« Recherche de méthode d’estimation de volume de production à risque »

Présentation au sujet: "« Recherche de méthode d’estimation de volume de production à risque »"— Transcription de la présentation:

1 « Recherche de méthode d’estimation de volume de production à risque »
Génie Industriel et Informatique Projet de Fin d’Etude « Recherche de méthode d’estimation de volume de production à risque »

2 Plan de la présentation
ToDo

3 Présentation de la société STMicroelectronics
Contexte de l’étude Multinationale Chiffre d’affaire de $9,84 milliards en 2008 Développe, fabrique et commercialise des puces électroniques Emplois personnes :

4 Cahier des charges Contexte de l’étude Sujet : «Une étude de faisabilité sur l'évaluation des ? Représente le nombre de plaques traitées sur une machine depuis la dernière tâche de qualité l'indice sur lequel on se base pour savoir les lots qui ont le plus de chance d'être défectueux

5 Cahier des charges: l’existant
Contexte de l’étude l'indice sur lequel on se base pour savoir les lots qui ont le plus de chance d'être défectueux - 3 technologies - La production est de type « jobshop » par lots de 25 plaques de silicium - Le production ne suit pas le principe FIFO - 2 types de contrôles sur machine ou sur les plaques de silicium

6 Cahier des charges: objectifs
Contexte de l’étude Recherche de solution si elle existe pour : Optimiser les contrôles des produits et machines Garantir un taux de risque optimal

7 Analyse du risque L’utilisation du jugement d’expert en sûreté de fonctionnement Optimized Design of Control Plans Based on Risk Exposure and Resources Capabilities L’étude de la gestion du risque Etat de l’art

8 Gestion des plans de contrôle
Optimisation plan de contrôle : Article « An approach for operational risk evaluation and its link to control plan » Conférence « Operational risk evaluation and control plan design » Réduction nombre de contrôle : Optimizing Return on inspection trough defectivity smart sampling A novel approach to minimize the number of controls in the defectivity area Etat de l’art

9 Computation of wafer-At-Risk from theory to real life demonstration
Etat de l’art

10 Méthode D3 Objectif : Principe : Etat de l’art

11 Conclusion sur l’état de l’art
ToDo Etat de l’art

12 Présentation du modèle
Algorithme Marcheur

13 Fonctionnement d’un quartier
Algorithme Marcheur

14 Adaptation de l’algorithme du marcheur

15 Maquettes : Choix du langage
Projet n’étant qu’une maquette et ne servant qu’à la validation de notre algorithme. La performance n’était donc pas une contrainte Simplicité de la modélisation Grand catalogue de fonctionnalités prédéfinies. Algorithme Marcheur

16 Maquettes : Diagramme de classe
Algorithme Marcheur Lot de plaques de silicium Machine de production

17 Résultat obtenus : Test
Algorithme Marcheur Lot Indice de santé Etat d’avancement L1 0.780 60% L2 0.340 90% ….. ….

18 Résultat obtenus : Representation graphique
Algorithme Marcheur

19 Hypothèses Nous avons émis deux hypothèses sur le gain apporté par notre solution en terme de réduction de la non qualité : Cas pessimiste (5%) Cas optimiste (30%) Gestion Coûts On a fait un Algorithme et une maquette pour ST Cette solution apporte beaucoup à ST en terme de gain Elle permet de réduire dans le cas pessimiste 5% de la non qualité et dans le cas optimisite

20 Estimation des coûts Coût d’une plaque de silicium estimé à 1000$
Coût d’une plaque défectueuse estimé à1000$ La production hebdomadaire est estimée à plaques de silicium Le pourcentage de la non-qualité est estimé à 1% Gestion Coûts Notre solution ne nécessite à priori pas d'investissement initial si il embauche un thésard pour le développement de l'algorithme ($35000 par an) et achéte éventuellement du matériel informatique plus puissant ($15000) pour une exécution plus rapide (plus de réactivité).

21 Estimation des coûts • Production annuelle des plaques de silicium :
Coût de production annuelle : *1000 = 520 millions dollars Avec 1% de rejet, le coût annuel de la non-qualité est de 5,2 millions dollars Cas pessimiste (-5%) : 0,05 * 5, 2 * 106 = $260000 Cas optimiste (-30%) : 0,3 * 5, 2 * 106 = $ Gestion Coûts D’où notre solution on peut l’estimer dans le cas pessimiste réduit dans le cas pessimiste la non qualité à avec un pourcentage de 5% et dans le cas optimiste de 30% elle réduit le prix de la non qualité annuel à $

22 Gestion de projet Agile SCRUM Outils de travail :
Management du projet Gestion de projet Agile SCRUM Outils de travail : Compte rendu circulaire Serveur SVN LyX DIA Comme tout projet nécessite une gestion nous avons choisie le manifeste agile (SCRUM) puisque il permet de s’adapter au besoin du client vue que notre cahier de charge est évolutif et puisque cette méthode elle permet de travailler en collaboration afin de partager les compétence. Pour mieux gérer notre projet on a utilisé un ensemble d’outil pour nous faciliter la tâche pour travailler parmi ces outils on trouve : Compte rendu circulaire qui permet de définir l’état d’avancement de notre projet qui doit se faire par qui et pour quand. TortoiseSVN comme serveur de dépôt de donnée Lyx pour l’édition des rapport Dia pour dessiner les différents diagrammes. Gestion Projet

23 Itérations du projet Récapitulatif des itérations du projet Gestion

24 Suivi du projet Gestion Projet
Voici une répartition de notre itération sur le calendrier Gestion Projet

25 Difficultés et solutions
• Evolution permanente du cahier des charges du projet • Sujet sensible  Problème de confidentialité Manque de données pour le calcul de gestion des coûts • Le choix du langage pour le développement de la maquette Parmi les problèmes que nous avons rencontré durant le développement de notre PFE on trouve : …. Les solutions • Sollicitation des pistes de recherches auprés des chercheurs du LSIS • Pour les données concernant le rapport de gestion des coûts, nous avons dû poser nous mêmes nos propres hypothèses à cause du manque d'informations. En effet ce genre de données est confidentiel et ne peut pas être divulgué ni fournis • Pour le développement de la maquette nous avons choisi le langage Java puisque nous le maîtrisons, de plus il est simple à interpréter en comparaison avec d'autre langage. Sachant que nous nous sommes pas obligés de programmer la solution, le problème d'optimisation ne se pose pas Gestion Projet

26 Conclusion ToDo