CoursGA(Simulation)

Simulation de processusDe la théorie à la pratique

21 Octobre 20114 Novembre 2011

Jérôme NEAU, Ingénieur & Associé NS CONSEIL

Sommaire

• Introduction• Intérêt de la simulation• Historique• Typologie• Comment ça fonctionne ?• Simulation et Recherche Opérationnelle• Projet de simulation: démarche• Dangers et limitations• Quels logiciels ?• Portfolio d’études• Démarche complète appliquée à un exemple simple• Exemple 1 : Industrialisation de nouveaux produits• Exemple 2 : Logistique• Exemple 3 : Ordonnancement• Exemple 4 : La simulation dans le secteur hospitalier

Introduction

• Les chercheurs, les ingénieurs, les militaires et bien d'autres professionnels se posent souvent la question : quel est le résultat que j'obtiens si j'exerce telle action sur un élément ?Le moyen le plus simple serait de tenter l'expérience, c'est-à-dire d'exercer l'action souhaitée sur l'élément en cause pour pouvoir observer ou mesurer le résultat. Dans de nombreux cas l'expérience est irréalisable, trop chère ou contraire à l'éthique. On a alors recours à la simulation : rechercher un élément qui réagit d'une manière semblable à celui que l'on veut étudier et qui permettra de déduire les résultats.La simulation est un outil utilisé par le chercheur, l'ingénieur, le militaire etc. pour étudier les résultats d'une action sur un élément sans réaliser l'expérience sur l'élément réel.Lorsque l'outil de simulation utilise un ordinateur on parle de simulation numérique.Source : Wikipédia

Qu’est-ce que la simulation ?

Introduction

• La simulation est le processus de concevoir un modèle d’un système réel et de mener des expériences avec ce modèle dans le but de comprendre le comportement du système et/ou évaluer différentes stratégies opératoires.Source : Winter Simulation Conference 1998

• La simulation consiste à reproduire, à échelle réduite, l’évolution dans le temps d’un système complexe dont on veut étudier le comportement dynamique.

Qu’est-ce que la simulation ?

Introduction

• On appelle modèle un élément, analogique ou numérique, dont le comportement vis-à-vis d'un phénomène est similaire à celui de l'élément à étudier. – Les sorties sont les éléments et grandeurs que l'on veut étudier. – Les entrées, paramètres et contraintes sont les éléments dont la

variation influe sur le comportement du modèle ;• on appelle entrée ceux qui sont commandés par

l'expérimentateur• paramètres ceux que l'opérateur choisit de fixer • contraintes ceux qui dépendent d'éléments extérieurs.

• On appelle simulation l'ensemble constitué par un modèle, les entrées, paramètres et contraintes, et les résultats obtenus.

Qu’est-ce qu’un modèle ?

ModèleModèle

Paramètres

Contraintes

Entrées Sorties

Introduction

• Contenu du modèle :– Série d’opérations de production reliées entre elles par des

convoyeurs. Les machines réalisant les opérations subissent des pannes qui requièrent l’intervention d’une équipe de maintenance

– Entrées : nombre de personnes dans l’équipe de maintenance– Paramètres : temps de cycle, temps moyen de bon

fonctionnement, temps de réparation, etc.– Contraintes : flux d’arrivée des pièces dans l’atelier– Sorties : statistiques d’utilisation des moyens et ressources,

nombre de pièces produites par l’atelier

• Démonstration rapide

Exemple : maintenance dans un atelier de production

Intérêt de la simulation

La simulation dynamique permet de– Formaliser le fonctionnement d’un système– Evaluer les performances– Analyser le fonctionnement global– Dimensionner les composantes du système– Valider les modes de fonctionnement– Comparer différentes solutions et hypothèses

Þ Evaluer les conséquences d’une décision avant qu’elle soit prise, éventuellement avant que le système existe.

Þ Par expérimentation sur un modèle, on teste différents scénarios pour les comparer ou effectuer des prédictions.

