable. Cela indique une amélioration significative de l'efficacité
opérationnelle et de la productivité de la machine.
2.5.4. Impact de la méthode SMED sur le TRS

Le Tableau 10 présente une comparaison des performances avant et après l'implémentation de la

méthode SMED (Single-Minute Exchange of Die) en termes de Taux de Rendement Synthétique
(TRS) et de temps de changement de série.

Tableau 10 : TRS et impact du SMED.

Comparaison du TRS et Du temps de changement de série

Valeur Avant Après Gain
Moyenne TRS 75,004055 79,95402 4,949966 %
Moyenne Changement de série 1,7161905 1,337579 0,378611 Heures

Avant l'application de SMED, le TRS moyen était de 75,00%, tandis que le temps moyen de
changement de série était de 1,72 heure. Après l'implémentation de SMED, le TRS moyen a
augmenté à 79,95%, et le temps moyen de changement de série a diminué à 1,34 heure.

La différence est significative : le TRS a augmenté de 4,95%, qui est attribué à la réduction du
temps de changement de série. En effet, le temps de changement de série a diminué de 0,38 heures,
ce qui représente une économie de temps notable.

32
2.6. Conclusion

En conclusion, l'application de la méthode SMED a conduit à une amélioration significative des

performances opérationnelles. Non seulement le temps de changement de série a été réduit, mais
cela a également eu un impact positif sur le TRS, augmentant ainsi l'efficacité globale de la
production. Cette réduction des temps de changement permet une meilleure flexibilité de la
production, une réduction des temps d'arrêt et une augmentation de la capacité de production
globale, contribuant ainsi à une amélioration de la compétitivité de l'entreprise.

Dans notre quête d'atteindre une disponibilité optimale de nos machines, nous avons d'abord
amélioré leur efficacité grâce à l'approche SMED/TRS, comme présenté dans ce chapitre.
Maintenant, nous nous tournons vers l'optimisation de l'approvisionnement en matières premières
nécessaires au fonctionnement quotidien de ces machines, en utilisant l'intelligence artificielle. En
combinant ces deux stratégies, nous cherchons à créer un environnement de production plus agile,
efficient et résilient, aligné sur nos objectifs de performance opérationnelle et de compétitivité sur
le marché.

Le chapitre suivant abordera l’application d’un modèle prédictif pour l’optimisation de la

production afin de garantir la disponibilité de la machine au sein de l’entreprise de stage
Laboratoires VENUS SAPECO.

33
Chapitre III Choix et application d’un
modèle prédictif pour l’optimisation
de la production

34
 3.1. Introduction
Pour ce projet de fin d'études, nous avons établi et comparé différents modèles de prévision des
ventes afin de prédire la production de l'année 2023 en se basant sur les données historiques des
années 2019 à 2022 car il est crucial pour les entreprises de prévoir les la production, cela leur
permet d'améliorer leurs stocks, de planifier leur production et de mieux satisfaire les attentes de
leurs clients.
Ce chapitre se divise en plusieurs sections. Nous commencerons par une description détaillée des
données utilisées et une analyse exploratoire pour identifier les principales caractéristiques et
anomalies. Ensuite, nous décrirons les différentes étapes de préparation des données pour chaque
scénario. La section suivante présentera les modèles de prévision utilisés, avec une explication
détaillée de leur mise en œuvre. Enfin, nous comparerons les performances des modèles à l'aide
de la MAPE, discuterons des résultats obtenus et conclurons sur les meilleures approches
identifiées pour la prévision des ventes.

3.2. Processus du choix du modèle à appliquer

Nous avons étudié trois approches de modélisation pour les séries temporelles de ventes :
SARIMA (Moyenne de Mouvement Intégrée Saisonnière Autorégressive), Forêt Aléatoire et Holt-
Winters. Chacune offre des avantages spécifiques pour capturer les tendances, les saisons et les
irrégularités des données. Pour une évaluation approfondie, nous avons défini cinq scénarios de
traitement des données :
1. Données sans traitement.
2. Données traitées pour réduire les impacts de la COVID-19.
3. Données avec suppression de l'année 2020.
4. Données avec suppression des valeurs aberrantes détectées.
5. Données avec normalisation des valeurs aberrantes.
Grâce à ces divers traitements, il est possible d'évaluer la résistance des modèles face à des données
ayant des caractéristiques différentes, telles que les perturbations causées par la pandémie de
COVID-19. Afin de quantifier les résultats de chaque modèle dans ces divers scénarios, nous avons
employé la Mean Absolute Percentage Error (MAPE), un indicateur de performance fréquemment
employé pour évaluer l'exactitude des prévisions.

𝑛=1
𝐴𝑡−𝐹𝑡
MAPE= ∑ | | × 100
𝑡=1 𝐴𝑡

où :

• n est le nombre de périodes,

• At est la valeur réelle à la période t,
• Ft est la valeur prévisionnelle à la période t.

3.3. Description des données

Dans cette section, nous examinerons en détail les caractéristiques et la structure des données
utilisées dans notre analyse.

35
3.3.1. Présentation des Données
Dans cette étude, nous analysons les données de production mensuelles de l’entreprise
LABORATOIRE VENUS sur la période de 2019 à 2023 comme indiqué dans le Tableau 11. Les
données couvrant les années 2019 à 2022 seront utilisées comme données d’entraînement pour
développer des modèles de prévision, tandis que celles de l’année 2023 serviront à valider les
performances de ces modèles. Étant donné que les données ont été fournies directement par
l’entreprise, elles sont considérées comme une source fiable.

Tableau 11 : Données de production des mois selon les années.

Années/Mois Janvier Février Mars Avril Mai Juin
2023 12 675 478 10 345 678 10 898 490 11 123 456 12 654 321 13 567 890
2022 12 267 234 9 745 678 10 234 567 10 890 123 11 567 890 12 945 789
2021 11 854 372 9 478 234 9 754 879 10 634 561 11 987 345 12 563 487
2020 11 345 210 9 307 680 5 412 347 2 763 284 3 452 390 5 732 456
2019 11 167 110 9 034 028 9 297 993 10 379 550 11 549 123 12 403 768
Années/Mois Juillet Aout Septembre Octobre Novembre Décembre
2023 16 789 012 17 690 123 15 478 901 12 567 890 10 361 412 8 865 478
2022 16 378 901 16 856 123 14 967 890 12 487 654 10 876 543 8 332 145
2021 15 978 453 16 789 432 14 321 678 11 752 218 9 821 658 8 451 665
2020 6 985 346 6 673 489 8 294 765 8 557 896 8 893 457 6 983 241
2019 15 298 437 16 587 983 14 675 492 11 458 237 9 657 123 8 173 542

3.3.2 Analyse des Données

Pour illustrer les tendances des ventes mensuelles au cours des différentes années, nous
présentons ci-dessous une répartition de production de 2019 à 2023.

Tendance
20000000
18000000
16000000
14000000
12000000
10000000
8000000
6000000
4000000
2000000
0
1 2 3 4 5 6 7 8 9 10 11 12 13

2023 2022 2021 2020 2019

Figure 1 : Répartition de production pendant les mois au cours des années.

36
Nous observons selon la Figure 1, une forte demande en janvier, suivie d'une réduction et d'une
stabilisation relative jusqu'à mai, où la demande augmente de nouveau. Une croissance est ensuite
atteinte en juin, juillet et août, suivi d'une diminution en septembre, octobre et novembre, pour
finalement atteindre sa valeur la plus basse de l'année en décembre. Cette tendance est visible sur
les courbes des années 2019, 2021, 2022 et 2023, qui sont assez rapprochées et présentent les
mêmes variations saisonnières.

Tableau 12 : Production mensuelle et évolution de la production en fonction des années.

Année Production annuelle Evolution Prod

2 023 153 018 129 3,705572417
2 022 147 550 537 2,903001313
2 021 143 387 982 69,88783181
2 020 84 401 561 -39,57608871
2 019 139 682 386 /

La principale différence entre ces années réside dans l'augmentation de la production annuelle
comme indiqué dans le Tableau 12, avec par exemple une hausse de 3,7 % de 2022 à 2023.

En revanche, l'année 2020, marquée par la pandémie de COVID-19, présente un comportement

totalement différent. Bien qu'un pic soit observable en janvier, la courbe descend fortement jusqu'à
mai, puis remonte progressivement pour atteindre décembre. La courbe de 2020 est nettement
inférieure à celles des autres années, indiquant clairement une baisse des commandes et des ventes
due à la pandémie d’où les variations énormes d’évolution de la production, une baisse de 39,57%
de l’année 2019 à 2020 et une augmentation de 69,88% de 2020 à 2021.

3.4. Préparation des Données

La préparation des données est une étape fondamentale dans toute analyse statistique ou processus
de modélisation. Elle implique la transformation, le nettoyage et l'organisation des données brutes
afin de les rendre exploitables pour des analyses ultérieures. Cette phase revêt une importance
capitale car la qualité des données influencera directement la précision et la fiabilité des résultats
obtenus. Dans cette section, nous aborderons plusieurs cas de préparation des données, chacun se
focalisant sur des aspects particuliers tels que le traitement des données brutes, l'adaptation aux
impacts de la pandémie de COVID-19, la gestion des valeurs aberrantes et la normalisation des
données. Chaque cas sera examiné individuellement, en détaillant les méthodes utilisées, leurs
justifications et leur contribution à la qualité de l'analyse des données.
3.4.1. Cas 1 : Données Sans Traitement
Les données brutes sont les informations collectées directement à partir de leur source sans aucune
manipulation, nettoyage ou transformation. Elles contiennent toutes les valeurs enregistrées, y
compris les erreurs potentielles, les valeurs manquantes, les duplications et les valeurs aberrantes.
Dans le cas de l'entreprise LABORATOIRE VENUS, les données brutes incluraient les
productions mensuelles de chaque année sans aucune modification.
Tester les algorithmes de prédiction sur des données brutes présente plusieurs avantages
importants :

37
1. Évaluation de la Robustesse du Modèle : Les modèles de prédiction doivent être capables de gérer
des données imparfaites. En les testant sur des données brutes, on peut évaluer leur capacité à
tolérer les erreurs et les anomalies, ce qui est crucial pour leur déploiement dans des situations
réelles où les données ne sont jamais parfaites.
2. Identification des Besoins en Prétraitement : En analysant les performances des modèles sur les
données brutes, on peut identifier quels types de prétraitement sont nécessaires. Par exemple, si un
modèle se montre particulièrement sensible aux valeurs aberrantes, cela souligne l'importance de
les traiter avant l'entraînement.
3. Réalisme des Conditions de Déploiement : Tester sur des données brutes permet de simuler des
conditions réalistes d'utilisation. Les données opérationnelles dans le monde réel peuvent contenir
des erreurs et des inconsistances, et il est crucial que les modèles de prédiction soient préparés
pour de telles éventualités.
3.4.2. Cas 2 : Traitement des Données COVID
Pour traiter l'impact de la pandémie de COVID-19 sur les données de production de l'année 2020,
une approche spécifique a été adoptée pour corriger les anomalies causées par cette période
exceptionnelle. Étant donné que la pandémie a commencé à affecter la production en Algérie à
partir de mars 2020, les mois de janvier et février 2020 ont été laissés intacts car ils n'ont pas été
influencés par la pandémie. Pour les mois de mars à décembre 2020, les valeurs ont été remplacées
par la moyenne des mêmes mois des autres années (2019, 2021, 2022). Cette méthode permet de
neutraliser l'effet perturbateur de la pandémie et d'obtenir des données plus représentatives des
tendances normales comme indiqué dans le Tableau 13.
Justification de l'Approche
• Neutralisation des Effets Anormaux : La pandémie de COVID-19 a entraîné des perturbations
significatives dans les chaînes de production et de distribution, entraînant des valeurs de
production anormales. En remplaçant les données affectées par la moyenne des années non
affectées, nous neutralisons ces effets anormaux.
• Maintien de la Saisonnière : Cette méthode permet de conserver la composante saisonnière des
données, car les moyennes sont calculées sur les mêmes mois des autres années, respectant ainsi
les variations saisonnières habituelles.
• Homogénéité des Données : En utilisant la moyenne des autres années, nous obtenons des données
plus homogènes et cohérentes, ce qui est crucial pour l'entraînement des modèles de prévision et
l'analyse statistique.
• Simplicité et Efficacité : La méthode de la moyenne est simple à mettre en œuvre et permet de
traiter efficacement les anomalies.

