Estimation de la fiabilité basée sur les données et planification optimale des opérations pour les équipements de soins de santé
Ref: 1SC4195
Description
Les équipements de santé en général ont des exigences de fiabilité élevées : leur défaillance peut mettre directement en danger la vie des patients. Dans le même temps, les équipements de soins de santé ont également des exigences de disponibilité élevées : les hôpitaux en général ne pouvaient pas se permettre des temps d'arrêt trop longs car ils doivent continuer à servir les patients. Comprendre la fiabilité des équipements de soins de santé est donc un sujet important dans les industries des soins médicaux.
Pour ce projet, nous travaillons avec GE Healthcare (GE HC), l'un des principaux fournisseurs mondiaux d'équipements de soins de santé. GE HC doit satisfaire aux exigences élevées de fiabilité et de disponibilité de ses produits. Pour cela, ils doivent maintenir une chaîne d'approvisionnement après-vente (service) à grande échelle prenant en charge plus d'un million de systèmes installés dans le monde. Plus de 400 000 références de pièces détachées, dont environ 10 000 pièces réparables sont potentiellement nécessaires pour maintenir la base installée (IB). Comment gérer efficacement autant de produits, tout en satisfaisant les exigences élevées de fiabilité et de disponibilité, est donc un problème très difficile. Parallèlement, lors des phases de conception, de développement et surtout d'exploitation du produit, un grand nombre de données sont disponibles. Bien que ces données puissent être bruyantes et contenir un grand nombre d'informations manquantes et d'incertitudes, ce sont des sources précieuses qui pourraient fournir des informations sur la fiabilité des produits, qui pourraient être utilisées pour améliorer l'efficacité du fonctionnement de la chaine d’approvisionnement après-vente.
Pour ce projet, nous travaillons avec GE Healthcare (GE HC), l'un des principaux fournisseurs mondiaux d'équipements de soins de santé. GE HC doit satisfaire aux exigences élevées de fiabilité et de disponibilité de ses produits. Pour cela, ils doivent maintenir une chaîne d'approvisionnement après-vente (service) à grande échelle prenant en charge plus d'un million de systèmes installés dans le monde. Plus de 400 000 références de pièces détachées, dont environ 10 000 pièces réparables sont potentiellement nécessaires pour maintenir la base installée (IB). Comment gérer efficacement autant de produits, tout en satisfaisant les exigences élevées de fiabilité et de disponibilité, est donc un problème très difficile. Parallèlement, lors des phases de conception, de développement et surtout d'exploitation du produit, un grand nombre de données sont disponibles. Bien que ces données puissent être bruyantes et contenir un grand nombre d'informations manquantes et d'incertitudes, ce sont des sources précieuses qui pourraient fournir des informations sur la fiabilité des produits, qui pourraient être utilisées pour améliorer l'efficacité du fonctionnement de la chaine d’approvisionnement après-vente.
Période(s) du cours
ST4
Prérequis
Statistique et probabilité
Syllabus
Le projet appliquera des outils et des processus pour exploiter les informations de fiabilité des données et pour enrichir le processus de prise de décision dans les opérations de la chaîne d'approvisionnement après-vente. Dans ce projet, les étudiants seront capables de :
- Travailler avec le jeu de données réel fourni par GE HC ;
- Développer des modèles de fiabilité basés sur les données pour les équipements de soins, tant au niveau des composants que du système ;
- Expérimenter comment gérer les « imperfections » d'un ensemble de données pratiques ;
- Découvrez comment améliorer un processus actuel à l'aide de l'analyse de données sur les données de fiabilité.
- Travailler avec le jeu de données réel fourni par GE HC ;
- Développer des modèles de fiabilité basés sur les données pour les équipements de soins, tant au niveau des composants que du système ;
- Expérimenter comment gérer les « imperfections » d'un ensemble de données pratiques ;
- Découvrez comment améliorer un processus actuel à l'aide de l'analyse de données sur les données de fiabilité.
