Plan de la présentation - IMT Mines Albifontanil/THESE/Soutenance_these.pdf · •Processus d ’ASSEMBLAGE • Familles de produits : VARIANTES Composants communs Introduction et

��

Thèse de doctorat de Franck FONTANILIprésentée devant les membres du jury :

M. Jean Paul KIEFFER, rapporteurM. Pierre DEJAX, rapporteurM. Raymond PONSONNET, directeur de thèseM. Gérard PLATEAU, examinateurM. Patrick TRUCHOT, examinateurM. Hugues MOLET, examinateurM. Thierry SORIANO, examinateurM. Bernard LE MEAUX, examinateurM. Michel MOINET, examinateur

��

NOM DU CONVOYEUR: C_Acc003; QUANTITE: 1; TYPE: A_accumulation; LONGUEUR ART.: 10; CAPACITE MAX: 10; ACTIONS, Avant Début IF Bit (1) = 0 H_Livraison = TIME Ordre_livraison = Attribut_lancement!STOP ENDIF Fin Actions LOI D'ENTREE: Wait; LOI DE SORTIE: ! Si le bit d'antériorité est à 0 ! Alors on fait reboucler la palette ! Sinon on l'expédie ! IF Bit (2) = 0 PUSH to C_Acc008 at Rear

Fonction Objectif Mul ti-Critères

0

0.2

0.4

0.6

0.8

1

1.2

1 16 31 46 61 76 91 106

121

136

151

166

181

196

211

226

241

256

271

286

301

316

331

346

361

376

391

406

421

Itérations

Fct_

Obj

.

Fc t_obj Multic r it

H_Liv Normé

Encours Normé

��

��

Plan de la présentation

1- Introduction et contexte de la recherche

2- Problématique

3- Solutions proposées

4- Bilan et perspectives

�

�

• Processus d ’ASSEMBLAGE• Familles de produits : VARIANTES

Composants communs

Introduction et contexte de la recherche

Variante 1

Variante 2

Variante 3

�

• Production en lots de PETITES à MOYENNES SERIES, répétitives ou pas

• Ressources polyvalentes, FLEXIBLES, manuelles et/ou automatisées

• Contexte de production en « JUSTE à TEMPS » (JAT)


�

• Grande réactivité Capacité à faire face aux changements de production et aux perturbations dans les plus brefs délais

• Assemblage sur commande

• Délais d ’assemblage à minimiser

Particularités et contraintes d ’une production en J.A.T dans le cas des processus d ’assemblage


�

StockP. Finis

Expédition

Stockscompos.fabriqués

Stocksmatières

premières

Fabrication des

composants

Achat M

. P.

Achat com

p.

Stockscomp.

achetés

ClientsOrdresd ’assemblage

Ordresde fabrication

Gestiondes stocks

Ordresd ’achat

Gestion de Production

Assemblage des

composants

Un modèle de représentation des flux physiques et informationnels d ’un processus d ’assemblage en J.A.T


�

Comment OPTIMISER le

pilotage des flux d ’une telle ligne ? �

Problématique de la recherche

• Flux variés et multiples

• Déséquilibre des charges de travail

• Nombreux paramètres de pilotage à régler à chaque nouvelle production

Synthèse des problèmes rencontrés sur les lignes flexibles d ’assemblage


Synthèse des problèmes rencontrés sur les lignes flexibles d ’assemblage

Démarche suivie pour la recherche

Utilisation d ’une ligne flexible expérimentale représentative des

problèmes rencontrés en production

�


Ligne flexible expérimentale

• Production de type multiproduit en petite à moyenne série

• Assemblage par pièce maîtresse

• Opérations manuelles ou automatisées avec transfert inter-postes par convoyeur asynchrone automatisé

Caractéristiques


Description fonctionnelle du système expérimental

Ligne de chargt./ déchgt.

Ligne principale

Posteen

dérivation

Posteen

dérivation

Posteen

dérivation

Posteen

dérivation

Posteen

dérivation

Posteen

dérivation

�

Transfert des produits (pièce maîtresse + composants)

sur des PALETTES



Pièce maîtressePalette

Convoyeurà bande

�



Particularités des POSTES EN DERIVATION

Dérivation

Indexage

Sortie

Stock A

mont

Stock A

val

�


Accès aux postes de travail et circulation des produits

5

123

4 6

• Ordre des opérations non permutable

• Opérations non redondantes

• Possibilité de rebouclage

�

5

13

4 6

2


Accès aux postes de travail et circulation des produits

• Ordre des opérations non permutable

• Opérations non redondantes

• Possibilité de rebouclage

2

�


Outils informatiques pour la gestion et le pilotage

Ligne Flexible

Supervision

SimulationOptimisation

GPAOOrdo.