38
 Tableau 13 : Données de production après le traitement de l’année COVID 2020.
Années/Mois Janvier Février Mars Avril Mai Juin
2023 12 675 478 10 345 678 10 898 490 11 123 456 12 654 321 13 567 890
2022 12 267 234 9 745 678 10 234 567 10 890 123 11 567 890 12 945 789
2021 11 854 372 9 478 234 9 754 879 10 634 561 11 987 345 12 563 487
2020 11 345 210 9 307 680 9 762 480 10 634 745 11 701 453 12 637 681
2019 11 167 110 9 034 028 9 297 993 10 379 550 11 549 123 12 403 768
Années/Mois Juillet Aout Septembre Octobre Novembre Décembre
2023 16 789 012 17 690 123 15 478 901 12 567 890 10 361 412 8 865 478
2022 16 378 901 16 856 123 14 967 890 12 487 654 10 876 543 8 332 145
2021 15 978 453 16 789 432 14 321 678 11 752 218 9 821 658 8 451 665
2020 15 885 264 16 744 513 14 655 020 11 899 370 10 118 441 8 319 117
2019 15 298 437 16 587 983 14 675 492 11 458 237 9 657 123 8 173 542

3.4.3. Cas 3 : Suppression de l'Année 2020 COVID

Pourquoi supprimer l'année 2020 ? Car cette dernière a été marquée par la pandémie de COVID-
19, qui a introduit des perturbations significatives et durables dans les activités de production.
Cette année est considérée comme une anomalie majeure pour plusieurs raisons :
• Impact Exceptionnel et Non Répétitif : La pandémie de COVID-19 est un événement exceptionnel
qui ne se répète pas fréquemment. Les perturbations qu'elle a causées ne sont pas représentatives
des conditions normales de production et peuvent fausser les analyses et les prévisions futures si
elles sont incluses.
• Durée de l'Anomalie : Contrairement à des anomalies ponctuelles, les effets de la pandémie ont
duré toute l'année 2020, impactant de manière continue les données de production. Cette
persistance rend difficile l'identification et la correction de ces anomalies.
Mais en plus, en supprimant les données de 2020, nous pouvons tester la robustesse des modèles
de prévision en comparant leurs performances avec et sans cette année anormale. Cela permet de
déterminer quels algorithmes sont les plus sensibles aux perturbations majeures et lesquels
maintiennent des performances stables.
La suppression de l'année 2020 a été réalisée en excluant toutes les données de cette année de
l'ensemble de données utilisé pour l'entraînement et la validation des modèles comme indiqué dans
le Tableau 14.
Tableau 14 : Données de production en supprimant l’année du COVID 2020.
Années/Mois Janvier Février Mars Avril Mai Juin
2023 12 675 478 10 345 678 10 898 490 11 123 456 12 654 321 13 567 890
2022 12 267 234 9 745 678 10 234 567 10 890 123 11 567 890 12 945 789
2021 11 854 372 9 478 234 9 754 879 10 634 561 11 987 345 12 563 487
2019 11 167 110 9 034 028 9 297 993 10 379 550 11 549 123 12 403 768
Années/Mois Juillet Aout Septembre Octobre Novembre Décembre
2023 16 789 012 17 690 123 15 478 901 12 567 890 10 361 412 8 865 478
2022 16 378 901 16 856 123 14 967 890 12 487 654 10 876 543 8 332 145
2021 15 978 453 16 789 432 14 321 678 11 752 218 9 821 658 8 451 665
2019 15 298 437 16 587 983 14 675 492 11 458 237 9 657 123 8 173 542

39
3.4.4. Cas 4 : Suppression des Valeurs Aberrantes
Pour détecter et supprimer les valeurs aberrantes dans nos données de production, nous avons
utilisé une méthode basée sur l'analyse des résidus après l'ajustement d'un modèle de Moyenne
Mobile Exponentielle Pondérée (EWMA). La méthode utilisée pour identifier la valeur aberrante
est la boîte a moustache. La boîte à moustaches (ou boîte à whiskers, en anglais "box plot") est un
outil graphique utilisé en statistique pour résumer et visualiser la distribution d'un ensemble de
données numériques. Elle permet de repérer les valeurs aberrantes, c'est-à-dire les observations
qui s'écartent significativement des autres valeurs de l'ensemble de données.

I. Composants d'une boîte à moustaches

• Quartiles
- 1er quartile (Q1) : 25% des données sont inférieures ou égales à cette valeur.
- Médiane (Q2) : 50% des données sont inférieures ou égales à cette valeur (c'est le 2ème
quartile).
- 3ème quartile (Q3) : 75% des données sont inférieures ou égales à cette valeur.

• Étendue interquartile (IQR)

- IQR = Q3 - Q1
- C'est la distance entre le 1er et le 3ème quartile, représentant la dispersion centrale des données.

• Moustaches
- Les moustaches s'étendent jusqu'à la plus petite et la plus grande valeur qui ne sont pas
considérées comme des valeurs aberrantes. Typiquement, elles sont définies comme :
- Borne inférieure : Q1 - 1.5 × IQR
- Borne supérieure : Q3 + 1.5 × IQR

• Valeurs aberrantes
- Les valeurs inférieures à Q1 - 1.5 × IQR ou supérieures à Q3 + 1.5 × IQR sont considérées
comme des valeurs aberrantes.
- Ces valeurs sont souvent représentées par des points individuels en dehors des moustaches.

II. Utilisation
Une boîte à moustaches permet de visualiser la distribution d'un ensemble de données en un coup
d'œil, en montrant la médiane, les quartiles et les valeurs aberrantes. Cela aide à identifier

40
 rapidement les asymétries, les concentrations de données, et les valeurs qui sortent du cadre
général de la distribution., dans nos données, la seule valeur aberrante identifiée est le mois d'avril
2020, avec une valeur de production de ‘’2 763 284’’ comme indiqué dans le Tableau 15, cette
dernière s'écarte significativement des tendances observées dans les autres mois et années.
La suppression des valeurs aberrantes dans les algorithmes d'intelligence artificielle (IA) est
cruciale pour plusieurs raisons :
• Amélioration de la Précision des Modèles : Les valeurs aberrantes peuvent fausser les résultats
des modèles de prévision en introduisant des biais importants. En les supprimant, nous obtenons
des modèles plus précis et fiables.
• Préservation de la Structure des Données : Les valeurs aberrantes peuvent masquer les véritables
tendances et structures des données. Leur suppression permet de mieux comprendre et préserver
la structure des données, facilitant ainsi une analyse plus précise.

Tableau 15 : Valeur aberrante des données.

Années/Mois Janvier Février Mars Avril Mai Juin
2023 12 675 478 10 345 678 10 898 490 11 123 456 12 654 321 13 567 890
2022 12 267 234 9 745 678 10 234 567 10 890 123 11 567 890 12 945 789
2021 11 854 372 9 478 234 9 754 879 10 634 561 11 987 345 12 563 487
2020 11 345 210 9 307 680 5 412 347 2 763 284 3 452 390 5 732 456
2019 11 167 110 9 034 028 9 297 993 10 379 550 11 549 123 12 403 768
Années/Mois Juillet Aout Septembre Octobre Novembre Décembre
2023 16 789 012 17 690 123 15 478 901 12 567 890 10 361 412 8 865 478
2022 16 378 901 16 856 123 14 967 890 12 487 654 10 876 543 8 332 145
2021 15 978 453 16 789 432 14 321 678 11 752 218 9 821 658 8 451 665
2020 6 985 346 6 673 489 8 294 765 8 557 896 8 893 457 6 983 241
2019 15 298 437 16 587 983 14 675 492 11 458 237 9 657 123 8 173 542

3.4.5. Cas 5 : Normalisation des Valeurs Aberrantes

Pour traiter les valeurs aberrantes identifiées dans nos données de production, nous avons utilisé
une méthode de normalisation qui consiste à remplacer les valeurs aberrantes par la moyenne des
mêmes mois des autres années. Cette approche permet de réduire l'impact des anomalies sur les
modèles de prévision tout en maintenant la cohérence des données.
Dans le cas spécifique de la valeur aberrante d’avril 2020, la normalisation a été effectuée comme
suit : cette dernière a été remplacée par la moyenne des valeurs de production des mois d'avril de
2019, 2021 et 2022 comme indiqué dans le Tableau 16.
La normalisation des valeurs aberrantes sert à :

41
• Réduction de l'Impact des Anomalies : La normalisation des valeurs aberrantes permet de réduire
leur impact disproportionné sur les modèles de prévision. Les valeurs extrêmes peuvent fausser
les résultats des modèles et entraîner des prédictions incorrectes.
• Amélioration de la Qualité des Données : En remplaçant les valeurs aberrantes par des valeurs
plus représentatives, la qualité globale des données est améliorée. Cela conduit à des modèles plus
précis et à des prévisions plus fiables.
• Préparation Optimale pour l'IA : Les modèles d'intelligence artificielle, tels que les réseaux
neuronaux ou les algorithmes de machine Learning, peuvent être très sensibles aux valeurs
extrêmes. En normalisant ces valeurs, nous garantissons que les modèles ne sont pas influencés de
manière disproportionnée par des anomalies, ce qui améliore leur performance et leur robustesse.

Tableau 16 : Normalisation de la valeur aberrante.

Années/Mois Janvier Février Mars Avril Mai Juin
2023 12 675 478 10 345 678 10 898 490 11 123 456 12 654 321 13 567 890
2022 12 267 234 9 745 678 10 234 567 10 890 123 11 567 890 12 945 789
2021 11 854 372 9 478 234 9 754 879 10 634 561 11 987 345 12 563 487
2020 11 345 210 9 307 680 5 412 347 10 634 745 3 452 390 5 732 456
2019 11 167 110 9 034 028 9 297 993 10 379 550 11 549 123 12 403 768
Années/Mois Juillet Aout Septembre Octobre Novembre Décembre
2023 16 789 012 17 690 123 15 478 901 12 567 890 10 361 412 8 865 478
2022 16 378 901 16 856 123 14 967 890 12 487 654 10 876 543 8 332 145
2021 15 978 453 16 789 432 14 321 678 11 752 218 9 821 658 8 451 665
2020 6 985 346 6 673 489 8 294 765 8 557 896 8 893 457 6 983 241
2019 15 298 437 16 587 983 14 675 492 11 458 237 9 657 123 8 173 542

3.5. Modélisation
Dans cette partie nous allons donner les résultats des différents modèles pour les cas 1, 2, 3, 4,5.
3.5.1. Modèle SARIMA
Le Tableau 17 présente les erreurs de prévision mensuelles pour une série de données de
production pour le cas 1, comparant les valeurs prévues avec les valeurs réelles pour chaque mois
de l'année 2023. Le MAPE est de 2,34%, indiquant une bonne performance globale du modèle.
Les erreurs mensuelles varient, avec les plus faibles en juin (0,19%) et août (0,50%), et les plus
élevées en novembre (4,69%) et décembre (5,62%). Ces variations suggèrent que le modèle est
généralement précis, mais éprouve des difficultés à prévoir correctement pour certains mois,
possiblement en raison de la variabilité ou d'anomalies spécifiques. Une attention particulière
pourrait être portée à ces périodes pour améliorer la robustesse du modèle. En conclusion, malgré
quelques déviations notables, le modèle de prévision montre une performance satisfaisante, surtout
en tenant compte de l'impact perturbateur de la pandémie de COVID-19 sur les données de
production.

42
 Tableau 17 : Cas 1 Modèle SARIMA.
Cas 1 Valeur du programme Réel valeur Erreur Erreur en % MAPE
Janvier 12357411 12 675 478 318 067 2,509309708 2,338722583
Février 10224329 10 345 678 121 349 1,17294391
Mars 10488294 10 898 490 410 196 3,76378746
Avril 11569851 11 123 456 446 395 4,013096289
Mai 12739424 12 654 321 85 103 0,672521268
Juin 13594069 13 567 890 26 179 0,192948203
Juillet 16488738 16 789 012 300 274 1,788515012
Aout 17778284 17 690 123 88 161 0,498362843
Septembre 15865793 15 478 901 386 892 2,499479776
Octobre 12648538 12 567 890 80 648 0,641698805
Novembre 10847424 10 361 412 486 012 4,690596224
Decembre 9363843 8 865 478 498 365 5,621411502

Le Tableau 18 montre les erreurs de prévision mensuelles pour les données de production
après traitement des anomalies liées au COVID-19 pour le cas 2, avec un MAPE global de 5,34%.
Les erreurs sont particulièrement élevées en janvier (10,21%), février (10,40%), et mars (11,77%),
indiquant des prévisions nettement moins précises pour ces mois. À l'inverse, les erreurs sont
beaucoup plus faibles en septembre (0,94%) et août (2,00%), montrant une meilleure performance
pour ces périodes. Le traitement des données COVID semble avoir introduit une plus grande
variabilité dans les prévisions mensuelles, augmentant ainsi les erreurs globales. Cela suggère que
l'ajustement des données pour tenir compte de la pandémie a un impact significatif sur la précision
du modèle, particulièrement en début d'année, où les effets des ajustements sont les plus
prononcés.
Tableau 18 : Cas 2 Modèle SARIMA.
Cas 2 Valeur du programme Réel valeur Erreur Erreur en % MAPE
Janvier 11381434 12 675 478 1 294 044 10,20903511 5,342036153
Février 9269854 10 345 678 1 075 824 10,39877715
Mars 9615255 10 898 490 1 283 235 11,7744293
Avril 10786896 11 123 456 336 560 3,02567835
Mai 12033795 12 654 321 620 526 4,903668873
Juin 12941222 13 567 890 626 668 4,618757965
Juillet 15981361 16 789 012 807 651 4,810592785
Aout 17336428 17 690 123 353 695 1,999392542
Septembre 15334150 15 478 901 144 751 0,93515037
Octobre 11963584 12 567 890 604 306 4,808332982
Novembre 10076637 10 361 412 284 775 2,748418845
Decembre 8522189 8 865 478 343 289 3,872199559

Le Tableau 19 montre les erreurs de prévision mensuelles pour les données de production après
suppression de l'année 2020 pour le cas 3, avec un MAPE global de 8,71%. Les erreurs de
prévision sont particulièrement élevées en mars (14,09%), février (12,38%), et janvier (11,00%),
indiquant des prévisions nettement moins précises en début d'année. En revanche, les erreurs sont
relativement plus faibles en septembre (5,71%) et août (6,30%), suggérant une meilleure
performance de prévision pour ces mois. La suppression de l'année 2020 a entraîné une
augmentation globale des erreurs de prévision, surtout en début d'année, ce qui montre que le
modèle a du mal à s'ajuster correctement sans les données de 2020. Cela permet de tester la
robustesse des algorithmes de prévision et de comprendre comment ils varient en l'absence de
données d'une année anormale comme 2020.

