Agrégation externe SII - 2024 - Option SII et ingénierie informatique - Épreuve de modélisation

Agrégation concours externe

Section : Sciences Industrielles de l’Ingénieur
Épreuve d'admissibilité
Option sciences industrielles de l'ingénieur et ingénierie informatique

Support : Optimisation de la production d’un spécialiste des pâtisseries et produits traiteurs surgelés.

Contexte :

Une filiale d’un grand groupe de l’agroalimentaire, spécialisée dans les pâtisseries et produits traiteurs surgelés a récemment investi près de dix millions d’euros afin d’augmenter la production d’une de ses usines de fabrication.

L’usine de Dabas est ainsi passée de trois à cinq lignes de production dans l’objectif d’accroitre son flux de 8200 tonnes à 12000 tonnes de pâtisseries par an en cinq ans. Cela n’a pas été le cas.

La filiale comporte quatre usines réparties dans toute la France et commercialise ses produits à l’international.

Application TRS

L’agence locale d’un groupe européen de services digitaux a eu pour mission de mettre en place un tableau de bord temps réel (KPI) associé à une application d’évaluation du TRS (Taux de rendement synthétique).

Le Taux de Rendement Synthétique (TRS) est un indicateur composite mesurant l’occupation d’une ressource de production (machine, ligne, voire atelier de fabrication). C’est un ratio, calculé sous la forme d’un pourcentage de 0 à 100. Lorsque le TRS atteint 100% cela signifie qu’un équipement est entièrement opérationnel. Lorsqu’il atteint 0%, cela signifie qu’un équipement n’a produit aucune pièce bonne.

Le choix s’est porté sur une application web basée sur une architecture AWS (Amazon Web Services) afin de centraliser la représentation du TRS de l’ensemble des quatre usines sans investissement matériel supplémentaire pour l’entreprise.

Les données des automates sont récoltées par une informatique de périphérie (via Greengrass) puis transmises au Cloud à l’aide du protocole MQTT. Elles y sont traitées comme provenant d’IOT. Des informations sont également récoltées par le biais de tablettes et d’une interface Web. Ces données sont saisies par les conducteurs de ligne. Il s’agit, entre autres, des événements d’arrêts de ligne (pauses, pannes, réglages, etc.). Enfin, un stockage Cloud de ces données est fait par Amazon S3 (Simple Storage Service) qui permet le stockage bon marché de gros objets et par DynamoDB qui favorise la sécurisation des accès. Athena rend possible l’exploitation des requêtes SQL.

Travail demandé :

Toutes les parties sont indépendantes.

• Partie 1 :  Qualification du modèle choisi pour le calcul du TRS.

L’objectif de cette partie est de modéliser la propagation des défauts dans une ligne de production suivant son architecture, d’identifier le modèle qui a été choisi pour la première version de l’application et ses inconvénients par rapport à la flexibilité attendue par l’entreprise. Il sera ensuite possible d’envisager une amélioration.

• Partie 2 : Estimation de l’efficacité de la récolte des données.

L’objectif de cette partie est de modéliser le réseau local et sa partie périphérique afin de vérifier que l’application peut être déployée dans les différents réseaux possibles dans les différentes usines de l’entreprise. En effet, il s’agit de rénovation et non de construction.

• Partie 3 : Amélioration du modèle choisi pour l’identification des défauts en sortie de four. 

L’objectif de cette partie est de vérifier les performances de la solution choisie pour localiser les zones de cuisson défectueuses ou conduisant à une mauvaise qualité de la pâtisserie. Cette solution doit être valide quelle que soit la pâtisserie et son format (tartelette, tarte 27 cm, bread, mini-fondants, canelés, etc.). Après une modélisation de la cuisson du gâteau, une amélioration sera envisagée.

• Partie 4 : Impact d’un transfert du Deep Learning vers le Cloud.

L’objectif de cette partie est de modéliser différentes situations de transfert entre les usines et le Cloud afin de vérifier la possibilité de traiter les images dans le Cloud.