Suivi etAnalyse stat.

�


Avantages de cette architecture de ligne

• Production multiproduit : 51 combinaisons de flux possibles avec 6 postes de travail

• Adaptation de la capacité : mise en parallèle des postes de travail

• Découplage des postes : opérations non synchronisées aux transferts

��


Les principaux paramètres de pilotage du flux

• Temps Inter-Lancement (TiLa)

StA

m

• Capacité des Stocks Amont (StAm)

�


Les principaux paramètres de pilotage du flux

• Capacité des Stocks Aval (StAv)

StA

v

• Priorité en sortie de poste

��


Problèmes posés pour le lancement d ’une production

• Intervalle de temps (TiLa) entre le lancement de chaque palette ? 1��TiLa ��20

+ de 1031 combinaisons• Découpage et séquencement de chaque série ?

Exemple : Lancement d ’une production de 3 produits (A, B et C), avec des tailles de lot de 12(A), 5(B) et 8(C).

AAAAAAAAAAAA BBBBB CCCCCCCC

AAAA BB CCC AAAA BB CCC AAAA B CC

AAAAAAAAAAAABBBBBCCCCCCCC

lancement

1

2

3

+ de 1025 combinaisons

�



• Règle de priorité en sortie de poste ? 4 règles/poste

+ de 4000 combinaisons

• Capacité des stocks amonts (StAm) ? 1��StAm ��6

+ de 40 000 combinaisons

• Capacité des stocks avals (StAv) ? 1��StAv ��6

+ de 40 000 combinaisons

��



Nombre total de combinaisons : + de 1068

Objectif du réglage des paramètres :Minimiser le délai de fabrication

Autre problème :Temps de réponse du système réel

délai de fabrication moyen : 10 minutes

��



Conclusion

• Impossible de tester toutes les combinaisons

• Choix empirique des valeurs des paramètres

• Problème complexe (NP-complet)

��

��

Solutions proposées

Problème

Système REEL

Expérimentations/Simulations

Modèleinformatique

1- Utilisation de la SIMULATION DE FLUX

Aucun risque, rapidité d ’exécution

��


1- Utilisation de la simulation de flux

Exemple : Recherche des valeurs optimales des paramètres pour minimiser le délai d ’une production MULTIPRODUIT.

Routage des produits et tailles de lot :Tlot (k) Tcyc(1,k) Tcyc(2,k) Tcyc(3,k) Tcyc(4,k) Tcyc(5,k) Tcyc(6,k)

Taille Lot Poste 1 Poste 2 Poste 3 Poste 4 Poste 5 Poste 6

OF1 10 Gamme A 4 2 3OF2 5 Gamme B 1 4 3 2OF3 8 Gamme C 3 4 5OF4 15 Gamme D 3 4 5OF5 6 Gamme E 1 2 3

Voir Simulation de la ligne expérimentale

��



Paramètres à optimiserTiLa : constant entre chaque palette et compris entre 1 et

10 secondes

10 combinaisons à tester

StAm : identique sur chaque poste et compris entre 1 et 6 palettes

6 combinaisons à tester

10 x 6 = 60 simulations à réaliser 2 secondes/simulation, résultat en 2 minutes…

au lieu de 10 heures sur le système réel. �



RésultatsDélai = f(TiLa)

550

600

650

700

750

800

850

900

950

1000

1 2 3 4 5 6 7 8 9 10 11 12

TiLa

Dé

lai

StAm=1

StAm=2

StAm=3

StAm=4

StAm=5

StAm=6

Délai mini =

579 sec



ConclusionsProduction MULTIPRODUIT

• Pas de relations théoriques précises pour déterminer les paramètres optimums

• Pas de convergence des résultats sur une solution unique (vs. Monoproduit)

• Simulation indispensable �



Conclusion sur l ’utilisation de la simulation

• Démarche exhaustive : simulations de toutes les combinaisons

• Applicable à des cas peu complexes ou fortement contraints

• Piste de recherche : couplage à un algorithme d ’optimisation


SIMULATEUR ALGORITHME

Piste retenue : Lien avec un algorithme d ’optimisation[BERARD], [TAUTOU], [GAURY]

- Paramètres et étendue de variation ?