La simulation dynamique est un outil d’aide à la décision


La simulation dynamique permet également de– Communiquer

• Réalité virtuelle• Modèles faciles à comprendre et donc à utiliser comme

moyen de communication• Outil de dialogue et de formalisation

– Former• Exemples les plus connus: simulateurs de vol, de combat...• Dès qu’il existe un risque (intégrité physique, financier, etc.),

la simulation peut être utilisée dans un but d’apprentissage par le test de raisonnements, attitudes, décisions et l’étude de leurs conséquences (apprentissage par l’erreur).

La recherche de la performance au quotidien appelle des solutions de plus en plus complexesÞ La simulation permet d’identifier et de prioriser les actions à mener

L’optimisation activité par activité des processus ne garantit pas la performance globaleÞ La simulation permet d’avoir une approche globale et multi-métiers (processus, fiabilité, ordonnancement, logistique, etc.)

Le lancement d’investissements requière des indicateurs fiables de retour sur investissement afin de minimiser les risquesÞ La simulation repose sur une approche scientifique qui fournit des résultats très proches de la réalité à condition de prendre certaines précautions


Cadre : implantation de nouvelles lignes d’assemblageObjectif : - vérifier le dimensionnement des lignes (valider les temps de cycle, les temps de changements entre référence, les fréquentiels) - optimiser le nombre de chariots dans la boucle

Industrie – Ligne d’assemblage GMP

92.5

93

93.5

94

94.5

95

95.5

96

96.5

97

19 20 21 22 23 24 25Nbre de Chariots

RO

(%

)

Rendement en fonction

du nombre de chariots

Quelques exemples

Cadre : conception d’un nouvel atelier de pressage et séchage d’accessoires de tuilerieObjectif : - déterminer les vitesses optimales de déplacement des moyens de manutention

- optimiser le nombre de supports par type de produit- optimiser le nombre de chambres de séchage

- définir et tester les règles de pilotage du système

Industrie – Atelier de production

Source: CTTB

Quelques exemples

Cadre : concours pour la construction d’un nouveau port de conteneurs à BarceloneObjectif : - définir l’implantation du futur site (longueur de quai, surface de stockage, etc.)

- dimensionner le nombre optimal de moyens (grues, porte-conteneurs, transbordeurs, etc.)

Portuaire – Logistique conteneurs

Quelques exemples

Cadre : réorganisation du centre de tri multimodal de RoissyObjectif : - valider / optimiser les plans de tri et de transport à l’occasion du changement de réseau

- identifier les points bloquant de l’installation- spécifier les besoins en personnel et les vacations à mettre en place

Postal – Chronopost Roissy

Dépose

Convoyage

Vidage

Tri

Réception flux routier Expédition flux routier

Chgt

Convoyage Prélèvement

Mise en pinon / conteneur

Mise en roll / palette

Dépose

Convoyage

Vidage

Réception flux aérien Expédition flux aérien

Chgt

Quelques exemples

Attente caristes

Cabine

Stock de vides

Sto

ck E

cop

lis

Quai D

ép

art

TG1Manu

Tri GFTOP 4

TOP 3

TOP 2

TOP 1

Vestiaire Vidéo codage

POD 3

MTE Tri Manu Enc

Hom

og

én

éisa

tionQ

uai a

rriv

ée

Stock de vides

Stock Tem’Post(produit à

date)

POD 1 POD 2

TG

3M

anu

Tem’Post

TP

F 2

TP

F 3

TP

F 1

Chantier Autonome 1

TG3TG1

TG

3M

anu

Tem’Post

TP

F 2

TP

F 3

TP

F 1

Chantier Autonome 2

TG3TG1

TG

3M

anu

Tem’Post

TP

F 2

TP

F 3

TP

F 1

Chantier Autonome 3

TG3TG1

MTE

Annea

u de tri

Attente caristes

Cabine

Stock de vides

Sto

ck E

cop

lis

Quai D

ép

art

TG1Manu

Tri GFTOP 4

TOP 3

TOP 2

TOP 1

Vestiaire Vidéo codage

POD 3

MTE Tri Manu EncMTE Tri Manu Enc

Hom

og

én

éisa

tionQ

uai a

rriv

ée

Stock de vides

Stock Tem’Post(produit à

date)