43
 Tableau 1 : Cas 3 SARIMA.
Cas 3 Valeur du programme Réel valeur Erreur Erreur en % MAPE
Janvier 11281096 12 675 478 1 394 382 11,00062656 8,714098143
Février 9064787 10 345 678 1 280 891 12,38092854
Mars 9362460 10 898 490 1 536 030 14,09397082
Avril 10388462 11 123 456 734 994 6,607604687
Mai 11583742 12 654 321 1 070 579 8,46018526
Juin 12399216 13 567 890 1 168 674 8,613527969
Juillet 15347535 16 789 012 1 441 477 8,585835784
Aout 16575272 17 690 123 1 114 851 6,30210994
Septembre 14595716 15 478 901 883 185 5,705734535
Octobre 11485518 12 567 890 1 082 372 8,612201412
Novembre 9676108 10 361 412 685 304 6,61400203
Decembre 8192371 8 865 478 673 107 7,592450176

Le Tableau 20 montre les erreurs de prévision mensuelles après suppression des valeurs aberrantes
pour le cas 4, avec un MAPE global de 8,88%. Les erreurs de prévision varient considérablement,
atteignant des valeurs très élevées en décembre (25,45%), août (18,63%), et septembre (16,82%),
suggérant des difficultés significatives pour le modèle à prévoir correctement ces mois. En
revanche, les erreurs sont beaucoup plus faibles en novembre (0,51%), mars (1,83%), et juin
(2,06%), indiquant une meilleure performance de prévision pour ces périodes. La suppression des
valeurs aberrantes semble avoir amélioré la précision de prévision pour certains mois, mais a
également introduit des erreurs plus importantes pour d'autres mois, particulièrement ceux de la
fin de l'année. Cette variabilité accrue montre l'importance d'une gestion adéquate des valeurs
aberrantes pour améliorer la robustesse et la précision globale des modèles de prévision.

Tableau 20 : Cas 4 SARIMA.

Cas 4 Valeur du programme Réel valeur Erreur Erreur en % MAPE
Janvier 12072696 12 675 478 602 782 4,755497189 8,881443823
Février 11109172 10 345 678 763 494 7,379835328
Mars 10698931 10 898 490 199 559 1,831070176
Avril 10841628 11 123 456 281 828 2,533637028
Mai 11874722 12 654 321 779 599 6,160733555
Juin 13287945 13 567 890 279 945 2,063290607
Juillet 14454332 16 789 012 2 334 680 13,90599995
Aout 14393840 17 690 123 3 296 283 18,63346569
Septembre 12875309 15 478 901 2 603 592 16,82026392
Octobre 11746542 12 567 890 821 348 6,535289535
Novembre 10414459 10 361 412 53 047 0,511966902
Decembre 11121412 8 865 478 2 255 934 25,44627599

Le Tableau 21 montre les erreurs de prévision mensuelles après normalisation des valeurs
aberrantes pour le cas 5, avec un MAPE global de 2,28%. Les erreurs de prévision sont
particulièrement faibles en mai (0,28%), août (0,17%), et octobre (0,31%), indiquant une
excellente précision de prévision pour ces mois. Les erreurs restent modérées en janvier (3,81%),
mars (4,92%), et décembre (4,28%), mais globalement, le modèle montre une très bonne
performance après la normalisation des valeurs aberrantes. Cette approche semble avoir lissé les
irrégularités et amélioré la précision générale des prévisions, en réduisant les erreurs extrêmes et
en assurant une performance plus stable à travers les différents mois de l'année. Cela démontre
l'efficacité de la normalisation des valeurs aberrantes pour améliorer la robustesse des algorithmes
de prévision.

44
 Tableau 21 : Cas 5 SARIMA.
Cas 5 Valeur du programme Réel valeur Erreur Erreur en % MAPE
Janvier 12192102 12 675 478 483 376 3,813473543 2,278272455
Février 10123073 10 345 678 222 605 2,151671452
Mars 10362219 10 898 490 536 271 4,920599092
Avril 11453393 11 123 456 329 937 2,966137503
Mai 12619239 12 654 321 35 082 0,277233366
Juin 13475328 13 567 890 92 562 0,682213668
Juillet 16369438 16 789 012 419 574 2,499098815
Aout 17659201 17 690 123 30 922 0,174798106
Septembre 15746626 15 478 901 267 725 1,729612458
Octobre 12529403 12 567 890 38 487 0,306232788
Novembre 10728277 10 361 412 366 865 3,540685381
Decembre 9244700 8 865 478 379 222 4,277513294

3.5.2. Modèle Foret Aléatoire

Le Tableau 22 avec l'algorithme Foret Aléatoire montre des prévisions mensuelles pour le cas 1
avec un MAPE global de 7,04%, indiquant une performance modérée du modèle. Les erreurs de
prévision sont particulièrement élevées en mars (10,46%), avril (12,36%), mai (14,32%) et août
(9,54%), signalant une moins bonne précision pour ces mois. En revanche, les prévisions sont plus
précises en octobre (0,97%), décembre (1,32%) et février (2,11%), où les erreurs sont plus faibles.
Les autres mois montrent des erreurs variant de 3,46% à 9,54%. Cela indique que bien que le
modèle soit relativement précis dans certains mois, il montre des limitations importantes dans
d'autres, notamment durant les mois où la production varie significativement. Cette analyse met
en lumière la nécessité d'améliorer le modèle ou d'explorer des méthodes complémentaires pour
accroître la précision des prévisions sur l'ensemble de l'année.

Tableau 22 : Cas 1 Foret Aléatoire.

Cas 1 Valeur du programme Réel valeur Erreur Erreur en % MAPE

Janvier 13114159 12 675 478 438 681 3,460863567 7,035814006
Février 10564015 10 345 678 218 337 2,11041751
Mars 9758099 10 898 490 1 140 391 10,46375232
Avril 9749025 11 123 456 1 374 431 12,35615082
Mai 10842760 12 654 321 1 811 561 14,31575033
Juin 12273768 13 567 890 1 294 122 9,538122729
Juillet 15315288 16 789 012 1 473 724 8,777907836
Aout 16003109 17 690 123 1 687 014 9,53647411
Septembre 14696246 15 478 901 782 655 5,056269822
Octobre 12445452 12 567 890 122 438 0,974212855
Novembre 11037345 10 361 412 675 933 6,523560688
Decembre 8982173 8 865 478 116 695 1,316285484

Le Tableau 23 utilisant l'algorithme Foret Aléatoire montre une amélioration globale des
prévisions pour le cas 2 par rapport au cas 1, avec un MAPE global de 4,60%. Les erreurs les plus
élevées sont observées en février (7,49%), mars (8,72%), et janvier (6,27%), tandis que les mois
d'avril (2,57%), juillet (3,85%), août (3,54%), septembre (3,52%), et octobre (3,52%) présentent
des prévisions relativement plus précises. Novembre affiche une erreur minimale de 0,48%,
indiquant une performance particulièrement robuste pour ce mois. La réduction des erreurs en
comparaison avec le Cas 1 suggère que le traitement des données COVID a effectivement amélioré
la précision des prévisions pour la majorité des mois. Cela démontre la capacité de l'algorithme à

45
mieux gérer les données ajustées pour les anomalies spécifiques de l'année 2020, produisant des
résultats plus cohérents et fiables pour les mois les plus affectés par la pandémie.
Tableau 23 : Cas 2 Foret Aléatoire.
CAS 2 Valeur du programme Réel valeur Erreur Erreur en % MAPE
Janvier 11880606 12 675 478 794 872 6,270942997 4,599359328
Février 9570336 10 345 678 775 342 7,494356581
Mars 9948481 10 898 490 950 009 8,716886468
Avril 10837364 11 123 456 286 092 2,571970438
Mai 11924419 12 654 321 729 902 5,768006043
Juin 12878462 13 567 890 689 428 5,081320677
Juillet 16142063 16 789 012 646 949 3,853407217
Aout 17063540 17 690 123 626 583 3,541993462
Septembre 14934237 15 478 901 544 664 3,518751105
Octobre 12126084 12 567 890 441 806 3,515355402
Novembre 10311224 10 361 412 50 188 0,484374137
Decembre 8477618 8 865 478 387 860 4,374947408

Le Tableau 24 montre les résultats des prévisions en utilisant l'algorithme Foret Aléatoire après
avoir supprimé l'année 2020 pour le cas 3, et présente un MAPE global de 4,53%. Les erreurs les
plus significatives sont observées en février (7,23%), mars (8,73%), et janvier (5,44%). Ces mois
montrent encore des variations importantes, même après la suppression de l'année 2020.
Cependant, les mois d'avril (2,59%), septembre (3,53%), octobre (3,53%), et novembre (0,50%)
présentent des erreurs relativement basses, démontrant une meilleure précision des prévisions pour
ces périodes. Les mois de juillet (3,96%) et août (3,56%) montrent également une performance
améliorée avec des erreurs modérées. La suppression de l'année 2020 semble avoir stabilisé les
prévisions, réduisant les effets des anomalies extrêmes causées par la pandémie.
En particulier, l'algorithme montre une robustesse accrue avec des erreurs plus uniformes et des
prévisions plus fiables pour la plupart des mois, indiquant une amélioration par rapport aux
scénarios où les données de 2020 étaient incluses.
Tableau 24 : Cas 3 Foret Aléatoire.
Cas 3 Valeur du programme Réel valeur Erreur Erreur en % MAPE
Janvier 11985347 12 675 478 690 131 5,444615185 4,527392213
Février 9597437 10 345 678 748 241 7,232401782
Mars 9947093 10 898 490 951 397 8,729622177
Avril 10835853 11 123 456 287 603 2,585554346
Mai 11922763 12 654 321 731 558 5,781092482
Juin 12876666 13 567 890 691 224 5,094557813
Juillet 16124527 16 789 012 664 485 3,957856484
Aout 17061160 17 690 123 628 963 3,555447297
Septembre 14932154 15 478 901 546 747 3,532208133
Octobre 12124392 12 567 890 443 498 3,528818282
Novembre 10309786 10 361 412 51 626 0,498252555
Decembre 8476436 8 865 478 389 042 4,388280023

Le Tableau 25 présente les résultats des prévisions avec l'algorithme Foret Aléatoire, après
suppression des valeurs aberrantes pour le cas 4. Le MAPE global est de 7,00%, indiquant une
performance modérément améliorée par rapport à certains autres cas. Les erreurs les plus notables
se trouvent en mars (10,01%), avril (10,17%), et décembre (20,44%), où les prévisions montrent
une divergence significative par rapport aux valeurs réelles. Malgré la suppression des valeurs
aberrantes, certains mois continuent de présenter des écarts importants, ce qui suggère que les
valeurs aberrantes ont un impact persistant sur la précision des prévisions dans certaines périodes.

46
En revanche, des performances plus robustes sont observées en janvier (3,98%), février (2,62%),
et octobre (0,28%), où les erreurs sont relativement faibles, illustrant une meilleure adaptation du
modèle à ces mois. Juillet (8,85%) et août (6,49%) montrent des erreurs notables mais moins
extrêmes. L'approche de suppression des valeurs aberrantes semble avoir réduit certaines erreurs
extrêmes, mais n'a pas complètement éliminé les écarts importants pour certains mois, indiquant
qu'un traitement plus sophistiqué des valeurs aberrantes pourrait être nécessaire pour améliorer
davantage la précision globale du modèle.

Tableau 25 : Cas 4 Foret Aléatoire.

Cas 4 Valeur du programme Réel valeur Erreur Erreur en % MAPE
Janvier 13179892 12 675 478 504 414 3,97944756 7,004290763
Février 10616966 10 345 678 271 288 2,622235101
Mars 9807011 10 898 490 1 091 479 10,0149562
Avril 9992650 11 123 456 1 130 806 10,16595921
Mai 11541512 12 654 321 1 112 809 8,79390526
Juin 12689387 13 567 890 878 503 6,474868237
Juillet 15303916 16 789 012 1 485 096 8,845642614
Aout 16541535 17 690 123 1 148 588 6,492820881
Septembre 14844277 15 478 901 634 624 4,099929317
Octobre 12602671 12 567 890 34 781 0,276744943
Novembre 10552795 10 361 412 191 383 1,847074511
Decembre 7053560 8 865 478 1 811 918 20,43790532

Le Tableau 26 présente les résultats des prévisions avec l'algorithme Foret Aléatoire après
normalisation des valeurs aberrantes pour le cas 5. Le MAPE global est de 6,97%, indiquant une
performance globalement meilleure que certains autres cas, bien que certaines erreurs importantes
subsistent. Les erreurs les plus élevées sont observées en mars (12,32%), mai (16,09%), juin
(11,41%), juillet (10,66%), et août (11,41%), démontrant des divergences significatives entre les
prévisions et les valeurs réelles. Malgré l'approche de suppression des valeurs aberrantes, certains
mois montrent encore des écarts substantiels, ce qui pourrait suggérer que d'autres facteurs
influencent la précision des prévisions pendant ces périodes.

Cependant, des performances remarquables sont observées en janvier (1,32%), février (0,001%),
octobre (3,02%), et décembre (0,78%), où les erreurs sont minimes, indiquant une bonne
adaptation du modèle pour ces mois. En septembre, l'erreur est de 7,02%, ce qui est plus modéré
par rapport aux mois avec les erreurs les plus élevées.

Cette analyse suggère que bien que la suppression des valeurs aberrantes ait amélioré la précision
des prévisions pour certains mois, il reste des périodes où des améliorations supplémentaires sont
nécessaires. Un traitement plus fin des valeurs aberrantes ou l'ajout de facteurs explicatifs
supplémentaires pourrait être envisagé pour affiner les prévisions du modèle et réduire les écarts
restants.

