Cette formation courte à destination des entreprises a pour objectif d'améliorer les performances du système de production en intégrant les techniques de machine Learning dans les démarches d’amélioration continue, d’excellence opérationnelle ou de 6 Sigma.
Objectifs de la formation
- Maîtriser les finalités des techniques de « Machine Learning »
- Utiliser et perfectionner des techniques essentielles de « Machine Learning » afin d'analyser et optimiser les performances des systèmes de production
Applications
- Optical process monitoring for Laser-Powder Bed Fusion (L-PBF) – utilisation des techniques de classification SVM, réseaux de neurones
- Management de la qualité des systèmes de production par des techniques de classification (analyse de l’impact des incertitudes de mesures)
- Développement d’un outil/système flexible pour la maintenance prédictive - détection et diagnostic des dérives process, machine, …
Public cible
Cette formation s’adresse à tous les acteurs liés au processus et systèmes de fabrication et en lien avec la performance globale : ingénieurs et responsables de production de l’Industrie manufacturière, ingénieurs qualité, responsable processus et systèmes de fabrication etc.
Le niveau de la formation s’adresse aux collaborateurs ayant des connaissances en programmation python (mise à niveau possible sur une journée).
Programme
Découverte et analyse des finalités des techniques de « Machine Learning » à partir de différents scenarii.
1 - Estimation, Estimateur, biais, … (notions clés de statistiques).
2 - Scenarii de déploiement des techniques de « Machine Learning » pour l’amélioration des performances des systèmes de production (illustrés sur une étude de cas).
- Identifier les paramètres clés de mon système de production et de mes produits
- Identifier les stratégies de réglage du système de production
- Prédire le taux de non-conformité Produit
- Identifier les causes d’une non-conformité Produit ou de défaillance Process
Prétraitement de données
3 - Préparer les données pour mieux les exploiter.
- Nettoyage des valeurs manquantes
- Codage des valeurs non-numériques
- Transformation et mise à l’échelle des données
- Réduction de la dimensionalité; réduire le nombre de paramètres en fonction de leur pertinence
- Applications sur une étude de cas – mise en œuvre avec Python
Découverte et maitrise des techniques d’association et de classification
4 - Réduire le volume et/ou les dimensions de données à traiter, extraire des règles de réglage.
- Réduction de la dimensionnalité, et étude de corrélation entre les paramètres : Analyse de composantes principales, …
- Extraction des règles qui régissent un jeu de données : Arbres de décision, Random Forest
- Régression logistique
- Applications sur une étude de cas – mise en œuvre avec Python
Découverte et maitrise des techniques de classification et clustering
5 - Prédire la production non conforme/défaillante ; Identifier les causes de non-conformité ou de défaillance.
- Identification des groupes de données similaires (ex: gammes de production) : K – MEANS
- Prédiction de la non-conformité : KNN & SVM
- Applications sur une étude de cas – mise en œuvre avec Python
Découverte de la conception de réseaux de neurones
6 - Prédire les performances de systèmes de production.
- Base de la conception d’un réseau de neurones en classification et régression
- Amélioration des prédictions (par configuration des hyperparamètres du réseau)
- Applications sur plusieurs études de cas – mise en œuvre en python et Tensorflow
Moyens pédagogiques
L’apprentissage est basé sur un temps dédié aux techniques de nettoyage d’une base de données suivi du déploiement concret d’un outil de « Machine Learning ».
Le déploiement des cas concrets avec découverte et manipulation d’outil peut se faire sur la base de données génériques fournie par les formateurs.
Intervenants
Jean-Yves Dantan Professeur en génie mécanique et industriel développant des projets de recherche, de développement et d’innovation avec des PME et des groupes industriels sur la maitrise de la qualité, sur la conception des systèmes de production et sur l’amélioration des performances. |
Maître de conférences en génie industriel, il a obtenu son doctorat en 2020. Ses activités de recherche s’orientent autour du management de la qualité des systèmes de production en se basant sur les techniques d’IA. | |
Maître de conférences en génie informatique et industriel au sein du laboratoire Conception, Fabrication et Commande. Il a obtenu son doctorat en génie industriel en 2007. Ses recherches portent sur l’IA, la gestion des variabilités et des facteurs humains appliquées à la conception de produits et systèmes de production. |
Maître de conférences en génie mécanique et industriel depuis 2015, il a obtenu son master de mathématiques appliquées à l'université en 2011 et son doctorat en mécanique et ingénierie en 2014. Ses recherches portent sur la gestion des incertitudes lors de la conception des produits et la maitrise de la qualité des systèmes de production, basée sur l'IA. |
Wahb Zouhri
Alain Etienne
Lazhar HomriInformations pratiques
Lieu de formation
Campus Arts et Métiers de Metz - 4 rue Augustin Fresnel - 57070 Metz (bâtiment accessible aux PMR).
En cas de formation interne à une entreprise, la formation peut être délocalisée.
Durée de la formation
3 jours
Dates
Prochaine session :
- Mercredi 23 avril 2025
- Lundi 28 avril 2025
- Mardi 6 mai 2025
Handicap
Si vous êtes en situation de handicap, quel qu’il soit, et que vous souhaitez suivre cette formation, nous vous invitons à nous contacter.
Contact
John Fritsch, chargé d’affaires formation continue.
Témoignage
Pascal Dietsch, ingénieur R&D et responsable de service à ArcelorMittal Research revient sur la formation Data science qu'il a suivie sur le campus de Metz :
Cette formation est opérée par AMTalents, filiale du groupe Arts et Métiers créée en 2021 pour opérer la formation continue à destination des entreprises, les formations en alternance et en apprentissage (Programme Grande École, Programme Ingénieur de Spécialité et Bachelor) ainsi que les Mastère Spécialisés.