POD 1 POD 2

TG

3M

anu

Tem’Post

TP

F 2

TP

F 3

TP

F 1

Chantier Autonome 1

TG3TG1

TG

3M

anu

Tem’Post

TP

F 2

TP

F 3

TP

F 1

Chantier Autonome 1

TG3TG1

TG

3M

anu

Tem’Post

TP

F 2

TP

F 3

TP

F 1

Chantier Autonome 2

TG3TG1

TG

3M

anu

Tem’Post

TP

F 2

TP

F 3

TP

F 1

Chantier Autonome 3

TG3TG1

TG

3M

anu

Tem’Post

TP

F 2

TP

F 3

TP

F 1

Chantier Autonome 3

TG3TG1

MTE

Annea

u de tri

Cadre : aide à la conception du centre de tri postal de Paris Nord pour SomepostObjectif : - valider / optimiser le dimensionnement des installations

- fournir une animation 3D comme support commercial- faire des recommandations organisationnelles et des préconisations demodification des installations

Postal – La Poste Paris Nord

Quelques exemples

Historique

• La simulation numérique est apparue en même temps que l'informatique pour les besoins du projet Manhattan pendant la Seconde Guerre mondiale, afin de modéliser le processus de détonation nucléaire. Depuis, elle a évolué parallèlement à l'informatique.

• Parmi les précurseurs des logiciels de simulation actuels, on peut citer GSP (fin années 50), GPSS (fin années 50), GASP (début années 60), SLAM (fin année 70)

• Les principales évolutions au cours des dernières années portent sur les aspects graphiques, la puissance de calcul et l’intégration de la simulation au sein d’autres applications

Près de 65 ans d’histoire

Typologie

Il existe plusieurs façons de classifier les simulations• Statique ou dynamique

Notion d’évolution au cours du temps• Stochastique ou déterministe

Notion d’aléatoire• A événements discrets ou continue

Equations différentielles vs. logique événementielle

Exemples d’outils et méthodes :• Runge-Kutta résolution d’équations différentielles• Monte-Carlo calcul de valeurs numériques par des procédés

aléatoires

L’analyse par simulation des flux et processus requière généralement des simulations dynamiques et stochastiques, discrètes ou / et continues selon les processus considérés

Nombreuses méthodes de simulation

Comment ça fonctionne ?

Les moteurs de simulation à événements discrets reposent sur plusieurs concepts :

• Gestion d’échéancier• Gestion des files d’attente• Génération de nombres aléatoires• Edition de rapports statistiques

Focus sur la simulation à événements discrets


Un moteur de simulation à événements discrets gère un échéancier dans lequel il écrit à l’avance les événements à venir.Différents événement gérés : cycles, pannes, réglages, pauses, etc.Exemple:

• Machine avec un temps de cycle de 30 minutes• Panne de 5 minutes toutes les 1 heures 40 minutes de bon

fonctionnement• Pause de ¼ d’heure toutes les 2 ½ heures

Gestion d’échéancier

0.0

Début d

e cy

cle

30.0

Fin d

e cy

cleD

ébut d

e cy

cle

60Fin

de cy

cleD

ébut d

e cy

cle90

Fin d

e cy

cleD

ébut d

e cy

cle

125.0

Fin d

e cy

cle

100.0

Début d

e

panne

105.0

Fin d

e p

anne

135.0

Début d

e p

ause

150.0

Fin d

e p

ause

Début d

e cy

cle

170.0

Fin d

e cy

cleD

ébut d

e cy

cle

200.0

Fin d

e cy

cle


Un moteur de simulation à événements discrets gère les phénomènes de files d’attente : saturations et attentes.Exemple : quand une machine tombe en panne, les effets sont les suivants