47
 Tableau 2 : Cas 5 Foret Aléatoire.

Cas 5 Valeur du programme Réel valeur Erreur Erreur en % MAPE

Janvier 12842982 12 675 478 167 504 1,321480736 6,972198561
Février 10345570 10 345 678 108 0,001043914
Mars 9556320 10 898 490 1 342 170 12,31519229
Avril 11715233 11 123 456 591 777 5,320082176
Mai 10618552 12 654 321 2 035 769 16,08754037
Juin 12019969 13 567 890 1 547 921 11,40870835
Juillet 14998596 16 789 012 1 790 416 10,664213
Aout 15672194 17 690 123 2 017 929 11,40709423
Septembre 14392354 15 478 901 1 086 547 7,019535818
Octobre 12188102 12 567 890 379 788 3,021891503
Novembre 10809113 10 361 412 447 701 4,320849321
Decembre 8796438 8 865 478 69 040 0,778751016

3.5.3. Modèle Holt Winters

Dans le premier cas comme indiqué dans le Tableau 27, les prévisions de l'algorithme Holt-
Winters présentent des écarts significatifs par rapport aux valeurs réelles, avec un MAPE global
de 19,33%. Les mois de mars, avril et mai affichent les erreurs les plus élevées, dépassant les 20%,
indiquant une difficulté à capturer les variations saisonnières et les tendances. Bien que certaines
erreurs restent relativement faibles, comme en novembre, la performance globale montre une
nécessité d'améliorer la précision des prévisions, notamment en tenant compte des fluctuations
saisonnières et des tendances historiques plus précisément.

Tableau 3 : Cas 1 Holt Winters.

Cas 1 Valeur du programme Réel valeur Erreur Erreur en % MAPE
Janvier 12180961 12 675 478 494 517 3,901367664 19,33254045
Février 9765002 10 345 678 580 676 5,612739929
Mars 8628217 10 898 490 2 270 273 20,83107843
Avril 8152751 11 123 456 2 970 705 26,70667282
Mai 8942135 12 654 321 3 712 186 29,33532348
Juin 10248405 13 567 890 3 319 485 24,46574228
Juillet 12643952 16 789 012 4 145 060 24,68912405
Aout 13189070 17 690 123 4 501 053 25,44387622
Septembre 12160604 15 478 901 3 318 297 21,43754909
Octobre 10213511 12 567 890 2 354 379 18,73328777
Novembre 8988298 10 361 412 1 373 114 13,25218995
Decembre 7306791 8 865 478 1 558 687 17,58153367

Dans le deuxième cas comme indiqué dans le Tableau 28, les prévisions générées par l'algorithme
Holt-Winters montrent une nette amélioration par rapport au cas précédent, avec un MAPE global
de seulement 2,50%. Les erreurs les plus élevées sont observées en mars, mais restent relativement
basses par rapport au cas initial, ce qui suggère une meilleure capture des variations saisonnières
et des tendances historiques, même avec les données du COVID-19. Les mois d'avril à décembre
présentent des erreurs encore plus faibles, certaines inférieures à 2%, indiquant une précision
accrue dans la prédiction des données. Cette amélioration significative reflète l'efficacité de la
normalisation des données COVID-19 pour obtenir des prévisions plus précises et fiables,
démontrant ainsi l'adaptabilité de l'algorithme dans la gestion des anomalies spécifiques de l'année
2020.

48
 Tableau 4 : Cas 2 Holt Winters.
Cas 2 Valeur du programme Réel valeur Erreur Erreur en % MAPE
Janvier 12266953 12 675 478 408 525 3,222955379 2,503255665
Février 9954804 10 345 678 390 874 3,778138079
Mars 10372081 10 898 490 526 409 4,830109492
Avril 11174556 11 123 456 51 100 0,4593896
Mai 12194092 12 654 321 460 229 3,636931606
Juin 13156634 13 567 890 411 256 3,031097687
Juillet 16321093 16 789 012 467 919 2,78705501
Aout 17360765 17 690 123 329 358 1,861818598
Septembre 15199627 15 478 901 279 274 1,804223698
Octobre 12350411 12 567 890 217 479 1,730433669
Novembre 10523840 10 361 412 162 428 1,567624181
Decembre 8983326 8 865 478 117 848 1,329290987

Dans le cas 3 comme indiqué dans le Tableau 29, où les données de l'année 2020 ont été
complètement supprimées, les prévisions de l'algorithme Holt-Winters montrent une amélioration
significative par rapport aux cas précédents, avec un MAPE global de seulement 2,12%. Les
erreurs les plus élevées sont observées en mars et juillet, mais restent relativement faibles par
rapport aux cas précédents, ce qui indique une meilleure capture des tendances saisonnières sans
l'influence de l'année 2020. Les mois d'avril à décembre présentent des erreurs encore plus faibles,
inférieures à 2%, démontrant une bonne précision dans la prédiction des données lorsque les
données de l'année 2020 sont exclues. Cette amélioration indique que la suppression des données
de l'année 2020 permet à l'algorithme de mieux capturer les tendances et la saisonnalité, conduisant
ainsi à des prévisions plus précises et fiables.

Tableau 5 : Cas 3 Holt Winters.

Cas 3 Valeur du programme Réel valeur Erreur Erreur en % MAPE
Janvier 12542263 12 675 478 133 215 1,050966283 2,116998428
Février 10089078 10 345 678 256 600 2,480262773
Mars 10483874 10 898 490 414 616 3,804343537
Avril 11247712 11 123 456 124 256 1,117062898
Mai 12239925 12 654 321 414 396 3,274739119
Juin 13211900 13 567 890 355 990 2,623768324
Juillet 16331063 16 789 012 457 949 2,727670931
Aout 17457237 17 690 123 232 886 1,316474736
Septembre 15256533 15 478 901 222 368 1,436587778
Octobre 12356790 12 567 890 211 100 1,679677336
Novembre 10503664 10 361 412 142 252 1,372901686
Decembre 9088846 8 865 478 223 368 2,519525738

Dans le cas 4 comme indiqué dans le Tableau 30, où les valeurs aberrantes ont été supprimées, les
prévisions de l'algorithme Holt-Winters montrent une nette dégradation par rapport aux cas
précédents, avec un MAPE global de 27,39%. Cependant, même après avoir supprimé les valeurs
aberrantes, les erreurs restent significativement élevées, dépassant souvent les 20% pour la plupart
des mois. Cela suggère que même sans les données aberrantes, l'algorithme éprouve des difficultés
à capturer les tendances de manière précise. Bien que certaines erreurs soient relativement plus
faibles pour certains mois comme octobre, la performance globale reste en dessous des attentes,
indiquant un besoin d'amélioration dans la modélisation des tendances pour produire des
prévisions plus précises et fiables.

49
 Tableau 30 : Cas 4 Holt Winters.
Cas 4 Valeur du programme Réel valeur Erreur Erreur en % MAPE
Janvier 9916076 12 675 478 2 759 402 21,769609 27,38982828
Février 9788163 10 345 678 557 515 5,388868666
Mars 8959833 10 898 490 1 938 657 17,78830829
Avril 7558518 11 123 456 3 564 938 32,04883446
Mai 7155512 12 654 321 5 498 809 43,45400279
Juin 8384085 13 567 890 5 183 805 38,20641972
Juillet 10442531 16 789 012 6 346 481 37,80139653
Aout 10193041 17 690 123 7 497 082 42,3800445
Septembre 11038005 15 478 901 4 440 896 28,6899955
Octobre 10148411 12 567 890 2 419 479 19,25127448
Novembre 8634963 10 361 412 1 726 449 16,66229468
Decembre 6628107 8 865 478 2 237 371 25,23689078

Dans le cas 5 comme indiqué dans le Tableau 31, où les valeurs aberrantes ont été normalisées,
les prévisions de l'algorithme Holt-Winters montrent une amélioration notable par rapport au cas
précédent, avec un MAPE global de 17,24%. Les erreurs sont généralement plus faibles pour la
plupart des mois par rapport au cas 4, indiquant une meilleure capture des tendances saisonnières.
Bien que certains mois comme mai présentent encore des erreurs relativement élevées, la
performance globale s'est améliorée, montrant une meilleure adéquation des prévisions avec les
valeurs réelles. Cela suggère que la normalisation des valeurs aberrantes a permis à l'algorithme
de mieux modéliser les tendances, produisant ainsi des prévisions plus précises et fiables pour
l'ensemble des données.
Tableau 31 : Cas 5 Holt Winters.
Cas 5 Valeur du programme Réel valeur Erreur Erreur en % MAPE
Janvier 12327304 12 675 478 348 174 2,746831323 17,24391899
Février 9887569 10 345 678 458 109 4,428022987
Mars 8727142 10 898 490 2 171 348 19,92338388
Avril 10851578 11 123 456 271 878 2,444186411
Mai 8993947 12 654 321 3 660 374 28,92588231
Juin 10276325 13 567 890 3 291 565 24,25996231
Juillet 12648122 16 789 012 4 140 890 24,66428638
Aout 13169565 17 690 123 4 520 558 25,55413549
Septembre 12117390 15 478 901 3 361 511 21,71672911
Octobre 10146581 12 567 890 2 421 309 19,26583539
Novembre 8897675 10 361 412 1 463 737 14,12681013
Decembre 7192477 8 865 478 1 673 001 18,87096217

3.6. Evaluation des modèles

Dans cette partie, nous allons présenter évaluer le résultat des différents modèles pour les cas 1,
2, 3, 4 et 5.
3.6.1. SARIMA
Pour analyser les performances du modèle SARIMA, nous présentons ci-dessous les résultats en
termes de MAPE pour les différents cas étudiés.
Tableau 32 : Résultat du modèle SARIMA en fonction de la MAPE.
Modèle/MAPE Cas 1 Cas 2 Cas 3 Cas 4 Cas 5
Sarima 2,338 5,34 8.71 8,88 2.27

50
• Cas 1 : Données brute
SARIMA montre une très bonne performance avec les données brutes, obtenant une MAPE de
2,338 comme indiqué dans le Tableau 32. Cela indique que le modèle est bien adapté aux données
initiales sans aucune transformation ou manipulation.
• Cas 2 : Normalisation de l'année 2020 (Covid)
Après la normalisation de l'année 2020, la performance de SARIMA se dégrade légèrement avec
une MAPE de 5,34. Cela est dû à la perturbation introduite par la normalisation des données
spécifiques à l'année 2020.
• Cas 3 : Suppression de l'année 2020 (Covid)
La suppression complète de l'année 2020 entraîne une dégradation significative de la performance
du modèle, avec une MAPE de 8,71. Cela suggère que l'année 2020 contenait des informations
importantes pour le modèle et que sa suppression a nui à la précision des prévisions.
• Cas 4 : Suppression des valeurs aberrantes
La suppression des valeurs aberrantes augmente également la MAPE à 8,88, indiquant que ces
valeurs peuvent contenir des informations importantes pour le modèle SARIMA. Leur suppression
nuit à la précision des prévisions.
• Cas 5 : Normalisation des valeurs aberrantes
En revanche, la normalisation des valeurs aberrantes améliore légèrement la performance de
SARIMA, avec une MAPE de 2,27, comparée aux données brutes. Cela suggère que la
normalisation des valeurs aberrantes est bénéfique pour le modèle, rendant les données plus
homogènes sans les supprimer.

Conclusion générale pour SARIMA

Les conclusions tirées des résultats obtenus avec le modèle SARIMA sont :
• Meilleure performance : Cas 5 (Normalisation des valeurs aberrantes) avec une MAPE de 2,27.
• Moins bonne performance : Cas 4 (Suppression des valeurs aberrantes) avec une MAPE de 8,88.
• Observation : La normalisation des valeurs aberrantes améliore légèrement la performance du
modèle. Cependant, la suppression de l'année 2020 ou des valeurs aberrantes nuit
considérablement à la performance. Les données brutes et la normalisation des valeurs aberrantes
semblent être les scénarios les plus favorables pour SARIMA.
SARIMA montre donc une sensibilité importante aux modifications des données, en particulier en
ce qui concerne la suppression d'années ou de valeurs spécifiques.
3.6.2. Forêt Aléatoire
Pour analyser les performances du modèle Forêt Aléatoire, nous présentons ci-dessous les
résultats en termes de MAPE pour les différents cas étudiés.
Tableau 33 : Résultat du modèle Foret Aléatoire en fonction de la MAPE.
Modèle/MAPE Cas 1 Cas 2 Cas 3 Cas 4 Cas 5
Foret Aléatoire 7,03 4,59 4,52 7 6,97