Composition du cours
Enseignement par projet
Modalités de participation du partenaire impliqué
o Participation d'intervenants GE à la séance introductive.
o Présence d’un intervenant GE en mode ‘coaching’ lors du travail de groupe.
Lors de ce travail, des données industrielles (éventuellement anonymisées) seront fournies aux étudiants. Certaines seront étiquetées (« labellisées »), d’autres non. Certaines comporteront des indications historiques provenant des mainteneurs : types de défauts ou de dégradations identifiés, actions de maintenance réalisées), d’autres non.
Il sera demandé aux étudiants de combiner connaissance de systèmes physiques et algorithmes de traitement de données pour extraire des informations utiles à partir des données brutes et formuler des préconisations à l’usage des mainteneurs.
Deux modalités sont envisagées :
- Soit répartir les tâches en petits groupes d’étudiants ;
- Soit donner les mêmes tâches à deux ou trois groupes qui travailleront en parallèle, en mode « challenge ».
Modalités de participation du partenaire impliqué
o Participation d'intervenants GE à la séance introductive.
o Présence d’un intervenant GE en mode ‘coaching’ lors du travail de groupe.
Lors de ce travail, des données industrielles (éventuellement anonymisées) seront fournies aux étudiants. Certaines seront étiquetées (« labellisées »), d’autres non. Certaines comporteront des indications historiques provenant des mainteneurs : types de défauts ou de dégradations identifiés, actions de maintenance réalisées), d’autres non.
Il sera demandé aux étudiants de combiner connaissance de systèmes physiques et algorithmes de traitement de données pour extraire des informations utiles à partir des données brutes et formuler des préconisations à l’usage des mainteneurs.
Deux modalités sont envisagées :
- Soit répartir les tâches en petits groupes d’étudiants ;
- Soit donner les mêmes tâches à deux ou trois groupes qui travailleront en parallèle, en mode « challenge ».
Ressources
1 salle pour 40 élèves, avec projecteur, organisée en îlots par groupe
Logiciels utilisés : Python
2 enseignants + 1 intervenant GE
Participation de GE sur l’ensemble de la semaine (avec si besoin plusieurs intervenants qui pourront se relayer dans la semaine).
Logiciels utilisés : Python
2 enseignants + 1 intervenant GE
Participation de GE sur l’ensemble de la semaine (avec si besoin plusieurs intervenants qui pourront se relayer dans la semaine).
Résultats de l'apprentissage couverts par le cours
A l’issue de ce cours les élèves seront capables :
• d'appréhender la problématique de la résilience des systèmes et de la maintenance prédictive ainsi que les gains potentiels à mener une telle démarche
• d'analyser un système complexe et développer les éléments de réflexion permettant d’aboutir à un modèle représentation (physique, statistique …) des phénomènes dont la mise en évidence fait l’objet de l’étude
• de mener la démarche de modélisation avec un choix approprié des hypothèses de modélisation et à appréhender les limites des modèles
• d’appréhender et d’utiliser des algorithmes de « machine learning » pour l’extraction d’informations utiles à la maintenance prédictive à partir de données brutes
• de conclure et décider sur la pertinence de la démarche et sur les performances des algorithmes évalués
• d'appréhender la problématique de la résilience des systèmes et de la maintenance prédictive ainsi que les gains potentiels à mener une telle démarche
• d'analyser un système complexe et développer les éléments de réflexion permettant d’aboutir à un modèle représentation (physique, statistique …) des phénomènes dont la mise en évidence fait l’objet de l’étude
• de mener la démarche de modélisation avec un choix approprié des hypothèses de modélisation et à appréhender les limites des modèles
• d’appréhender et d’utiliser des algorithmes de « machine learning » pour l’extraction d’informations utiles à la maintenance prédictive à partir de données brutes
• de conclure et décider sur la pertinence de la démarche et sur les performances des algorithmes évalués
Support de cours, bibliographie
Biblio des cours de la ST4 GSI