Guide enseignant — Didacticiel Micro-arrêts (Performance & disponibilité)

1. Objectifs pédagogiques

À l’issue de la séance, le participant doit être capable de :

1. Reconnaître un micro-arrêt (définition AFNOR, seuil de détection, différence avec mini-arrêt et panne déclarée).
2. Mesurer l’impact caché des micro-arrêts sur le TRS (composante Performance) et en quantifier la durée cumulée.
3. Ajuster une distribution de durées (log-normale, exponentielle, Weibull) et interpréter le paramètre de forme β.
4. Détecter une distribution bimodale (présence de plusieurs causes mélangées) via l’histogramme.
5. Construire un Pareto en nombre ET en durée cumulée, et comprendre pourquoi les deux classements peuvent différer.
6. Lire une heatmap heure × jour pour repérer les effets shift, post-pause, fin de série, fatigue hebdomadaire.
7. Calculer et comparer MTBA, MTBF, MTTR — ne pas les confondre.
8. Définir un SLA réaliste (ex : P95 < 3 min) sur la base des données plutôt que sur une moyenne biaisée.
9. Éviter les 6 pièges classiques (piloter à la moyenne, ignorer la bimodalité, Pareto en nombre seul, attribution causale abusive, etc.).

2. Prérequis

• Notions de base sur le TRS / OEE (voir didacticiel TRS/OEE).
• Compréhension d’un Pareto 80-20.
• Notions de log et de distribution statistique (niveau DUT / BTS minimum).

Aucun prérequis informatique — le didacticiel tourne dans le navigateur.

3. Plan de séance — 2 heures

Temps	Phase	Contenu
0 – 15 min	Phase 1 — Intro impact caché	Définition AFNOR micro-arrêt (< 5 min). Pourquoi c’est invisible dans les logs GMAO. Exemple numérique : 200 arrêts × 1 min = 3h33 de perte. Différence avec panne longue. Positionnement dans le TRS (dilué dans Performance).
15 – 40 min	Phase 2 — Distribution des durées	Log-normale (cas général), exponentielle (sans mémoire), Weibull (usure). Paramètre β de Weibull et son interprétation (< 1 rodage, = 1 aléatoire, > 1 usure). Démo fit automatique sur EX1. Discussion bimodalité avec EX2.
40 – 60 min	Phase 3 — Pareto double vue	Construction Pareto en nombre (fréquence des événements) et en durée cumulée (temps machine perdu). Démonstration sur EX7 (Pareto nombre vs durée inversés). Règle : toujours présenter les deux dans un diagnostic.
60 – 70 min	Pause	—
70 – 95 min	Phase 4 — Analyse temporelle	Lecture heatmap heure × jour. Cas EX3 (biais post-démarrage) et EX8 (saturation buffer fin de shift). Différence entre effet opérateur (shift C moins expérimenté) et effet procédé (température moule).
95 – 115 min	Phase 5 — Cas complet & sensibilité	Participants chargent EX4 (effet shift CNC). Analyse complète, interprétation, estimation impact TRS. Discussion : comment passer de la donnée à un plan d’action 90 jours.
115 – 125 min	Phase 6 — QCM & synthèse	QCM 10 questions sur imprimé. Correction plénière. Rappel des 6 pièges.

4. Comment lire la distribution (Phase 2 — clé)

La forme de la distribution est une information diagnostique — pas juste une statistique descriptive.

Log-normale (cas le plus fréquent)

Densité
   │    ╱╲
   │   ╱  ╲____
   │  ╱        ‾‾─────_
   └──────────────────── Durée
       Mode  Médiane       Moyenne

Signification : les durées d’arrêt résultent d’un produit de facteurs aléatoires (détection × diagnostic × intervention × redémarrage). La queue longue représente les cas où plusieurs facteurs dérivent simultanément.

Piloter à la médiane, pas à la moyenne. La moyenne est tirée par la queue et mal représentative.

Weibull β < 1 (usure décroissante)

Densité
   │╲
   │ ╲____
   │      ‾‾‾‾──────_______
   └──────────────────── Durée

Typique d’un équipement en rodage ou avec défauts infantiles. Beaucoup d’incidents courts auto-résolus, queue très longue. Stratégie : identifier les quelques événements longs (queue) comme signaux précoces d’un problème sous-jacent.

Weibull β > 1 (usure croissante)

Densité
   │        ╱╲
   │       ╱  ╲
   │      ╱    ╲___
   └──────────────────── Durée
          Mode = moyenne

Typique de l’usure mécanique (pièce en fin de vie, accumulation de fatigue). Stratégie : maintenance préventive planifiée, remplacement des pièces soumises à fatigue.

Bimodale (plusieurs causes)

Densité
   │ ╱╲          ╱╲
   │╱  ╲        ╱  ╲
   │    ╲______╱    ‾─_
   └──────────────────── Durée
       Mode 1     Mode 2

Présence de deux populations qui se superposent. Le fit d’une seule distribution donnera un R² médiocre et des paramètres qui n’ont pas de sens physique. Décomposer par cause — chaque cause a probablement sa propre distribution. C’est le signal principal d’un diagnostic insuffisamment fin.