51
• Cas 1 : Données brutes
La performance est moyenne avec les données brutes. Forêt Aléatoire est relativement robuste
même sans manipulation des données, mais il y a place à amélioration.
• Cas 2 : Normalisation de l'année 2020 (Covid)
La normalisation de l'année 2020 améliore la performance, ce qui suggère que la régularisation
des anomalies de cette année rend les données plus homogènes et permet au modèle de mieux
capter les tendances.
• Cas 3 : Suppression de l'année 2020 (Covid)
Une légère amélioration supplémentaire est observée avec la suppression de l'année 2020. Cela
indique que l'élimination des données perturbatrices de 2020 permet au modèle de fonctionner
encore mieux.
• Cas 4 : Suppression des valeurs aberrantes
La performance reste relativement stable, légèrement meilleure que les données brutes, mais pas
de manière significative. Cela montre que Forêt Aléatoire est assez résistant aux valeurs
aberrantes.
• Cas 5 : Normalisation des valeurs aberrantes
La normalisation des valeurs aberrantes apporte une légère amélioration, mais elle est similaire à
celle des données brutes. Cela suggère que la normalisation aide, mais peut-être pas de manière
significative pour ce modèle spécifique.
Conclusion générale pour Forêt Aléatoire
Les conclusions tirées des résultats obtenus avec le modèle Forêt Aléatoire sont :
• Meilleure performance : Cas 3 (Suppression de l'année 2020 (Covid)) avec une MAPE de 4,52.
• Moins bonne performance : Cas 1 (Données brutes) avec une MAPE de 7,03.
• Observation :
1. Stable et robuste à travers divers scénarios.
2. Amélioration notable avec la normalisation et suppression de l'année 2020.
3. Résiste bien aux valeurs aberrantes, avec des performances moyennes dans presque tous les cas.
Forêt Aléatoire est un modèle plus robuste et stable qui peut gérer les variations dans les données
sans dégradation significative de la performance. Ce modèle est particulièrement adapté lorsque
les données contiennent des anomalies ou des valeurs aberrantes, car il maintient des performances
raisonnables dans presque tous les cas.
3.6.3. Holt Winters
Pour analyser les performances du modèle Holt Winters, nous présentons ci-dessous les résultats
en termes de MAPE pour les différents cas étudiés.
Tableau 34 : Résultat du modèle Holt Winters en fonction de la MAPE.
Modèle/MAPE Cas 1 Cas 2 Cas 3 Cas 4 Cas 5
Holt Winters 19,33 2,5 2,11 27,38 17,24

52
• Cas 1 : Données brutes
Holt-Winters performe mal avec les données brutes. Cette haute MAPE indique que les données
brutes, sans ajustement, ne conviennent pas bien à ce modèle. Cela est dû à la présence de
tendances et de saisonnalités irrégulières dans les données brutes qui perturbent le modèle.
• Cas 2 : Normalisation de l'année 2020 (Covid)
Une nette amélioration est observée après la normalisation de l'année 2020. La normalisation a
probablement atténué les perturbations causées par les événements anormaux de 2020, rendant les
données plus régulières et plus adaptées au modèle Holt-Winters.
• Cas 3 : Suppression de l'année 2020 (Covid)
Holt-Winters montre sa meilleure performance avec la suppression de l'année 2020. Cela indique
que les anomalies de 2020 ont un impact significatif sur les prévisions et que leur suppression
permet au modèle de fonctionner de manière optimale avec des données plus stables.
• Cas 4 : Suppression des valeurs aberrantes
La suppression des valeurs aberrantes entraîne une détérioration significative de la performance.
Cela suggère que les valeurs aberrantes contiennent des informations cruciales pour le modèle
Holt-Winters, et leur absence nuit à la précision des prévisions.
• Cas 5 : Normalisation des valeurs aberrantes
La normalisation des valeurs aberrantes améliore la performance par rapport aux données brutes,
mais reste moins efficace que les cas de normalisation ou de suppression de l'année 2020. Cela
indique que bien que la normalisation aide, elle n'est pas aussi bénéfique que d'autres
manipulations de données spécifiques.
Conclusion générale pour Holt Winters
Les conclusions tirées des résultats obtenus avec le modèle Holt Winters sont :
• Meilleure performance : Cas 3 (Suppression de l'année 2020 (Covid)) avec une MAPE de 2,11.
• Moins bonne performance : Cas 4 (Suppression des valeurs aberrantes) avec une MAPE de
27,38.
• Observation : Très sensible aux valeurs aberrantes et aux anomalies.
Holt-Winters est très performant dans des cas spécifiques (suppression ou normalisation de l'année
2020) mais est extrêmement sensible aux perturbations dans les données, comme la suppression
des valeurs aberrantes, ou bien la présence d’anomalie comme l’année du COVID 2020.

3.7. Résultats et Discussions

Dans l'analyse des résultats, il ressort que le modèle Holt-Winters se distingue comme étant
généralement le plus performant, surtout lorsque l'on exclut les données de l'année du COVID-19.
Cependant, il convient de noter que le modèle SARIMA affiche également des performances
remarquables, même avec les données brutes, enregistrant seulement 2,3% d'erreur. L'écart de
performance entre Holt-Winters et SARIMA est minime, avec seulement 0,2% en faveur de Holt-
Winters. Néanmoins, la nature non répétitive du COVID-19 avantage légèrement Holt-Winters,
mieux adapté à la modélisation des anomalies non récurrentes. Cette nuance soulève la question
stratégique de choisir entre la précision des prévisions dans des conditions normales et la capacité
à gérer les anomalies.

53
Une considération essentielle est que Holt-Winters peut rencontrer des difficultés significatives en
présence d'anomalies. Les modèles Holt-Winters sont sensibles aux variations soudaines et
importantes dans les données, telles que les anomalies ou les valeurs aberrantes, ce qui peut
entraîner des prévisions imprécises, voire erronées. Cette sensibilité accrue aux anomalies peut
constituer un inconvénient majeur, surtout dans des environnements où des événements
exceptionnels peuvent se produire de manière imprévisible. Ainsi, bien que Holt-Winters puisse
offrir des prévisions précises dans des conditions stables, il est important de reconnaître ses
limitations lorsqu'il est confronté à des données avec des anomalies potentielles.

En fin de compte, le choix entre Holt-Winters et SARIMA dépend des préférences et des objectifs
spécifiques de l'entreprise en matière de gestion des risques et de précision des prévisions. Si la
stabilité est une priorité et que le risque associé aux anomalies doit être minimisé, SARIMA peut
être une meilleure option, même si elle affiche une légère baisse de performance par rapport à
Holt-Winters dans des conditions normales. Cependant, si la précision dans des conditions
normales est cruciale et que l'entreprise est prête à prendre le risque associé aux anomalies, alors
Holt-Winters peut être préféré.

3.8. Conclusion

En conclusion, cette partie pratique a exploré diverses approches de modélisation pour la prévision
des ventes à partir des données historiques de 2019 à 2022. Nous avons suivi un cycle
méthodologique rigoureux en définissant le problème, collectant et préparant les données, puis en
entraînant et évaluant plusieurs modèles pour en discuter les résultats.

Nous avons souligné l'importance cruciale de la préparation des données, particulièrement dans
des contextes perturbés comme celui de la pandémie de COVID-19, où des choix de prétraitement
peuvent fortement influencer la performance des modèles.

En synthèse, cette partie a offert une compréhension approfondie des défis et des opportunités liées
à la prévision de production à travers des techniques avancées de modélisation des séries
temporelles, fournissant des recommandations pratiques pour renforcer les capacités
prévisionnelles des entreprises.

Dans notre quête continue pour optimiser la disponibilité de la machine, nous avons déjà amélioré
son efficacité avec l'approche SMED/TRS et optimisé l'approvisionnement en matières premières
via l'intelligence artificielle. Le prochain chapitre se concentrera sur la disponibilité des pièces de
rechange, détaillant la mise en œuvre d'un système de gestion de la maintenance assistée par
ordinateur (GMAO). Cette étape complétera notre stratégie intégrée visant à maintenir la machine
en fonctionnement optimal, renforçant ainsi la performance industrielle en termes de disponibilité
et d'efficacité opérationnelle.

54
Chapitre IV Implantation d’un projet GMAO
conforme aux objectifs de l’entreprise

55
4.1. Introduction

Pour optimiser la performance industrielle, il est crucial d'assurer la disponibilité des machines,
un facteur clé du TRS (Taux de Rendement Synthétique). Lors de notre stage, nous avons observé
que la machine ASB-70DWP, souvent en panne, a des interventions de maintenance prolongées,
allant d'une semaine à trois mois. Les principales causes de ces retards sont le manque de pièces
de rechange et le manque de savoir-faire.
Dans ce chapitre, nous mettons en œuvre un projet de Gestion de Maintenance Assistée par
Ordinateur (GMAO) au sein de l'unité ATLAS, en l'appliquant spécifiquement à la machine ASB-
70DPW. Le chapitre débute par une présentation générale du projet GMAO, où nous analysons
l'état actuel de la maintenance au sein de l'unité ATLAS. Une analyse SWOT est utilisée pour
identifier les forces, les faiblesses, les opportunités et les menaces. Ensuite, nous abordons les
objectifs du projet GMAO pour l'unité ATLAS et discutons les critères de sélection du logiciel
adéquat. Enfin, nous détaillons la planification du projet GMAO, suivie de la mise en place
effective du projet.

4.2. Généralité sur un projet GMAO

Après avoir consulté le gestionnaire de stock, Mr Bendali Hamza, il est apparu que les pièces de
rechange sont devenues plus coûteuses post-COVID-19, et que l'entreprise mère, NISSEI ASB
MACHINE CO., est le fournisseur exclusif. Laboratoires VENUS SAPECO, en raison de la
mauvaise gestion de stock des pièces de rechange et l’augmentation des couts, ne peut pas stocker
toutes les pièces nécessaires, créant ainsi des ruptures.
Pour résoudre ce problème, il faut, en premier lieu, mettre en place une politique d'achat définie
par un service d'achat qui va bien négocier les contrats d'achat de pièce de rechange, et en
conséquence, éviter le changement de prix qui aura ce type de conséquence. En deuxième lieu, il
faut mettre en place une bonne gestion de la maintenance.
La première solution qui concerne la politique d’achat, était loin d’être appliqué à cause de
l’inexistence su service d’achat et la restriction d’avoir ce type de données. La deuxième solution
était le choix grâce aux données disponible sur les pièces de rechange.
Nous avons proposé d'utiliser un modèle basé sur l'apprentissage automatique et l'intelligence
artificielle pour prévoir les besoins mensuels en pièces de rechange et optimiser le stock.
Cependant, le gestionnaire de stock utilise un fichier Excel inadéquat, entraînant des écarts
significatifs et des pénuries fréquentes.
Nous avons donc proposé la mise en place d'un système de Gestion de Maintenance Assistée par
Ordinateur (GMAO) pour améliorer la gestion des stocks de pièces de rechange, intégrer la
maintenance préventive, gérer les commandes d'achat, et superviser les indicateurs de performance
pour éviter les arrêts de production.
La Gestion de Maintenance Assistée par Ordinateur (GMAO) est un système informatique qui aide
les entreprises à gérer et optimiser leurs activités de maintenance. Ce type de projet comprend
plusieurs étapes clés, chacune visant à améliorer l'efficacité, la productivité et la rentabilité des
opérations de maintenance. Définir un projet GMAO implique une compréhension claire des
besoins de l'entreprise, des objectifs spécifiques à atteindre, et des moyens techniques et humains
nécessaires pour y parvenir.

56
Dans notre cas d’étude, l’entreprise n’a pas un GMAO, donc, il nous faut définir les besoins de
l’entreprise et ses objectifs prévus d’un projet GMAO.
La démarche que nous avons suivie pour implanter un projet GMAO est la suivante :
4.2.1. Analyse des besoins
La première étape consiste à analyser les besoins de l'entreprise en matière de maintenance, où
nous évaluons l’état de la maintenance actuel, et les défis rencontres :

A. Evaluation de l’état actuel de la maintenance

L’unité ATLAS suit une démarche classique pour gestionnaire et pratiquer la maintenance, c’est
la maintenance corrective.
Le bureau de méthode qui contient 2 techniciennes de méthode, rédige des ordres de travail
journaliers pour les techniciens de maintenance. En cas de panne, le technicien fait appel au
responsable maintenance qui décide, selon la gravite et la criticité de la panne, d’arrêter la machine
ou non pour la maintenir. Si l’opération de maintenance nécessite des pièces de rechange, le
responsable de maintenance fait appel au gestionnaire de stock des PDR pour savoir si les pièces
sont disponibles sur stock, sinon, le gestionnaire de stock lance une demande d’achat d’au
département de production. Les pièces de rechange prennent beaucoup de temps pour arriver,
pendant ce temps perdu, la machine soit elle reste en panne et en état d’arrêt, soit elle continue de
produire en même état de panne.
Si le responsable de maintenance ne connait pas la nature de la panne, il fait appel au Service
Apres Vente de l’entreprise mère de la machine. Quelquefois l’entreprise mère envoie des
techniciens étrangers pour maintenir la machine à cause du manque du savoir-faire.

Figure 2 : Processus de Maintenance actuel.

L’état actuel de la maintenance est critique, trop de perte et des couts supplémentaires, et surtout
l’incapacité à satisfaire les clients.
Pour bien détailler, une matrice SWOT a été établie pour la fonction maintenance au sein de l’unité
ATLAS :

a. Forces

57
1. Expertise interne : Le bureau de méthode dispose de deux techniciennes spécialisées qui rédigent
des ordres de travail, assurant ainsi une organisation des tâches de maintenance.
2. Procédures établies : Des procédures claires sont en place pour diagnostiquer les pannes et
prendre des décisions, ce qui permet une réponse structurée aux problèmes de maintenance.
3. Support du SAV : L'entreprise peut faire appel au Service Après-Vente (SAV) de l’entreprise
mère, garantissant un soutien supplémentaire en cas de pannes complexes.

b. Faiblesses

1. Dépendance aux pièces de rechange : Le délai d'approvisionnement en pièces de rechange est

long (1 semaine à 3 mois), ce qui peut entraîner des arrêts prolongés des machines.
2. Temps d'arrêt des machines : Pendant l'attente des pièces, les machines peuvent rester à l'arrêt
ou fonctionner en état de panne, réduisant ainsi l'efficacité de la production.
3. Manque de compétences internes : Le besoin d'appeler des techniciens étrangers pour certaines
pannes indique un manque de savoir-faire interne, ce qui peut entraîner des coûts supplémentaires
et des retards.

c. Opportunités

1. Amélioration de la gestion des stocks : Optimiser la gestion des pièces de rechange pour réduire
les délais d'approvisionnement et minimiser les temps d'arrêt.
2. Formation et développement : Investir dans la formation des techniciens internes pour améliorer
leurs compétences et réduire la dépendance aux techniciens étrangers.
3. Adoption de nouvelles technologies : Implémenter des technologies de maintenance préventive
ou prédictive pour anticiper les pannes et réduire la fréquence des interventions correctives.

d. Menaces

1. Pannes fréquentes et graves : Une dépendance excessive à la maintenance corrective peut

conduire à des pannes fréquentes et graves, perturbant la production et augmentant les coûts de
maintenance.
2. Coûts élevés : Les retards dans la maintenance et l'appel à des techniciens étrangers peuvent
augmenter les coûts opérationnels.
3. Compétitivité réduite : Les longs temps d'arrêt et les interruptions de production peuvent réduire
la compétitivité de l'entreprise sur le marché.