• En amont, les stocks se remplissent et les moyens finissent par saturer, c’est-à-dire par être dans l’incapacité d’évacuer leur production

• En aval, les stocks se vident et les moyens se mettent en attente

Les moteurs de simulation gèrent généralement ce fonctionnement automatiquement

Gestion des files d’attente

Inactive

Disponible

Occupée

Bloquée

Réglage

Réparation

Att. ress. cycle

Att. ress. réglage

Att. Ress. réparation


Un moteur de simulation à événements discrets est capable de générer des « nombres aléatoires »Ces nombres sont notamment utilisés pour modéliser les temps inter-pannes et les durées de réparation, les taux de rebut, etc.La génération de ces nombres se fait par un algorithme ou une série mathématique qui produit une séquence de nombres présentant certaines propriétés du hasard. Il s’agit donc de nombres pseudo-aléatoires

Toujours un sujet de recherche ; cf. travaux de Pierre L’Ecuyer, Université de Québec

Avantage : l’aléatoire est reproductible ; les résultats de deux simulations sont comparables même si le modèle est stochastiqueInconvénient : il faut respecter un certain nombre de règles de modélisation et d’expérimentation ; cf. dangers et limitations

Génération de nombres aléatoires


Un moteur de simulation édite des rapports statistiques• Etat d’occupation des différents moyens

Edition de rapports statistiques

0 10 20 30 40 50 60 70 80 90 100

ZoneA.Operation15

ZoneB.Operation25

ZoneB.Operation45

ZoneA.Operation55

ZoneB.Operation60

ZoneA.Operation75

%Disp.

%Cycle - Occ.

%Cycle - Remp.

%Cycle - Vidange

%Arrêté - Bloqué

%Attente - Cycle

%Arrêté - réglage

%Attente - réglage

%Arrêté - panne

%Attente de répar.

• Evolution des niveaux de stock et statistiques classiques (taille mini, maxi , moyenne, temps moyen de séjour, etc.)

• Evolution et statistiques concernant les ressources (occupation par activité, par individu, nombre d’opérations réalisées, etc.)

Simulation et recherche opérationnelle

Il existe d’autres méthodes de modélisation de flux et de processus que la simulation. La recherche opérationnelle en fournit de nombreuses : réseau de Pétri, chaînes de Markov, etc.Toutefois la compétition la plus rude en entreprise vient d’un outil beaucoup plus commercial… MS Excel !Tous ces outils reposent sur des approximations qui deviennent rapidement rédhibitoires quand le système à modéliser devient complexe.

Compétition ou coopération ?

M1 M2

90% 80%

StockCapacité du stock Productivité

0 72%Infinie 80%

5 ??

La modélisation est souvent une brique dans une démarche plus large telle que l’optimisation ou l’ordonnancement. Là encore la recherche opérationnelle fournit de nombreuses méthodes. Sur ce sujet, la simulation et la recherche opérationnelle coopèrent souvent.

Projet de simulationDémarche générale : par itérations

• Transfert• Interprétation

• Abstraction• Modélisation

Expérimentation

Systèmeréel

Systèmeréel

Modèle de simulation


RésultatsRésultatsDéductions sur le système

réel

Déductions sur le système

réel

Retours

Projet de simulationQuand l’utiliser ? En phase de conception ou pour améliorer

La simulation en phase de conception devrait intervenir au plus tôt dans un projet. En pratique, elle intervient parfois trop tard et pour valider des investissements déjà lancés. La simulation est aussi souvent utilisée pour l’amélioration de systèmes existant.

CONCEPTION

€

Temps

DECLINMATURITE

CROISSANCE

Cycle de vie

Projet de simulationDémarche générale

40%

40%

20%

Modélisationconception et réalisation

Exploitation du modèle• Simulations• analyse des résultats

Vérification & Validationpar expert outil et groupe projet

Présentationdes résultats

Edition du dossierde simulation

Capitalisation

Recueil des données• modes de fonctionnement• fiabilité, PAD, fréquentiels...