5. Pareto double vue — démonstration au tableau (Phase 3)

À construire en direct avec les participants sur EX7 :

Cause	N	Durée moy.	Durée cumulée
Micro-bourrage goulot	108 (45 %)	0.8 min	86 min
Étiquetage	36 (15 %)	1.8 min	65 min
Capsulage	24 (10 %)	2.2 min	53 min
Changement format	12 (5 %)	12 min	144 min
Orientation bouteille	48 (20 %)	0.9 min	43 min
Divers	12 (5 %)	1.5 min	18 min

Pareto en nombre (trié par N décroissant) : 1. Micro-bourrage, 2. Orientation, 3. Étiquetage… Pareto en durée (trié par durée cumulée décroissante) : 1. Changement format, 2. Micro-bourrage, 3. Étiquetage…

Leçon : les deux vues sont complémentaires, pas redondantes. Un diagnostic qui n’en présente qu’une est incomplet.

6. FAQ élèves (10 questions fréquentes)

Q1. Qu’est-ce qui différencie un micro-arrêt d’un mini-arrêt ? Dans la pratique française, micro-arrêt = < 5 min (résolution opérateur), mini-arrêt = 5 à 30 min (résolution régleur / maintenance première), panne > 30 min (arrêt déclaré + intervention plus lourde). Les seuils varient selon les entreprises — l’essentiel est de fixer un seuil cohérent et s’y tenir.

Q2. Quel seuil de détection utiliser ? 10 à 15 secondes est un bon compromis : capture les vrais arrêts sans noyer de bruit capteur pur. En dessous de 10 s, vous saturez le système sans gagner d’information actionnable. Au-dessus de 30 s, vous perdez les micro-arrêts les plus fréquents (bourrages courts).

Q3. Pourquoi mon TRS est bon mais mes opérateurs râlent ? Signe classique de micro-arrêts. Le TRS lisse, l’opérateur vit les événements. La charge cognitive (nombre d’interventions / h) n’est pas représentée dans le TRS. Un MTBA à 12 min = 5 interventions/h = opérateur jamais tranquille.

Q4. Capture automatique ou saisie humaine ? Automatique dès que possible. La saisie humaine sous-estime 30 à 50 % des micro-arrêts (l’opérateur est occupé à résoudre — il oublie de saisir). Solutions : compteur automate, MES, vision IA.

Q5. Quelle durée de collecte minimale ? 7 jours minimum, 14 jours idéal pour stabiliser les distributions et capter les effets jour × heure. En dessous, les IC sont trop larges et les pics temporels peuvent être du bruit.

Q6. MTBA vs MTBF — c’est pareil ? Non. MTBA = temps moyen entre tous arrêts (micro inclus). MTBF = temps moyen entre pannes déclarées seulement. MTBA est typiquement 10 à 100× plus court que MTBF. Les deux sont utiles mais pas interchangeables.

Q7. Pourquoi ne pas simplement attaquer la cause n°1 en nombre ? Parce qu’elle peut peser peu en durée. Exemple EX7 : 108 micro-bourrages à 0.8 min = 86 min cumulées. 12 changements de format à 12 min = 144 min. Le changement de format est 5× plus rare mais coûte 1.6× plus cher en temps machine.

Q8. Comment gérer les arrêts à causes multiples ? Si vous avez un MES moderne, enregistrer toutes les causes (cause principale + causes contributives). Sinon, codifier la cause initiale (celle qui a déclenché l’arrêt). Éviter la case « Divers » : un taux > 15 % indique une codification trop pauvre à refondre.

Q9. Mon histogramme a deux pics. Est-ce un bug ? Non — c’est un signal précieux. Deux pics = deux populations de causes. Fitter une seule distribution ne marchera pas. Décomposer par cause et refaire l’analyse par sous-population. Voir EX2 pour un cas d’école.

Q10. Peut-on prédire les micro-arrêts ? Avec suffisamment de données procédé (température, pression, vibrations), oui — c’est l’objet de la maintenance prédictive / préventive data-driven. Modèles classiques : régression logistique sur les 2 min précédant l’arrêt, gradient boosting sur séries temporelles. Voir le didacticiel régression pour les bases.

7. Les 6 pièges classiques à éviter

Piège 1 — Pareto en nombre seulement

Symptôme : le plan d’action attaque les causes fréquentes (micro-bourrages) mais les arrêts longs (changement format, panne outil) continuent. Le TRS n’évolue pas. Parade : toujours présenter Pareto en nombre ET en durée. Quand les deux divergent, traiter les deux pour des raisons différentes (irritation opérateur vs temps machine).