B. Les défis rencontrés

L'unité ATLAS dispose de certaines forces dans son approche de la maintenance corrective,
notamment une organisation structurée et un support disponible via le SAV. Cependant, elle fait
face à des faiblesses significatives telles que les longs délais d'approvisionnement en pièces de
rechange et le manque de compétences internes pour certaines réparations. Pour transformer ces
défis en opportunités, il serait bénéfique d'améliorer la gestion des stocks, d'investir dans la
formation continue des techniciens et d'adopter des technologies de maintenance plus avancées.

58
 Les menaces liées aux pannes fréquentes, aux coûts élevés et à la compétitivité réduite doivent
être gérées de manière proactive pour assurer la pérennité et l'efficacité de l'unité.

4.2.2. Objectifs du Projet GMAO

Sur la base de l'analyse des besoins, les objectifs du projet GMAO sont les suivants :

I. Réduire les Temps d'Arrêt et améliorer la disponibilité des Machines

a. Optimiser la planification des interventions de maintenance : Grâce à une gestion proactive et

prédictive, le projet GMAO doit permettre de mieux planifier les interventions pour minimiser les
arrêts non planifiés.
b. Accélérer l'approvisionnement en pièces de rechange : Intégrer la gestion des stocks de pièces
de rechange dans le système GMAO pour améliorer la disponibilité et réduire les délais d'attente.

II. Améliorer la Gestion des Pièces de Rechange (PDR)

a. Automatiser les demandes de réapprovisionnement : Mettre en place un système automatique

de réapprovisionnement basé sur les niveaux de stock minimum pour éviter les ruptures.
b. Optimiser les stocks : Utiliser des analyses de données pour prévoir les besoins en pièces de
rechange et maintenir des niveaux de stock optimaux.
c. Assurer la disponibilité : Utiliser un système informatise pour gestionnaire la disponibilité des
pièces de rechange.

III. Renforcer les Compétences Internes

a. Former les techniciens : Utiliser le système GMAO pour suivre les compétences des techniciens
et organiser des sessions de formation régulières pour combler les lacunes en compétences.
b. Documenter les interventions : Créer une base de connaissances interne où les techniciens
peuvent accéder aux historiques de maintenance et aux solutions adoptées pour des pannes
similaires.

IV. Améliorer la Réactivité et l'Efficacité des Interventions de Maintenance

a. Standardiser les procédures de diagnostic et de réparation : Intégrer des procédures

standardisées dans le GMAO pour garantir une approche systématique des diagnostics et des
réparations.
b. Faciliter la communication : Utiliser le GMAO pour améliorer la communication entre les
techniciens, les responsables de maintenance et le SAV, en permettant un suivi en temps réel des
interventions.

V. Réduire les Coûts de Maintenance

59
a. Suivre et analyser les coûts de maintenance : Utiliser le GMAO pour enregistrer toutes les
dépenses liées à la maintenance et analyser ces données pour identifier les opportunités de
réduction des coûts.
b. Optimiser les contrats de service : Analyser les performances des fournisseurs de services et des
pièces pour négocier de meilleurs contrats et conditions.

VI Intégrer des Technologies de Maintenance Préventive et Prédictive

a. Implémenter des capteurs : Utiliser des capteurs connectés au GMAO pour surveiller en temps
réel l'état des équipements et anticiper les pannes.
b. Analyser les données : Exploiter les données collectées pour prévoir les défaillances potentielles
et planifier les interventions préventives de manière proactive.
c. Surveiller les indicateurs de performance : Analyser et suivre le tableau de bord des indicateurs
de performance de la maintenance comme le MTBF, MTTR, Taux de Disponibilité, Taux de
Fiabilité, Taux de Maintenance…etc.

L’étape suivante consiste à sélectionner un logiciel pour la mise en place du projet GMAO.

4.2.3. Sélection du logiciel

Après une recherche approfondie, nous avons choisi le logiciel ManageMaint grâce aux différentes
fonctionnalités extraordinaires qu’il porte, la demande d’essai gratuit et un savoir-faire acquis
durant la formation Génie Industriel en module GMAO avancée.

Cet outil est multi-utilisateur et multipostes, et fonctionne sur toutes les versions de Windows. Le
logiciel Manage Maint, en constante évolution, existe depuis plus de 15 ans. Plus de 800 clients le
font confiance : Agroalimentaire, industrie, plasturgie, menuiserie, automobile, énergie ... les
domaines sont variés, preuve que la GMAO Manage Maint peut s'adapter à tous les domaines
d'activités.

Le logiciel ManageMaint de « AS Informatique » est une solution GMAO complète et intuitive,

idéale pour l'unité ATLAS. Il permet une gestion efficace des interventions de maintenance
préventive et corrective, en optimisant la planification et le suivi des tâches. Le logiciel assure une
gestion automatisée des stocks de pièces de rechange, minimisant ainsi les temps d'arrêt des
machines.

ManageMaint propose également une traçabilité complète des interventions et la génération de

rapports détaillés pour analyser les coûts et les performances de maintenance. Accessible via une
interface conviviale et une application mobile, il facilite la communication entre techniciens et
responsables.

Le logiciel offre un support et une formation pour garantir une adoption fluide et efficace,
répondant ainsi aux besoins spécifiques de l'unité ATLAS en matière de maintenance (Consultez
l’annexe V).

60
4.2.4. Planification du projet GMAO

La planification du projet GMAO pour l'unité ATLAS, est répartie sur six mois, présente une
approche méthodique et structurée, assurant une transition en douceur vers l'utilisation du logiciel
ManageMaint :

A. Négociation et achat (Mois 1)

Cette étape implique des discussions pour finaliser l'acquisition du logiciel GMAO ManageMaint.
Les négociations couvrent les termes du contrat, les fonctionnalités spécifiques, et le coût. Cette
phase est critique pour s'assurer que toutes les exigences de l'unité ATLAS sont couvertes par
l'offre.

B. Formation du personnel (Mois 2 à 3)

Les employés de l'unité ATLAS, incluant les techniciens de maintenance, responsables, et

gestionnaires de stock, reçoivent une formation intensive sur l'utilisation de ManageMaint. Cette
formation est essentielle pour garantir une utilisation efficace et optimale du logiciel dès son
implémentation.

C. Remplissage de la base de données (Mois 3 à 4)

Durant cette période, les informations essentielles sur les équipements, les historiques de
maintenance, les fournisseurs, et les pièces de rechange sont intégrées dans le logiciel. Cette tâche
est cruciale pour s'assurer que tous les éléments nécessaires à la maintenance sont disponibles dans
le système.

D. Commencement du fonctionnement (Mois 4)

Le logiciel GMAO ManageMaint commence officiellement à être utilisé pour la gestion des
interventions. Cette phase marque le début de la gestion automatisée de la maintenance, facilitant
la planification et le suivi des travaux.

E. Surveillance des indicateurs de performance (Mois 5 à 6)

Les indicateurs clés de performance (KPI) sont surveillées pour évaluer l'efficacité du nouveau
système. Les données collectées permettent d'identifier les améliorations potentielles et d'ajuster
les processus en conséquence pour maximiser les bénéfices du GMAO.

F. Diffusion complète sur l'entreprise Laboratoires VENUS (Mois 6)

Le logiciel est déployé sur toute l'entreprise, couvrant tous les départements concernés. Cette étape
garantit une intégration complète du système de GMAO, améliorant la coordination entre les
différents services et assurant une gestion unifiée de la maintenance.

61
 Figure 3 : Calendrier du projet GMAO

A cause du temps insuffisant, nous avons décidé d’appliquer la version gratuite et limitée pour la
gestion du stock des pièces de rechanges, comme si c’est le premier besoin de la maintenance au
sein de l’unité ATLAS.

La prochaine étape sera la mise en œuvre du projet au niveau du stock de pièces de rechanges.

4.2.5. Mise en œuvre du projet ManageMaint

La mise en œuvre du ManageMaint sera pour la machine ASB-70DPW que nous avons appliqué le SMED
:

Figure 4 : Interface graphique de ManageMaint4.

I. Gestion des machines et organes

Nous ajoutons la machine ASB 70DPW et nous saisissons les détails nécessaires.

62
Figure 5 : Gestion des Machines-Détails.

Figure 6 : Gestion des Machines-Divers.

63
.
Figure 7 : Gestion des Machines-Images.

Figure 8 : Gestion des Machines-Remarques.

Figure 9 : Gestion des Machines-Fichiers.

64
 Figure 10 : Gestion des Machines-Arrêts.

Ce module permet aussi d’ajouter les organes de la machine :

Figure 11 : Gestion des Machines-Organes.

Après l’ajout de la machine ASB 70DPW, nous ajoutons les pièces de rechanges nécessaires pour cette
machine dans le module ‘’Articles du magasin’’ :

65
Figure 12 : Gestion du Magasin-Listes des articles du magasin.

Figure 13 : Gestion du Magasin-Détails.

66
Figure 14 : Gestion du Magasin-Divers.

Figure 15 : Gestion du Magasin-Images.

67
Figure 16 : Gestion du Magasin-Fichiers.

Figure 17 : Gestion du Magasin-Fournisseurs.

68
 Figure 18 : Gestion du Magasin-Magasin rempli.

Après l’ajout des PDRs, nous ajoutons les fournisseurs :

Figure 19 : Gestion du Magasin-Détails fournisseurs.

Maintenant, nous passons vers la gestion du personnel :

69
 Figure 20: Gestion du Personnel-Détails.

Figure 21: Gestion du Personnel-Liste du personnel.

Après que nous ayant ajouté la machine, ses organes, une quantité de ses PDRs ainsi que le
personnel responsable sur la maintenance de cette machine, nous nous intéressons au module ‘’
Contrat de Maintenance’’ pour faire gestionnaire les contrats de maintenance pour les fournisseurs
de la machine, soient produits ou services.

70
 Figure 22 : Contrats de Maintenance-Détails.

Figure 23 : Contrats de Maintenance.

Puis, nous ajoutons une demande d’achat pour l’un des articles de PDRs :

71
 Figure 24 : Gestion des demandes d’Achats-Détails.

Figure 25 : Gestion des demandes d’achats- Liste des demandes d’Achat.

72
Maintenant nous pouvons voir et surveiller le tableau de bord :

Figure 26 : Tableau de Bord.

Figure 27 : Indicateurs MTBF /MTTR.

73
Nous devons aussi configurer l’impression des demandes d’achat :

Figure 28: Configuration d’impression des Demandes-Demande d’achat.

74
Et pour finir, nous avons configuré une connexion entre le logiciel ManageMaint et l’application
ManageMaint disponible sur Google Play Store, qui donne la possibilité de faire la supervision et la
modification en ligne comme suit :

Figure 29 : Gestion de Module Android.

75
Pour connecter le logiciel avec l’application, il faut entrer le Port et l’Adresse IP dans l’application :

Figure 30 : Application ManageMaint sur Android.

76
Enfin, nous allons présenter un rapport sur les indicateurs de performance de la maintenance de l’unité
INJECTION-SOUFFLAGE qui contient la machine ASB-70DPW :

Figure 31 : Rapport sur les indicateurs de performance de la maintenance, INJECTION-

SOUFFLAGE.

77
4.3. Conclusion

Durant notre stage, nous avons rencontré plusieurs obstacles limitant l'application de nos solutions
dans un cadre spécifié. Le principal problème était la contrainte temporelle : une période de stage
de deux mois s'avère insuffisante pour diagnostiquer l'environnement de travail, proposer des
solutions, les mettre en œuvre et vérifier leur efficacité.

Notre étude est limitée par plusieurs facteurs : la durée du stage, les ressources matérielles
nécessaires, la disponibilité des ouvriers et des responsables, ainsi que l'accès aux données. Malgré
ces contraintes, notre étude a été bien accueillie par les dirigeants de l'entreprise, qui sont prêts à
intégrer nos solutions.

Pour contribuer efficacement, nous avons travaillé en équipe, atteint les objectifs fixés, réalisé un
diagnostic de l'état actuel de l'usine, interprété les résultats, mené des séances de brainstorming,
innové des solutions, présenté ces solutions aux responsables de manière efficace, communiqué
de façon claire et travaillé de manière régulière.

Après l'application du SMED pour améliorer le TRS et de l'Intelligence Artificielle pour optimiser
la production, tous dans le but d'améliorer la performance industrielle, nous avons réussi à
implanter la GMAO ManageMaint sous la version gratuite pour tester le logiciel et ses
fonctionnalités. Cela vise à améliorer la performance de la maintenance de l'unité ATLAS,
notamment en augmentant le taux de disponibilité des machines pour une meilleure performance
industrielle. La solution a été bien accueillie par l'administration de l'entreprise Laboratoires
VENUS SAPECO, qui est prête à acheter la version complète du logiciel.

