Modélisation du processus de pilotage d'un atelier - Les thèses en ...
Modélisation du processus de pilotage d'un atelier - Les thèses en ...
Modélisation du processus de pilotage d'un atelier - Les thèses en ...
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
Partie II : <strong>Les</strong> outils d’ai<strong>de</strong> à la décision pour le <strong>pilotage</strong> d’<strong>atelier</strong><br />
II.4. Optimisation <strong>en</strong> couplant les métho<strong>de</strong>s simulatoire/analytique dans un<br />
<strong>atelier</strong> <strong>de</strong> fabrication intermitt<strong>en</strong>te<br />
<strong>Les</strong> objectifs <strong>de</strong> performance que l’on souhaite atteindre <strong>en</strong> pro<strong>du</strong>ction sont souv<strong>en</strong>t<br />
contradictoires. Il est difficile <strong>de</strong> trouver une solution optimale qui satisfasse tous les critères<br />
<strong>de</strong> performance, comme par exemple un niveau <strong>de</strong> stock très faible, <strong>de</strong>s coûts ré<strong>du</strong>its et une<br />
réponse rapi<strong>de</strong> à la <strong>de</strong>man<strong>de</strong> <strong>du</strong> cli<strong>en</strong>t. Cette complexification <strong>de</strong>s systèmes <strong>de</strong> pro<strong>du</strong>ction<br />
nécessite l’utilisation <strong>de</strong> métho<strong>de</strong>s d’optimisation. Ces métho<strong>de</strong>s doiv<strong>en</strong>t servir d’ai<strong>de</strong> à la<br />
décision pour dim<strong>en</strong>sionner les nouveaux équipem<strong>en</strong>ts et déterminer les paramètres <strong>de</strong><br />
<strong>pilotage</strong> appropriés <strong>en</strong> fonction <strong>de</strong>s critères <strong>de</strong> performance souhaités. En illustrant notre<br />
propos avec l’exemple d’un <strong>atelier</strong> <strong>de</strong> type job shop, nous proposons une démarche qui utilise<br />
la complém<strong>en</strong>tarité d’une résolution analytique et simulatoire.<br />
Dans un premier temps, la résolution analytique permet <strong>de</strong> cibler très rapi<strong>de</strong>m<strong>en</strong>t <strong>de</strong>s<br />
populations <strong>de</strong> solutions proches <strong>de</strong> l’optimum et <strong>de</strong> ré<strong>du</strong>ire le nombre <strong>de</strong> combinaisons à<br />
tester. Elle donne <strong>de</strong>s r<strong>en</strong>seignem<strong>en</strong>ts statiques sur les élém<strong>en</strong>ts, indép<strong>en</strong>damm<strong>en</strong>t les uns <strong>de</strong>s<br />
autres, comme par exemple la capacité <strong>de</strong> chaque machine, la capacité <strong>de</strong>s stocks d’<strong>en</strong>cours,<br />
les gammes à utiliser, etc. A ce sta<strong>de</strong> <strong>de</strong> l’étu<strong>de</strong>, ni les phénomènes aléatoires dans le système,<br />
ni la dynamique <strong>de</strong>s flux ne sont pris <strong>en</strong> compte et la solution est basée sur <strong>de</strong>s données<br />
déterministes. On peut qualifier cette résolution <strong>de</strong> statique ou capacitaire. Dans un second<br />
temps, il est nécessaire d’intégrer les interactions <strong>en</strong>tre les différ<strong>en</strong>ts élém<strong>en</strong>ts <strong>du</strong> système<br />
pour compr<strong>en</strong>dre son comportem<strong>en</strong>t dynamique. La simulation <strong>de</strong> flux est un <strong>de</strong>s outils<br />
capables, non seulem<strong>en</strong>t <strong>de</strong> vérifier la solution proposée par la résolution analytique, mais<br />
aussi <strong>de</strong> fournir les informations manquantes sur la dynamique <strong>de</strong>s flux <strong>en</strong> pr<strong>en</strong>ant <strong>en</strong> compte<br />
<strong>de</strong>s données stochastiques et <strong>de</strong>s événem<strong>en</strong>ts aléatoires.<br />
L’un <strong>de</strong>s intérêts <strong>de</strong> comm<strong>en</strong>cer par une résolution analytique est d’obt<strong>en</strong>ir certaines<br />
données utiles à la construction <strong>du</strong> modèle et d’autres données pour alim<strong>en</strong>ter les simulations<br />
proprem<strong>en</strong>t dites. Sans résolution analytique préalable, le nombre <strong>de</strong> solutions à tester avec la<br />
simulation peut s’avérer très important et <strong>en</strong>traîner <strong>de</strong> ce fait un grand nombre <strong>de</strong> simulations<br />
et donc un temps <strong>de</strong> résolution très long. En effet, pour les systèmes <strong>de</strong> pro<strong>du</strong>ction complexes,<br />
la simulation <strong>de</strong> flux est un travail très fastidieux, qui monopolise <strong>de</strong>s ressources tant pour sa<br />
modélisation que pour les nombreux essais <strong>de</strong> simulation qui s’<strong>en</strong> suiv<strong>en</strong>t. La ré<strong>du</strong>ction <strong>de</strong><br />
l’espace <strong>de</strong> solutions par résolution analytique permet un gain <strong>de</strong> temps non négligeable,<br />
compte t<strong>en</strong>u <strong>de</strong> l’ampleur <strong>de</strong> la tâche, <strong>en</strong> sélectionnant a priori les solutions optimales par<br />
rapport à <strong>de</strong>s critères et <strong>de</strong>s contraintes prédéfinis. Dans ce chapitre, nous montrerons au<br />
travers d’un exemple tout l’intérêt <strong>du</strong> couplage ou <strong>de</strong> la complém<strong>en</strong>tarité <strong>de</strong> ces <strong>de</strong>ux<br />
métho<strong>de</strong>s et <strong>en</strong>fin, nous analyserons les résultats et conclurons sur l’intérêt <strong>de</strong> cette démarche.<br />
II.4.1. Optimisation <strong>en</strong> théorie<br />
II.4.1.1. <strong>Les</strong> métho<strong>de</strong>s analytiques<br />
<strong>Les</strong> métho<strong>de</strong>s analytiques cherch<strong>en</strong>t à représ<strong>en</strong>ter une situation réelle par un modèle<br />
mathématique, puis à i<strong>de</strong>ntifier les meilleures décisions dans le modèle <strong>en</strong> espérant qu'elles<br />
seront aussi les meilleures dans la réalité. La situation est modélisée par <strong>de</strong>s contraintes, dont<br />
le but est <strong>de</strong> séparer le possible <strong>de</strong> l'impossible. Usuellem<strong>en</strong>t, les décisions sont évaluées à<br />
l'ai<strong>de</strong> <strong>de</strong> fonctions objectifs ou économiques. Cela revi<strong>en</strong>t donc à trouver le minimum (ou le<br />
maximum) <strong>d'un</strong>e fonction objectif parmi les solutions qui respect<strong>en</strong>t les contraintes. Il existe<br />
58