Validation par les métiers

Cahier des charges• hypothèses• objectifs• responsables

Validation par le groupe projet

Temps passé

La tentation est souvent grande de se concentrer sur la réalisation du modèle alors que ce sont les étapes en amont et aval qui constituent la véritable valeur ajoutée de la simulation.

Cahier des chargesIdentifier les objectifs et le périmètre de l’étude, les différentes solutions à étudier, les indicateurs de performance à utiliser, etc.Le CdC est un contrat entre le demandeur et le réalisateur.Cette phase conditionne tout le reste de l’étude.Sans cela, les conclusions de l’étude pourront toujours être réfutées et l’étude risque de traîner en longueur.

Recueil des donnéesCollecter l’ensemble des données nécessaires à la réalisation du modèle. Les seules inconnues restantes doivent être les paramètres à optimiser.Cette étape est souvent la plus fastidieuse de l’étude et peut nécessiter un travail de terrain.Il peut être souhaitable de conclure à l’inutilité d’une simulation à l’issue du CdC ou du recueil de données.

Etapes d’un projet

Projet de simulation

Conception et réalisation du modèleFaire un modèle conceptuel du système (suivant le type de question posée, on peut avoir des modèles différents d’un même atelier).Traduire le modèle conceptuel dans le langage propre au logiciel utiliséVérification par un expert du logiciel («déboggage»)Validation par le simulateur (tests)Validation du fonctionnement par l’équipe projet et/ou l’exploitant (conformité avec CdC et données)

Exploitation du modèleSimuler les différents scénarios définis dans le CdC afin de récolter toutes les informations chiffrées utiles (plans d’expériences).Analyser les résultats connaissant le modèle, les hypothèses et le système réel.En déduire éventuellement de nouveaux scénarios à tester. Le simulateur doit valider les résultats de ses modèles soit sur des cas simplifiés, soit sur le terrain (si possible).



Conclusion de l’étude de simulationPrésenter les résultats en rappelant les hypothèses de modélisationRéaliser le rapport de fin de simulation.Assurer la transmission du modèle.

CapitalisationLe «dossier simulation» doit être constitué tout au long de l’étude. Or les hypothèses et données évoluent au cours du temps. difficulté à interpréter et présenter les résultats quelle est la part de ce qui a été réellement utile?En déduire éventuellement de nouveaux scénarios à tester. La capitalisation ne doit pas s’arrêter dès que le rapport de simulation est rendu. Il faudrait faire un bilan à l’issue du projet et de sa réalisation...



Points non pris en compte dans CdC

Evolutions par rapport au CdC

Ecarts dus à la modélisation

Comparer simulé % réel

Comparer simulé % réel

Identifier origine des différences

Identifier origine des différences AnalyserAnalyser

Identifier et quantifier aspects impossibles à

modéliserAméliorer adéquation

entre conception simulée et réalité

Capitaliser pour futures simulations

Capitaliser pour futures simulations

Dangers et limitations

DonnéesSans données, la simulation n’a pas de raison d’être.Avec des données inexactes, l’utilisation de la simulation peut se révéler catastrophique…

Nombres aléatoiresTout comme une journée ne ressemble à aucune autre, une même simulation tirée avec des nombres aléatoires différents fournira des résultats différents. Il faut utiliser des techniques statistiques telles que les intervalles de confiance et ne pas raisonner sur des moyennes.

Données et nombres aléatoires

SimulationSimulationdonnées d’entréeincertaines

quelle certitude sur les

résultats?pannes et temps

de cycle aléatoires


Ne pas tenir compte de la montée en régime de la simulation biaise les résultats... particulièrement si la durée de simulation est courte.Solutions : simuler sur une durée très longue pour minimiser l’effet de la mise en régime et / ou réinitialiser les statistiques après une période de mise en régime.