À cet effet, nous avons demandé un devis (Annexe V) depuis le site officiel d'AS Informatique.
Le devis porte sur trois licences pour l'utilisation du logiciel par un administrateur serveur et deux
utilisateurs. Le montant du devis est de 540 euros, une somme négligeable pour une entreprise qui
domine un secteur d'activité (consultez l'annexe V pour voir le devis). Ceci constitue un premier
pas pour que l'entreprise intègre la maintenance préventive dans la politique de maintenance de
son système de production.

78
Conclusion Générale
Notre projet avait pour objectif d'optimiser la disponibilité des machines au sein de l'unité ATLAS,
et nous avons adopté trois approches principales pour y parvenir. Premièrement, nous avons mis
en œuvre la méthode SMED afin de réduire le temps de changement de série, ce qui a conduit à
une amélioration notable du TRS. Cette démarche a permis d'augmenter l'efficacité opérationnelle
et de minimiser les périodes d'inactivité des machines.

Deuxièmement, nous avons utilisé des algorithmes d'intelligence artificielle pour optimiser la
gestion de la matière première. En prévoyant avec précision les quantités nécessaires, nous avons
pu garantir une disponibilité constante de la matière première PET. Cette optimisation a non
seulement réduit les coûts de stockage mais aussi amélioré la planification de la production,
assurant ainsi une fluidité des opérations.

Troisièmement, nous avons intégré un logiciel de gestion de maintenance assistée par ordinateur
(GMAO), ManageMaint 4, pour optimiser la gestion des pièces de rechange. Ce logiciel s'est
révélé être un outil précieux pour garantir la disponibilité des pièces de rechange nécessaires,
réduisant ainsi les temps d'arrêt dus à des pannes imprévues. ManageMaint 4 s'est distingué par sa
conformité aux objectifs de maintenance, sa facilité d'utilisation et son interface intuitive.

Au-delà de ces initiatives, nous avons identifié des domaines d'amélioration supplémentaires au
sein de l'usine. En premier lieu, la centralisation des outils dans chaque atelier permettrait de
réduire les pertes de temps et d'améliorer l'efficacité des opérateurs. De plus, le recrutement de
profils d'ingénieurs et de managers est essentiel pour apporter une expertise avancée et pour élever
le niveau de qualité et de quantité de la production. Il est également crucial de former
continuellement le personnel aux nouvelles méthodes et techniques industrielles afin de maintenir
une compétitivité accrue.

Durant notre stage, nous avons eu l'occasion d'observer et d'analyser les différents processus de
l'usine. Grâce à la collaboration avec notre encadrante, Mme BOUGCHICHE Fazia, et le soutien
du personnel administratif, nous avons pu développer des compétences essentielles en
communication et en travail d'équipe. Cette expérience nous a permis d'appliquer nos
connaissances théoriques à des problèmes réels et de proposer des solutions concrètes et viables.

Enfin, notre travail a apporté une valeur ajoutée significative aux Laboratoires VENUS SAPECO,
qui sont désormais prêts à investir dans les solutions que nous avons proposées. Cette
reconnaissance est une grande fierté pour nous et marque le début d'une nouvelle phase de
développement pour l'entreprise. La continuité de ce projet et l'extension de ces solutions à
l'ensemble de l'usine représentent notre prochain défi en collaboration avec les Laboratoires
VENUS SAPECO.

79
Références Bibliographiques
1. COURTOIS, Alain, et al. Gestion de Production. 4ᵉ éd., vol. 447, Éditions d’Organisation, 2011,
[Link]

2. Javel, Georges. ORGANISATION ET GESTION DE LA PRODUCTION. 4ᵉ éd., Dunod, Paris,

2010 pour la quatrième édition, 2010. Consulté le 10/05/2024.

3. Giard, Vincent. Gestion de la production et des flux. Economica, 2003.

4. Bourguignon, Laurence & Delagnes, Anne & Meignen, Liliane. (2006). Systèmes de production
lithique, gestion des outillages et territoires au Paléolithique moyen où se trouve la complexité ?
Actes des XXVI Rencontres d'Archéologie et d'Histoire d'Antibes. 75-86.

5. Barbara Lyonnet. Amélioration de la performance industrielle : vers un système de production

Lean adapté aux entreprises du pôle de compétitivité Arve Industries Haute-Savoie Mont-Blanc..
Autre. Université de Savoie, 2010. Français. NNT: tel-00655808f.

6. Haddad, Tamer & Shaheen, Basheer & Nemeth, Istvan. (2021). Improving Overall Equipment
Effectiveness (OEE) of Extrusion Machine Using Lean Manufacturing Approach. Manufacturing
Technology. 21. 10.21062/mft.2021.006.

7. Bhade, Suveg, et Sriharsha Hegde. Improvement of Overall Equipment Efficiency of Machine

by SMED. 2020. Department of Aeronautical and Automobile Engineering, MIT, MAHE,
Manipal 576104, Karnataka, India.

8. Vallespir, B., et al. Management of the Evolution of Enterprises. 2000. Laboratoire

d’Automatique et de Productique LAP/GRAI - Université BORDEAUX UENSERB - CNRS EP
2026 351, Cours de la Libération - 33405 Talence Cedex -France, IFAC Proceedings Volumes,
[Link] ISSN 1474-6670.

9. A. H. A. RASIB, Z. EBRAHIM, R. ABDULLAH, Z. F. M. RAFAAI (2019). Improvement of

Overall Equipment Effectiveness through Application of Single-Minute Exchange of Die in
Automotive Manufacturing,” Test Engineering and Management, vol. 81, pp. 3650–3659, 2019.

10. Molod, Andrea, et al. "GEOS‐S2S version 2: The GMAO high‐resolution coupled model and
assimilation system for seasonal prediction." Journal of Geophysical Research: Atmospheres
125.5 (2020): e2019JD031767

11. « AS INFORMATIQUE ». Logiciel de GMAO,

[Link] Consulté le 28/04/2024

12. « Lucidchart ». Plateforme de Collaboration En Ligne, [Link]

Consulté le 23/04/2024

13. « Nissei ASB ». ASB 70DPW,

[Link] Consulté le 01/05/2024

14. JetBrains. (2021). PyCharm (Version 2021.1) [Logiciel]. Disponible sur

[Link] Consulté le 27/02/2024

80
15. « Bizagi Modeler ». About Bizagi Modeler, [Link]
Consulté le 26/04/2024.

81
 Annexes
Annexe A : Présentation de l’entreprise lieu de stage Laboratoires
VENUS SAPECO
1. Présentation de l’entreprise

Fondée en 1981 par Mr Mourad MOULA, Laboratoires VENUS SAPECO (Société Algérienne de
Produits d’Entretiens et Cosmétiques) est une entreprise familiale située à la zone 80, rue du 17
septembre 1956, Oulad Yaïch, Blida, 09100, Algérie.

Laboratoires VENUS SAPECO produisent une gamme complète de soins capillaires. Parmi leurs
produits pour cheveux, nous trouvons des shampooings, des démêlants, des masques capillaires,
des crèmes coiffantes, des laques, des crèmes sans rinçage, des sérums, des shampooings anti-
poux et des lotions anti-poux.

2. Unité d’Emballage en plastique ATLAS

L’usine d’emballage en plastique ATLAS se constitué de 3 unités de production avec un bloc

administratif 2 unités de production de produits utiles (le shampoing, le gel douche, les produits
cosmétiques, et cetera) sans repérée par les 2 codes suivants :

Site un est référé par le code 1001 et les sites est référé par le code 1002, la 3e unité est l'unité
d'emballage en plastique ou les bouteilles les bouchons et les flacons sont produits et envoyer vers
les 2 unités de production, cette unité est référée par le code 2000.

Nous choisissons de faire notre stage au sein de l'unité de production d'emballages en plastique
ATLAS située à Béni Merad, qui produit 3 catégories de produits avec différentes gammes : les
bouchons, les bouteilles et les flacons.

82
 Figure : Produit bouteille en PP INJECTION.

3. Unités de l’unité d’emballage ATLAS

Il y a 3 unités de production au sein de l’unité d’emballage ATLAS :

3.1. Unité Injection

Cette unité une contient les machines de marque Billion qui produit les bouchons en plastique en
2 couleurs, l'opération associée à cette unité et l'injection de la matière première PP Injection.

Figure : Unité d’injection.

3.2. Unité Soufflage

L’unité de soufflage contient les machines de marque Magic et Techne qui produisent les
bouteilles en plastique d'une seule couleur, avec un système de séchage contre l'humidité.
L’opération associée est le soufflage, les machines de marques Magic et Techne produisent les
bouteilles à travers la transformation de leur matière première nommée PEHD (poly éthylène de
haute densité) achetée par un fournisseur local Sonatrach , et le colorant par fournisseur extérieur
Masterbatch (hungary) qui se met dans un mélangeur numérique qui contient les options de
commande pour la couleur matières premières et les déchets , le mélangeur passe la matière mixte
83
dans un fourreau qui chauffe la matière et la sèche de l'humidité en utilisant Un système de
séchage, puis les transmet à la partie soufflage, où la matière mixte est montée sur un moule où il
est soufflé par l'air froid, puis réajuster en enlevant les déchets à travers un coupeur puis les
transmet convoyeur.

Figure : Unité de soufflage.

3.3. Unité Injection-Soufflage

Cette unité contient les machines de marque ASB et AOKI qui produisent à la fois les flacons et
les bouteilles en plastique en injectant et en soufflant en matières premières PET.

Figure : Unité d’injection-soufflage.

84
Figure : Processus de production.

3.4. Processus de Maintenance

Le processus de maintenance et de logistique est essentiel pour garantir le bon fonctionnement des
opérations de l'entreprise. Il comprend la maintenance préventive et corrective des équipements,
la gestion des stocks de pièces de rechange, la planification des interventions de maintenance, ainsi
que la gestion des flux de produits finis vers les clients. Ce processus vise à minimiser les temps
d'arrêt des équipements, à assurer la disponibilité des pièces de rechange nécessaires, et à garantir
une livraison rapide et efficace des produits aux clients. Une gestion efficace de la maintenance et
de la logistique contribue à maximiser la disponibilité des équipements, à réduire les coûts de
production et à améliorer la satisfaction client.

Figure 12 : Processus de maintenance.

85
Annexe B : Fiche technique de la machine ASB 70-DPW

86
Annexe C : IA pour les prévisions de la production

Grâce à l'IA, les entreprises peuvent anticiper les fluctuations de la demande et ajuster leurs plans
de production en conséquence. Par exemple, en prévoyant une augmentation de la demande pour
un certain produit en période de fête, une entreprise peut augmenter sa production en amont, éviter
les ruptures de stock et optimiser l'utilisation de ses ressources. De même, une diminution prévue
de la demande peut conduire à une réduction proactive de la production, minimisant ainsi les coûts
de stockage et le risque de surstockage.

1. L’importance de la prévision sur la production

Les prévisions de production revêtent une importance cruciale pour les entreprises, jouant un rôle
essentiel dans la planification efficace de la production. Ces prévisions permettent d'estimer avec
précision les ventes à venir, ce qui guide la planification de la production pour répondre à ces
prévisions. En assurant une adéquation entre l'offre et la demande, les prévisions de production
contribuent à optimiser les coûts, à répartir efficacement les ressources, et à maximiser le chiffre
d'affaires. De plus, des prévisions précises sont essentielles pour atténuer les risques liés aux
interruptions de production, aux pénuries d'approvisionnement, ou aux fluctuations inattendues de
la demande. En somme, les prévisions de production sont un pilier fondamental pour garantir une
production efficiente, répondant aux besoins du marché tout en minimisant les excédents ou les
ruptures de stock, ce qui est crucial pour la compétitivité et la croissance des entreprises :

− Éviter les ruptures et les surplus de stock

− Planifier les approvisionnements et la production
− Optimiser la gestion des stocks
La prévision de la production contribue à cette optimisation par :
• Prévisions précises pour une gestion efficace des stocks
• Optimisation de la chaîne d'approvisionnement
• Amélioration de la planification et de l'ordonnancement
• Réduction des erreurs et des coûts
2. L’Intelligence Artificielle et son impact sur l’industrie
Pendant plusieurs décennies, l'intelligence artificielle (IA) est restée un concept de science-fiction,
tel qu'imaginé par des auteurs comme Isaac Asimov. Cependant, grâce à ces nombreuses œuvres
de science-fiction, une conversation a été lancée autour de l'IA et de ce que pourrait signifier
l'intégration de cette technologie dans des scénarios réels.
Les avantages de l'IA peuvent être observés à différents niveaux de la fabrication : produit,
processus et stratégie. Au niveau du produit, l'IA peut être appliquée pour offrir des avantages aux
utilisateurs finaux.

87
Les avantages de l'IA peuvent être dérivés à différents niveaux de la fabrication, à savoir le
produit, le processus et le niveau stratégique. Au niveau du produit, l'IA peut être appliquée pour
offrir des avantages aux utilisateurs finaux.

Figure : IA dans l’industrie.

Le chemin vers l'avenir de l'automatisation industrielle sera caractérisé par les quatre étapes
suivantes :

− L'automatisation basée sur l'efficacité est l'accent actuel de l'automatisation industrielle

− L'automatisation basée sur le service sera la prochaine étape évolutive de l'automatisation
industrielle
88
− L'automatisation basée sur les résultats
− La fabrication entièrement autonome

3. Le Machine Learning et L’Intelligence Artificielle

La relation entre l'intelligence artificielle (IA) et le machine learning (ML) est étroite et
interconnectée. En effet, le machine learning est un sous-ensemble de l'IA, ce qui signifie que toute
solution de machine learning est une solution d'IA, mais que toutes les solutions d'IA ne sont pas
des solutions de machine learning. Plus précisément, le machine learning consiste à développer
des algorithmes et des modèles statistiques permettant aux systèmes informatiques d'apprendre et
de s'améliorer en fonction des données qu'ils consomment. Ainsi, le machine learning est une
approche spécifique au sein de l'IA qui vise à construire des systèmes capables d'apprendre et de
s'adapter en fonction des informations qu'ils reçoivent, contribuant ainsi à l'intelligence artificielle
globale.

