Lean manufacturing dans la région métropolitaine de Montréal : niveaux de maturité et système d'opérationnalisation basé sur les objets connectés

Lean Manufacturing in greater Montreal : Maturity level and IoT based system for operationilization

• Auteur / Autrice : Didérot Déraillet Tadja
• Direction : Michel Tollenaere, Samuel Bassetto, Tony Wong
• Type : Thèse de doctorat
• Discipline(s) : Génie Industriel, conception et production
• Date : Soutenance le 18/11/2024
• Etablissement(s) : Université Grenoble Alpes en cotutelle avec École polytechnique (Montréal, Canada)
• Ecole(s) doctorale(s) : École doctorale Ingénierie - matériaux mécanique énergétique environnement procédés production (Grenoble ; 2008-....)
• Partenaire(s) de recherche : Laboratoire : Sciences pour la conception, l'optimisation et la production (Grenoble, Isère, France ; 2006-....) - Université de Montréal (1878-....)
• Jury : Président / Présidente : Mohamed-Salah Ouali
• Jury : Rapporteurs / Rapporteuses : Bertrand Rose, M'hamed Sahnoun

Mots clés

Mots clés contrôlés

Montréal (Canada)

Internet des objets

Québec (Canada ; province)

Manufactures

Productivité

Gestion d'entreprise

Production au plus juste

Mots clés libres

Lean manufacturing

Industrie 4.0

Productivité manufacturière

Gestion industrielle

Lean manufacturing

Industry 4.0

Manufacturing productivity

Industrial management

Résumé

La productivité des entreprises manufacturières de la province du Québec est encore inférieure à celles de l’Ontario et même à la moyenne canadienne en général. Cependant, le lean manufacturing bien connu des milieux manufacturiers est un ensemble de pratiques techniques et non techniques dont la pertinence pour l’amélioration de la productivité est incontestée. Mais très curieusement, il est encore difficile pour plusieurs entreprises manufacturières de l’opérationnaliser. Le lean manufacturing dépend des personnes directement impliquées pour son application. Donc si dans une équipe de travail les membres ne sont pas sensibilisés à ses pratiques, cette équipe sera naturellement moins productive. Ce travail porte d’abord sur l’élaboration du portrait des pratiques du lean manufactuing d’un échantillon d’entreprises manufacturières de la région métropolitaine de Montréal ensuite, sur le développement d’un système d’opérationnalisation basé sur les objets connectés pour améliorer l’acquisition des compétences en pratiques du lean manufacturing par les membres des équipes de travail. La méthode utilisée correspond à une démarche hypothético-déductive. Deux groupes d’hypothèses ont été formulés et testés. Le premier groupe est relatif au lien entre les profils des entreprises manufacturières et les niveaux de maturité en pratiques du lean manufacturing. Le deuxième groupe est relatif aux effets de l’utilisation du système sur l’acquisition des compétences en pratiques du lean manufacturing par les membres des équipes de travail. Le premier groupe d’hypothèses a été testé avec les données provenant d’une enquête auprès d’un échantillon de 42 entreprises. Le deuxième groupe d’hypothèse a été testé avec les données provenant des expériences réalisées dans les laboratoires académiques manufacturiers.Les résultats du sondage analysés par la classification ascendante hiérarchique et le test exact de Fisher indiquent que le niveau de maturité en pratiques techniques de l’échantillon d’entreprises étudié est mitigé (score moyen de 51%) et est liée à la taille des entreprises (p-value = 0.001), mais pas statistiquement liée à leurs régions administratives d’implémentation (p-value = 0.057). Cependant, le niveau de maturité en pratiques non techniques est élevé (score moyen de 71%) et n’a pas de lien avec la taille des entreprises (p-value = 0.093) et encore moins avec la région administrative d’implantation (p-value = 0.494). Le système d’opérationnalisation développé est capable de détecter les temps d’attente, la surproduction, le surstockage, les mouvements inutiles et les déplacements inutiles soit, cinq des sept types de gaspillages. Il a également le potentiel de détecter la non-qualité pour le cas des industries de fabrication mécanique. L’expérimentation de ce système indique qu’il favorise l’acquisition des compétences en pratiques techniques (p-value = 0.004) et en pratiques non techniques (p-value = 0.003).La réalisation de ce travail qui se situe aux frontières du lean manufactuirng et de l’Internet des objets permet de recontextualiser le lean manufacturing. Il a le potentiel d’impacter positivement la productivité des entreprises manufacturières et les inciter au passage à l’industrie 4.0. Sur le plan académique, il peut servir à l’actualisation de l’enseignement du lean manufacturing.

The productivity of manufacturing companies in the province of Quebec is still lower than that of Ontario and even the Canadian average in general. However, lean manufacturing, well known by manufacturing companies, is a powerful and widely recognized managerial approach for improving operational performance. Despite the undisputed relevance of lean manufacturing for business survival, many companies are struggling to operationalize lean practices. Lean manufacturing depends on the people directly involved for its application. Consequently, if a work team is not aware of its practices, it will naturally be less productive. This work first focuses on developing a portrait of lean manufacturing practices in a sample of manufacturing companies in the Montreal metropolitan area. Then, on the development of an operationalization system based on the Internet of things to improve the acquisition of skills in lean manufacturing practices by members of the work teams.The method used corresponds to a hypothetico-deductive approach. Two groups of hypotheses were formulated and tested. The first group is related to the link between the profiles of manufacturing companies and their maturity levels in lean manufacturing practices. The second group is related to the effects of the system on the acquisition of skills in lean manufacturing practices by members of the work teams. The first group of hypotheses was tested with data from a survey of a sample of 42 companies. The second group of hypotheses was tested with data from experiments carried out in academic manufacturing laboratories.The results of the survey analyzed by hierarchical ascending classification and Fisher's exact test indicate that the level of maturity in technical practices of the sample of companies studied is mitigated (average score of 51%) and is linked to the size of the companies (p-value = 0.001) but not statistically linked to their administrative regions of implementation (p-value = 0.057). However, the level of maturity in non-technical practices is high (average score of 71%) and has no link with the size of the companies (p-value = 0.093) and even less with the administrative region of establishment (p-value = 0.494).The system developed is capable of detecting waiting times, overproduction, overstocking, unnecessary movements and unnecessary transports, i.e. five of the seven types of waste. It also has the potential to detect non-quality for the case of mechanical manufacturing industries. Experimentation with this system indicates that it improves the acquisition of skills in technical practices (p-value = 0.004) and in non-technical practices (p-value = 0.003) of lean manufacturing.This work, which is at the boundary of lean manufacturing and the Internet of Things, contribute to recontextualize lean manufacturing. It has the potential to positively impact the productivity of manufacturing companies and encourage them to transition to industry 4.0. Academically, it can be used to update the teaching of lean manufacturing.