Conditions expérimentales

Période de mise en régime Régime stabilisé

Début de la simulation

RàZ des statistiques

Fin de la simulation

TEMPS

INDICATEUR

Moyenne biaisée par la mise en régime

Moyenne non biaisée

Période de mise en régime Régime stabilisé

Début de la simulation

RàZ des statistiques

Fin de la simulation

TEMPS

INDICATEUR

Moyenne biaisée par la mise en régime

Moyenne non biaisée


Le plus gros danger en modélisation en général et en simulation en particulier est de vouloir représenter la réalité le plus fidèlement possible. La véritable expertise de l’utilisateur est de savoir faire les bonnes hypothèses qui simplifient le travail de modélisation tout en garantissant des résultats fiables et exploitables.La simulation numérique ne doit évidemment pas être confondue avec le réel. Ce n'est pas parce que l'ordinateur dit que cela va se passer comme cela que cela se comporte effectivement comme tel dans la réalité (ex: simulations numériques des prévisions météorologiques). Si le modèle est erroné, les résultats calculés sont alors faux et peuvent amener à des prises de décision elles-mêmes erronées.L'analyse critique des résultats, la vérification de la validité des modèles théoriques utilisés, la confrontation des résultats prédits à l'expérience ... sont autant de réflexes d'ingénieur à avoir et qui font alors partie même de l'éthique du professionnel utilisateur.

Les plus gros dangers

Quels logiciels ?Une multitude d’acteurs

Logiciel Editeur@Risk Palisade CorporationArena Rockwell AutomationAnyLogic XJ TechnologiesAutomod Brooks – PRI AutomationCrystal Ball DecisioneeringEmPlant Tecnomatix (Siemens)Enterprise Dynamics InControlExtend Imagine ThatFlexsim Flexsim Software ProductMicrosaint Sharp Micro Analysis & DesignPromodel Promodel CorporationSimul8 Simul8 CorporationQuest Delmia (Dassault Systems)Vensim Ventana SystemsWitnessLanner

Cadre : conception d’un nouvel atelier de fabrication de durites en caoutchoucObjectif : - déterminer le nombre optimal et le type de palettes

- concevoir et optimiser l’algorithme de lancement des ordres de fabrication- valider la conception du système (vitesse d’extrusion, vitesse de convoyage, nombre d’autoclaves, etc.)

Industrie – Atelier de production

Quelques exemples

Oper

Clamp

Orienteur 1

Conv1

Conv2

MPM

Conv3

Etiqueteuse

Conv4

CP43

Conv6

Conv7

Vision

Conv8Conv9

PMJ

Rebus

PortillonTélescopique 1

Conv10Conv11Conv12

Conv13

Four

Refroidisseur

FIFO

Conv16 Conv17

Testeur

Réparation

RepriseRebus

PortillonTélescopique 2

Conv18

CartesNues

CartesSMI

Déclamp

1

2

Conv5

Conv14

Conv15

S2 S1

Orienteur 2

Orienteur 3

Orienteur 4

ReglageChgt de

ref

ReglageChgt de

ref

ReglageChgt de

ref

ReglageChgt de

ref

ReglageChgt de

ref

Cadre : les lignes d’assemblage n’atteignent pas le TRS souhaité et les actions engagées sur le terrain ne semblent pas toujours donner les résultats escomptésObjectif : - apporter une vision complète des lignes et en étudier leur comportement dynamique - définir des voies d’amélioration

- évaluer les gains obtenus

Industrie – Ligne d’assemblage

Quelques exemples

Cadre : atelier de fonderie d’aluminium pour la fabrication de moteurs haut de gamme

investissement pour réorganisationObjectif : - évaluer la performance de l’atelier

- définir des voies d’amélioration- évaluer l’impact de l’ajout de moyens supplémentaires (postes de nettoyage, presses, transbordeurs, etc.)