4. Algorithmes choisis pour l’étude

Pour effectuer notre étude, nous avons choisi 3 algorithmes pour comparer entre eux dans le but
de mieux prédire les productions mensuelles pour l’unité d’injection et de soufflage au sein de
l’usine de Laboratoires VENUS SAPECO. L’unité d’emballage en plastique, notre lieu de stage,
a un besoin de prédire la production de chaque unité afin de mieux gérer le stock de matières
premières nécessaires et suffisantes, ainsi pour satisfaire tous les clients, au même temps, ne pas
avoir un surstock de matière première. Les modèles de l’Intelligence Artificielle et le Machine
Learning choisis sont les suivants :
4.1. Le modèle SARIMA
Le modèle SARIMA (Seasonal AutoRegressive Integrated Moving Average) est une extension
du modèle ARIMA (AutoRegressive Integrated Moving Average) qui prend en compte les
composantes saisonnières dans les séries temporelles. Il est largement utilisé pour prévoir les
données de séries temporelles présentant des tendances et des variations saisonnières.
Le modèle SARIMA combine les composants ARIMA pour les tendances non saisonnières et
ajoute des composants saisonniers pour capturer les patterns répétitifs à intervalles réguliers.
4.2. Random Forest
Le modèle Random Forest est une méthode d'ensemble utilisée pour les tâches de classification
et de régression. Il combine plusieurs arbres de décision pour améliorer la précision et réduire le
risque de surapprentissage. Ce modèle a été introduit par Leo Breiman et Adele Cutler et est
devenu l'un des algorithmes les plus populaires en machine learning.

Random Forest est un ensemble de nombreux arbres de décision, où chaque arbre est construit à
partir d'un échantillon aléatoire des données et des sous-ensembles aléatoires de caractéristiques.
Les prévisions de tous les arbres sont combinées pour produire une prévision finale, ce qui se fait
par vote majoritaire pour la classification ou par moyenne pour la régression.

4.3. Holt Winter

Le modèle Holt-Winters, également connu sous le nom de modèle de lissage exponentiel triple,
est utilisé pour les prévisions de séries temporelles qui présentent à la fois des tendances et des

89
saisonnalités. Il a été développé par Charles Holt et Peter Winters dans les années 1950 et 1960.
Le modèle Holt-Winters peut être appliqué sous deux formes principales : additive et
multiplicative, selon la nature de la saisonnalité.

Le modèle Holt-Winters combine trois composants :

a. Niveau (lissage des niveaux) : Représente le niveau moyen de la série temporelle à un

instant donné.
b. Tendance (lissage des tendances) : Capture la direction générale de la série temporelle
(montée ou descente).
c. Saisonnalité (lissage saisonnier) : Capture les variations périodiques de la série
temporelle.

90
Annexe D : Gestion de Maintenance Assistée par Ordinateur (GMAO)
La Gestion de Maintenance Assistée par Ordinateur (GMAO) est un système informatique qui
aide les entreprises à gérer et optimiser leurs activités de maintenance. Ce type de projet
comprend plusieurs étapes clés, chacune visant à améliorer l'efficacité, la productivité et la
rentabilité des opérations de maintenance. Définir un projet GMAO implique une compréhension
claire des besoins de l'entreprise, des objectifs spécifiques à atteindre, et des moyens techniques
et humains nécessaires pour y parvenir.
4.1. Objectifs du Projet GMAO
Les objectifs du projet GMAO sont :

A. Amélioration de la Productivité

En optimisant la planification et la gestion des interventions de maintenance, une GMAO

permet de réduire les temps d'arrêt des machines, augmentant ainsi la productivité globale de
l'entreprise.

B. Réduction des Coûts

Grâce à une gestion plus efficace des pièces détachées et des fournitures, ainsi qu'à une
meilleure planification des interventions préventives, les coûts de maintenance peuvent être
considérablement réduits.

C. Gestion Efficace des Ressources

Le projet permet de suivre et de gérer le personnel de maintenance, ainsi que les sous-traitants,
en assignant des tâches spécifiques et en surveillant leur réalisation.

D. Suivi et Analyse des Performances

La GMAO offre des outils de reporting et de suivi des indicateurs de performance, permettant de
mesurer l'efficacité des opérations de maintenance et d'identifier les domaines nécessitant des
améliorations.

4.2. Étapes du Projet GMAO

Voici les étapes à faire pour implanter un projet GMAO :

4.2.1. Analyse des Besoins

Cette étape initiale consiste à identifier les besoins spécifiques de l'entreprise en matière de
maintenance et à définir les objectifs du projet.

4.2.2. Choix du Logiciel

Sélectionner un logiciel de GMAO adapté, tel que ManageMaint, en tenant compte de ses
fonctionnalités et de sa capacité à répondre aux besoins identifiés.

4.2.3. Négociation et Achat

91
 Finaliser les aspects contractuels et financiers pour l'acquisition du logiciel, assurant que toutes
les exigences sont couvertes.

4.2.4. Formation du Personnel

Organiser des sessions de formation pour familiariser le personnel avec le nouveau système et
garantir une adoption fluide.

4.2.5. Intégration des Données

Remplir la base de données avec les informations sur les équipements, les pièces détachées, et
les historiques de maintenance.

4.2.6. Mise en Œuvre et Test

Déployer le logiciel et effectuer des tests en conditions réelles pour s'assurer de son bon
fonctionnement.

4.2.7. Surveillance et Amélioration Continue

Suivre les performances du système, recueillir des retours d'expérience et ajuster les processus
pour une amélioration continue.

4.3. Définition du ManageMaint

Le logiciel ManageMaint de AS Informatique est une solution GMAO complète et intuitive,

idéale pour l'unité ATLAS. Il permet une gestion efficace des interventions de maintenance
préventive et corrective, en optimisant la planification et le suivi des tâches. Le logiciel assure
une gestion automatisée des stocks de pièces de rechange, minimisant ainsi les temps d'arrêt des
machines.

ManageMaint propose également une traçabilité complète des interventions et la génération de

rapports détaillés pour analyser les coûts et les performances de maintenance. Accessible via une
interface conviviale et une application mobile, il facilite la communication entre techniciens et
responsables.

Le logiciel offre un support et une formation pour garantir une adoption fluide et efficace,
répondant ainsi aux besoins spécifiques de l'unité ATLAS en matière de maintenance.

4.3.1. Caractéristiques Principales

a. Gestion des Interventions :

○ Préventive et corrective : Planification et exécution des interventions de maintenance pour éviter
les pannes et corriger les dysfonctionnements.
○ Améliorative : Interventions visant à améliorer la performance des équipements.
b. Suivi des Pièces de Rechange :
○ Gestion des stocks : Suivi des pièces de rechange disponibles et gestion des
réapprovisionnements.
○ Demande d'achat automatisée : Génération automatique de demandes d'achat lorsque les stocks
sont bas, réduisant ainsi le temps d'attente pour les pièces critiques.

92
c. Historique et Reporting :
○ Traçabilité : Enregistrement de toutes les interventions effectuées sur chaque machine.
○ Rapports détaillés : Génération de rapports pour analyser les tendances de panne et l'efficacité
des interventions.
d. Accessibilité :
○ Interface utilisateur intuitive : Conception simple et facile à utiliser pour les techniciens et les
responsables de maintenance.
○ Compatibilité mobile : Application disponible sur Android pour permettre aux techniciens
d'accéder aux informations et de mettre à jour les interventions sur le terrain.

4.3.2. Analyse de l'Interface Graphique de ManageMaint

L'interface graphique de ManageMaint, telle qu'illustrée dans l'image, est conçue pour être
intuitive et fonctionnelle, offrant un accès rapide à diverses fonctionnalités essentielles pour la
gestion de la maintenance :

a. Fichier

Cette section inclut les options de gestion de base du logiciel, telles que quitter l'application.

b. Configuration

Ce module permet de configurer les paramètres généraux du logiciel selon les besoins
spécifiques de l'entreprise.

93
c. Action

Les actions permettent de gérer les interventions et les ordres de travail.

94
d. Commandes

Cette section est dédiée à la gestion des achats et des approvisionnements, incluant les
demandes de prix et d'achat.

e. Rapports

95
 Les rapports générés par ce module fournissent des analyses et des statistiques sur les activités
de maintenance.

f. Outils

Les outils offrent diverses fonctionnalités pour optimiser la gestion et le suivi des équipements
et des interventions.
96
g. Fenêtre

Permet de gérer l'affichage des différentes fenêtres de travail.

h. Aide

Offre un accès à la documentation et à l'assistance pour les utilisateurs du logiciel.

97
 i. Alarmes

Gestion des alertes et des notifications pour les maintenances et les interventions.

4.4. Documents ManageMaint

98
Dans ce titre nous allons présenter le devis pour 3 licences d’utilisation pour le GMAO
ManageMaint et un exemple de demande d’achat qui effectue ce logiciel.

4.4.1. Devis pour 3 licences de ManageMaint

Figure : Devis pour 3 licences de ManageMaint

99
4.4.2. Demande d’achat pour un article du magasin des pièces de rechange

100
4.5. Conclusion

Le projet de Gestion de Maintenance Assistée par Ordinateur (GMAO) pour l'unité ATLAS vise
à transformer radicalement la manière dont la maintenance est gérée. En mettant en place un
logiciel tel que ManageMaint, l'unité ATLAS bénéficiera d'une amélioration significative de la
productivité et de la réduction des coûts grâce à une meilleure planification, un suivi efficace des
ressources, et une gestion optimisée des pièces de rechange. La GMAO représente un
investissement stratégique pour l'unité ATLAS, permettant d'améliorer la gestion des opérations
de maintenance de manière durable et continue ainsi que la participation à l’amélioration de la
performance industrielle en assurant la disponibilité des équipements.

101
Résumé
Les Laboratoires VENUS SAPECO, leader algérien des produits cosmétiques, disposent de deux
sites de production : l'un pour les liquides et solides, l'autre pour les emballages en plastique. Le
projet vise à améliorer la performance industrielle, la productivité et la gestion de la maintenance
de l'unité d'emballage en plastique, ATLAS. L'objectif est d'optimiser le Taux de Rendement
Synthétique (TRS) d'une machine critique, de prévoir la production via l'Intelligence Artificielle,
et de mettre en place un logiciel de Gestion de Maintenance Assistée par Ordinateur (GMAO). Le
secteur cosmétique étant très exigeant, l'entreprise a du mal à répondre rapidement à la demande
en utilisant encore des méthodes traditionnelles. Les solutions incluent des améliorations
techniques et une gestion de maintenance efficace, telles que la méthode SMED et l'implantation
d'un GMAO. Ces propositions ont été bien reçues et l'entreprise est prête à investir dans leur mise
en œuvre.

Mots clés : TRS, SMED, Optimisation de la performance industrielle, Intelligence Artificielle,

GMAO, Gestion de la Production.

Summary
Laboratoires VENUS SAPECO, an Algerian leader in cosmetics, stands out with two production
sites: one for liquids and solids, and the other for plastic packaging. The project aims to improve
industrial performance, productivity, and maintenance management of the plastic packaging unit,
ATLAS. The objective is to optimize the Overall Equipment Effectiveness (OEE) of a critical
machine, predict production using Artificial Intelligence, and implement a Computerized
Maintenance Management System (CMMS). The cosmetics sector is very demanding, and the
company struggles to meet the demand quickly using traditional methods. The solutions include
technical improvements and effective maintenance management, such as the SMED method and
the implementation of a CMMS. These proposals have been well received, and the company is
ready to invest in their implementation.

Keywords: OEE, SMED, Industrial performance optimization, Artificial intelligence, CMMS,

Production Management.

‫ملخص‬

‫ أحدهما للسوائل‬:‫ بموقعين لإلنتاج‬،‫ الشركة الجزائرية الرائدة في مجال مستحضرات التجميل‬،‫تتميز مختبرات فينوس سابيكو‬
‫ يهدف المشروع إلى تحسين األداء الصناعي واإلنتاجية وإدارة الصيانة لوحدة‬.‫والمواد الصلبة واآلخر للتغليف البالستيكي‬
‫ التعبئة والتغليف البالستيكية‬ATLAS. ‫( الهدف هو تحسين معدل اإلنتاجية االصطناعية‬SEE) ‫ والتنبؤ باإلنتاج‬،‫لآللة المهمة‬
‫ وتنفيذ برنامج إدارة الصيانة بمساعدة الحاسوب‬،‫( باستخدام الذكاء االصطناعي‬CMMS). ‫ونظرا ألن قطاع مستحضرات‬ ً
‫ فإن الشركة تجد صعوبة في االستجابة بسرعة للطلب مع االستمرار في استخدام األساليب‬،‫التجميل يتطلب الكثير من المتطلبات‬
‫ مثل طريقة‬،‫ تتضمن الحلول التحسينات التقنية وإدارة الصيانة الفعالة‬.‫ التقليدية‬SMED ‫ وتنفيذ نظام إدارة الصيانة‬CMMS.
‫وقد القت هذه المقترحات قبوالً جيدًا والشركة مستعدة لالستثمار في تنفيذها‬.

‫كلمات مفتاحية‬

،‫ الفعالية الشاملة للمعدات‬, ‫ تبادل القالب في دقيقة واحدة‬, ‫ تحسين األداء الصناعي‬, ‫ الذكاء االصطناعي‬, ‫نظام إدارة الصيانة‬
‫إدارة اإلنتاج‬

102