- Algorithme d ’optimisation ?- Fonction objectif et

Critères ?- Analyse des résultats

Fct. Objectif

Paramètres

2- Couplage SIMULATION / OPTIMISATION

�


2- Couplage Simulation / Optimisation

Algorithmes d ’optimisation

Méthodes exactes Méthodes approchéesou Heuristiques

Explorationlocale

Exploration globale

Explorationaléatoire

Explorationpseudo-al.

Descente stoch.,+ Gdre. pente,

etc...

Recuit Simulé,Tabouetc...

AlgorithmesGénétiques

[GOLDBERG], [CHARON]

�



• Adaptées aux espaces d ’exploration très grands

• Pas de mise en équation, pas de calcul de dérivées

• Couplage possible avec simulation

Méthodes choisies HEURISTIQUES

�



580

590

600

610

620

630

640

650

1 8 15 22 29 36 43 50 57 64 71 78 85 92 99 106

113

120

127

134

141

Itérations

Dél

ai

Descente

Aléatoire

Recuit

Génétique

Comparaison de 4 algorithmes[KIRKPATRICK], [GLOVER], [GOLDBERG]

�



• Performant pour des problèmes complexes

• Exploration de solutions en parallèle

• Facilité de programmation et d ’adaptation

Algorithme choisi Algo. GENETIQUE

�



Principe de l ’algorithme génétique

Chromosome

GèneIndividuEspèces

Croisement MutationSélectionEvaluation

A chaque génération de n individus …

�

Production

Génétique



Codage du problème

1 individu 1 chromosome k gènes

1 lancement 1 réglage k paramètres

= =

= =

��



TiLa StAm StAv Prio Ordo

Gène 1 Gène 2 Gène 3 Gène 4 Gène 5

2 - 11 - 5 - 6 - 1 5 - 4 - 4 - 6 - 5 - 5Cas d ’un lancement

multiproduit (5 O.F)

Réglage de TiLa et StAm

TiLa de l ’O.F. 2 StAm du poste 3

Codage du problème

�



Principe de l ’évaluation de la fonction objectif

SIMULATEUR ALGORITHMEFct. Objectif

Paramètres

2-7-11-5-6 / 4-6-5-4-3-2

Délai = 597,8 sec.

indiv. Délai1 2 7 11 5 6 4 6 5 4 3 2 597.82 4 5 6 10 2 2 4 3 3 1 3 638.73 6 11 8 9 10 6 2 6 3 2 1 712.1

TiLa_1 à TiLa_5 StAm_1 à StAm_6A chaque itération ...

��



Application : Recherche des valeurs optimales des paramètres pour minimiser le délai d ’une production MULTIPRODUIT (5 produits différents)

Paramètres de pilotage à déterminer :

1�� TiLa �� 12 pour chaque O.F.

1�� StAm �� 6 pour chaque poste

Espace d ’exploration possible :125 combinaisons pour TiLa66 combinaisons pour StAm

soit un total de plus de 1010 combinaisons...

�



500

550

600

650

700

750

800

1 13 25 37 49 61 73 85 97 109

121

133

145

157

169

181

193

205

217

229

241

253

265

277

Itérations

Dél

ai

Délai courant

Moy. Mob.

Délai mini

RésultatsDélai mini

= 524 sec

��



Synthèse des résultats

• Simulation seule : Délai = 579 sec.

• Simulation + Optimisation : Délai = 524 sec.

TiLa(1) TiLa(2) TiLa(3) TiLa(4) TiLa(5) StAm(1) StAm(2) StAm(3) StAm(4) StAm(5) StAm(6)9 9 9 9 9 6 6 6 6 6 6

Gain de délai = 10%

TiLa(1) TiLa(2) TiLa(3) TiLa(4) TiLa(5) StAm(1) StAm(2) StAm(3) StAm(4) StAm(5) StAm(6)2 11 5 6 1 5 4 4 6 5 5

��



Conclusions sur le couplage simulation / optimisation

• Efficacité indiscutable du couplage

• Rapidité d ’obtention des paramètres

• Méthode utilisable en cours d ’exploitation

��


ProblèmePrise en compte simultanée de plusieurs critères

3- Optimisation MULTICRITERE

1 3 8

2 7 2

3 4 4

Sol. Crit. 1 Crit. 2

Exemple : objectif = minimiser critère 1 et critère 2

Quelle est la meilleuresolution ?