Industrie – Atelier de fabrication de moteurs

Quelques exemples

http://www.kolbenschmidt.de/index.php?lang=3

http://www.kolbenschmidt.de/img/fertigung_cayenne_block_1_gr.jpg

http://www.kolbenschmidt.de/img/porsche_cayenne_gr.jpg

http://www.kolbenschmidt.de/img/bearbeitung_cayenne_block2_gr.jpg

Logistique – Ligne de préparation de commande de timbresCadre : Amélioration de la productivité d’un centre de préparation de commandeObjectif : Valider différentes hypothèses et règles de gestion

• modifier le circuit de préparation en créant un rebouclage• évaluer la performance de différents modes d’arrêts des bacs aux gares• évaluer différentes répartitions de produits dans les gares

Quelques exemples

Cadre : restructuration du site : augmentation de 60% de la capacité de production et

création d’un magasin de stockage de 40000 m²Objectif : - dimensionner le futur magasin - optimiser et sécuriser les flux du site (réduire les temps de séjour des camions sur site, minimiser les croisements de flux, dimensionner les moyens à mettre en place pour créer une entrée unique)

Zone de pesée entrée / sortie

Zone de pesée entrée / sortie

Industrie – Placo Vaujours

Quelques exemples

Cadre : logistique produits unserviceable / serviceable dans une unité de maintenance aéronautique en conceptionObjectif : - définir les modes de transfert interne (principe de collecte/distribution, identification des zones à

desservir)- dimensionner les zones de stockage containers- dimensionner les ressources (humaines etmatérielles)- tester l’ajout d’une zone de réception / expédition- déterminer les fréquences et nombre de navettes

Industrie – Air France Industries

Bureaux

Magasincentral

Bureaux

Magasincentral

Process

Stock rapproché: pièces de rechange spécifiques

Racks

Process

Stock rapproché: pièces de rechange spécifiques

Racks

Allée principale de circulation

Quai de réception / expédition

Allée de circulation à sens unique

Autre quai de réception /

expédition possible

Quelques exemples

Cadre : augmentation de la productivité de la ligne d’assemblageregroupement de deux lignes de production

Objectif : évaluer différents scénarii de réorganisation : modifier les gammes ajouter des postes équilibrer les charges dimensionner les équipes dimensionner les stocks etc.

Manufacturier – Caterpillar

Shipping

Start

Pain

tin

g

Quelques exemples

Cadre : logistique bagage à Roissy CdG 2Objectif : évaluer les temps de déplacement des caristes sur pistes en fonction des mouvements d’avion

produire des abaques donnant les courbes d’évolution dans la journée des temps de déplacement des caristes pour tous les trajets possibles

Aéroportuaire – Air France Roissy

Fichier des arrivées d’avions

Fichier des départs d’avions

Temps de parcours


Génération des moyens

de manutention

Interface Excel de paramétrage

Quelques exemples

TBMTBEE

TBEF

TBSEBS

3 déposes

4 déposes

3 déposes

Locaux C

Locaux F1 & F2

TBF

6 déposes

TBCLocaux E

Livraisons

Livraisons Livraisons

Livraisons

Livraisons

Cadre : systèmes de tri des bagages à Roissy CdG 2Objectif : dimensionner les besoins en main d’œuvre dans les différents centres de tri bagages

estimer les flux entre les différents centres de tritester les différentes phases de mise en route des nouvelles installationsévaluer la performance et la robustesse des plans de tri

Aéroportuaire – Air France Roissy

Rapatriement

Dépose

Tri

Mise en conteneur

Livraison

Enregistrement

Stockage

Livraison dernière minute

Avions en apportTerminauxdu CdG2

Avions en emport

Gestion des ratés

Quelques exemples

Cadre : implantation pour un entrepôt frigorifiqueObjectif : choisir parmi deux schéma d’implantations

minimiser les distances palette et le temps total de traitement d’une vague de réception / expédition