Piège 2 — Ignorer la bimodalité

Symptôme : fit log-normal appliqué aveuglément sur une distribution bimodale. R² médiocre, prédictions absurdes. Décision basée sur une moyenne qui ne représente rien. Parade : regarder l’histogramme avant tout fit. Si bimodal, décomposer par cause et analyser séparément. La moyenne n’est pas interprétable sur bimodale.

Piège 3 — Piloter à la moyenne sur distribution log-normale

Symptôme : « durée moyenne = 3 min, on vise < 2 min ». La distribution a une queue longue qui tire la moyenne. La médiane était déjà < 1.5 min. Parade : médiane + P95 en pilotage. La moyenne est un artefact sur queue longue. Un objectif réaliste est « P95 < 3 min » ou « médiane < 1 min », pas « moyenne < X ».

Piège 4 — Oublier le biais de détection

Symptôme : l’automate filtre les arrêts < 15 s. Vous voyez 200 arrêts/semaine alors que la réalité est 400. Votre durée cumulée est sous-estimée, votre MTBA sur-estimé. Parade : documenter le seuil de détection dans chaque étude. Croiser avec observation terrain sur au moins 1 shift complet. Si écart > 20 %, ajuster le seuil.

Piège 5 — Attribution causale abusive sur heatmap

Symptôme : pic à 14h → « l’équipe B est moins efficace ». Mais la vraie cause est le redémarrage de machine refroidie pendant la pause de 12h-13h. Former l’équipe B ne résoudra rien. Parade : avant de conclure « problème opérateur », vérifier s’il y a une cause procédé (température, pression, fatigue machine). La heatmap pointe un symptôme, pas une cause.

Piège 6 — Confondre MTBA et MTBF

Symptôme : rapport affichant « MTBF = 12 min ». Techniquement c’est un MTBA (micro-arrêts inclus). En communication externe ou audit, cela crée une fausse impression de fiabilité catastrophique. Parade : vocabulaire rigoureux. MTBA pour tous arrêts, MTBF pour pannes déclarées seulement. Les deux coexistent dans un tableau de bord complet.

8. QCM d’évaluation (10 questions)

Barème : 7/10 pour valider la séance. Correction en plénière.

9. Références normatives et bibliographiques

• AFNOR NF E60-182 (2002) — Moyens de production — Indicateurs de performance. Définit la taxonomie des arrêts (micro, mini, panne) et les formules TRS/TRG/TRE.
• Nakajima, S. (1988). Introduction to TPM — Total Productive Maintenance. Productivity Press. Origine des 6 grandes pertes du TPM, dont les « ralentissements et micro-arrêts » (perte n°5).
• Wang, W. (2002). A Weibull process model with random inspection. IEEE Transactions on Reliability. Application Weibull au suivi des micro-arrêts sous inspection périodique — référence pour l’analyse de queue.
• ISO 22400-2:2014 — Automation systems and integration — Key performance indicators (KPIs) for manufacturing operations management — Part 2: Definitions and descriptions. Standard international sur le TRS et les indicateurs de disponibilité.
• Box, G. E. P., & Jenkins, G. M. (1976). Time Series Analysis. Holden-Day. Base théorique pour l’analyse temporelle (séries stationnaires, autocorrélation des arrêts).
• MES & IoT industriel — ouvrages de référence : Groover Automation, Production Systems, and Computer-Integrated Manufacturing (7ᵉ éd.), et le Manufacturing Execution Systems Handbook pour la capture automatique.
• BCUB3 — Blog
  • TRS/OEE — calcul complet et décomposition — pour la Performance et les 6 pertes.
  • SPC, cartes de contrôle et dérive — pour monitorer la stabilité après chantier.

10. Checklist formateur — avant la séance

• Tester le didacticiel sur un navigateur récent (Chrome/Firefox/Edge).
• Préparer 1 dataset réel anonymisé de l’entreprise si possible (ou utiliser EX1 à EX8).
• Imprimer le QCM (1 par participant) et une feuille A3 Pareto vierge (pour construction manuelle EX7).
• Prévoir un tableau blanc pour dessiner les distributions (log-normale, Weibull β<1 / β>1, bimodale).
• Préparer un exemple « avant / après chantier » si disponible (réduction de MTBA × 2).
• Vérifier que /outils/micro-arrets charge Pyodide (< 30 s sur connexion standard).

11. Prolongements possibles (séance 2 — avancée)

• Corrélation procédé : croiser micro-arrêts avec variables process (T°, P, vitesse) via régression logistique.
• SPC sur micro-arrêts : cartes u (arrêts / temps) pour monitorer la stabilité après chantier.
• Maintenance prédictive : gradient boosting pour prédire un micro-arrêt dans les 2 min à venir.
• Vision IA sur ligne : capture automatique des causes par caméra + modèle de classification (bourrage, étiquette, orientation…).
• Simulation : discrete-event simulation (SimPy, AnyLogic) pour estimer le gain d’une action corrective avant déploiement.
• Qualification MES : critères de choix d’un MES pour collecte fine des micro-arrêts.