��


3- Optimisation Multicritère

Application : Recherche des valeurs optimales des paramètres d ’une production MULTIPRODUIT (5 produits différents) pour :

- Minimiser le DELAI (D)- Minimiser les ENCOURS (EC)- Minimiser les REGLAGES (Reg)

Paramètres de pilotage à déterminer :1�� TiLa �� 12 pour chaque O.F.

1�� StAm �� 6 pour chaque poste

20�� Rp �� 35 : Nb. de palettes en réserve ��



Evaluation

Sélection

Croisement

Mutation

Simulation

Méthodes de sélectionMulticritère :- N.P.S- Optimalité de Pareto- N.D.P

Algo. Génétique

Méthode proposée :

Non Domination Pondérée

��



1ère étape : NORMAGE des critèresobjectif : 0 �� Ci(Xj) �� 1

Principe de sélection

• Critère à minimiser :

C (X )C (X )-min(C )

max(C )-min(C )i j

i j i

i i=

• Critère à maximiser :

C (X )max(C )-C (X )

max(C )-min(C )i j

i i j

i i=

��



2ème étape : PONDERATION des critèresPrincipe de sélection

Matrice de pondération

1 2 30.5 1 10.33 1 1

�� 1.83 4 5

D = 3 x RegD

ECReg

D EC Reg

0.54 0.5 0.6

0.27 0.25 0.2

0.18 0.25 0.2

3 + 1 + 1

0.55

0.24

0.21

(O.54+0.5+0.6)/3

WD

WEC

WReg

1/1.83

Exemple :

�

F(x) = 0,55 . ||D||+ 0,24 . ||EC||+ 0,21 . ||Reg||



3ème étape : 1ère possibilité de sélectionPrincipe de sélection

Méthode de Normage Pondération Sommation

Utilisation d ’une fonction objectif combinaison linéaire des critères normés et pondérés

Pour chaqueindividu

Sélection des 2 meilleursindividus

��



3ème étape : 2ème possibilité de sélectionPrincipe de sélection

Méthode de Non Domination Pondérée=

Mixage du principe de l ’optimalité de Pareto avec pondération des critères

Principe retenu : Sélection des solutions qui ont le plus petit écart moyen pondéré par rapport

aux individus dominants

�




Illustration du principe la méthode N.D.P

0

1

2

3

4

5

6

7

8

9

10

0 1 2 3 4 5 6 7 8 9 10

Critère 1

Cri

tère

2

d1/c1

d2/c1

Ecm/c1

d1/c

2

d2/c

2

d3/c

2Ecm

/c2

d4/c

2

��




Algorithme simplifié de la sélection N.D.P

Pour chaque solutionCalculer d = (Ecm/C1).W1 + (Ecm/C2).W2

Fin Pour

Classer les solutions dans l ’ordre croissant de d

Si Croisement : Prendre les 2 premières solutionsSi Fin : Prendre la 1ère solution

��



Résultats obtenus pour le cas pris en exemple

0

0.2

0.4

0.6

0.8

1

0 0.2 0.4 0.6 0.8 1

Délai

Enco

urs

0

0.2

0.4

0.6

0.8

1

0 0.2 0.4 0.6 0.8 1

Réglages

Enco

urs

0

0.2

0.4

0.6

0.8

1

0 0.2 0.4 0.6 0.8 1

Délai

Ré

gla

ge

s

Meilleur individu :||D||=0,283 D = 573 sec.||EC||=0,237 EC = 13,4 pal.||Reg||=0,139 Reg = 21

Sol. : 9-4-12-11-8 / 6-5-4-4-3-5 / 23��



Conclusions sur la méthode de sélection multicritère

• Efficacité : convergence vers des solutions de compromis

• Comparaison difficile et subjective avec autres méthodes

• Méthode à valider et approfondir

��


Simulation

Supervision

Ordo.

ASPA Suivi

BesoinClient

RéseauAPIGPAO

SystèmePhysique

Optimisation

4- Architecture d ’INTEGRATION des outils

��

��

Bilan et perspectives

• Intérêt de la simulation et de l ’optimisation en phase d ’exploitation d ’un atelier

• Applications possibles à d ’autres processus :(usinage, conditionnement, picking, …)

• Nombreuses pistes de recherche : conception automatique de lignes et de modèles de simulation, séquencement et ordonnancement, modes de pilotage des flux, intégration des outils, ...

Documents

Plan de la présentation - IMT Mines Albifontanil/THESE/Soutenance_these.pdf · •Processus d ’ASSEMBLAGE • Familles de produits : VARIANTES Composants communs Introduction et