Grande distribution – Entrepôt frigorifique

1 5

6

3 1

3 5

3 3 3 3 3 3 3 5

5 3 1

5 2 2 2 2 2 2 2

8

3

1 / 6 1 71 6 6 1

2

1500 m² 700 m² 8000 m²

50 x 30 23 x 30 105 x 76

T° ambiante 14 / + 16 +2 / +4 3

3 quais 3 quais 13+23 quais 6

2000 m² 1500 m² 4200 m² 1570 m²

35 x 57 26 x 57 T° ambiante

0 / +2 +2 / +4 +8 / +12 4 quais 6

4 quais 3 quais 19 quais

Boulangerie

Plantes

PLS

Boucherie

Poissons

F&L

Palettes

1 5

6

3 1

3 5

3 3 3 3 3 3 3 5

5 3 1

5 2 2 2 2 2 2 2

8

3

1 / 6 1 71 6 6 1

2

1500 m² 700 m² 8000 m²

50 x 30 23 x 30 105 x 76

T° ambiante 14 / + 16 +2 / +4 3

3 quais 3 quais 13+23 quais 6

2000 m² 1500 m² 4200 m² 1570 m²

35 x 57 26 x 57 T° ambiante

0 / +2 +2 / +4 +8 / +12 4 quais 6

4 quais 3 quais 19 quais

Boulangerie

Plantes

PLS

Boucherie

Poissons

F&L

Palettes

Boulangerie

Plantes

PLS BoucheriePoissons

F&L

Palettes

Boulangerie

Plantes

PLS BoucheriePoissons

F&L

Palettes

Quelques exemples

Cadre : nouveau centre de distribution de textiles (250 magasins, 60000 références)Objectif : - tester la capacité de la plate-forme à traiter les flux demandés

- apporter une solution avant de découvrir les problèmes sur le terrain- fournir un outil d’exploitation au quotidien

Grande distribution – Plateforme Vert St Denis

Vêtements suspendus

Vêtements plats

Cross-docking

(JàT)Flux stocké

Picking détail

Préparation commandes

Trieur

Autresvêtements

Tri - Expédition

Quelques exemples

Cadre : Mettre en place un outil de comparaison d’implantations / d’organisationObjectif : - Aider l’utilisateur à choisir la meilleure configuration de son entrepôt selon de nombreux critères - Dimensionner les équipes nécessaires

Logistique – Entrepôt

0

10

20

30

40

50

60

70

80

07:00

:00

08:00

:00

09:00

:00

10:00

:00

11:00

:00

12:00

:00

13:00

:00

14:00

:00

15:00

:00

16:00

:00

17:00

:00

Nb Pal Réception

Nb Pal Traités

Nb Pal Exped

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

0

1

2

3

4

5

6

7

8

9

10

Taux d'occupation

Nb Pal Traités

Quelques exemples

Cadre : Mettre en place un outil de comparaison d’implantations / d’organisationObjectif : - Aider l’utilisateur à choisir la meilleure configuration de son magasin selon de nombreux critères - Dimensionner les équipes nécessaires

Logistique – Magasin

Suivi d'une Zone de Preparation/tri

0

2

4

6

8

10

12

14

20:30:00 21:00:00 21:30:00 22:00:00 22:30:00 23:00:00 23:30:00 00:00:00 00:30:00 01:00:00

Nb

re d

'op

érat

ion

s

0

1

2

3

4

5

Nb

re d

e P

alet

tes

Max

Gantt de suivi des tâches effectuées

Quelques exemples

Méthodologie appliquée à un exemple

• Présentation d’une ligne « simple » avec « visite virtuelle » de la ligne

• Formalisation du processus• Définition du cahier des charges• Recueil des données• Modélisation• Vérifications• Validation• Expérimentations• Résultats• Présentation des résultats• Capitalisation

Visite Virtuelle

Départ Cycle

Contrôleur

Retouche

OK

Reprise au

prochain cycle

Sortie

Formalisation du processus

• A l’aide d’un schéma MS visio par exemple :

SCIE

Tige

Poste de Découpe

Convoyeur Poste de Protection

Zone d’attente Contrôle

Zone d’attente Retouche

ContrôleDurcisseur

Chargement

Déchargement

Rectifieuse 1

Rectifieuse 2

StockOutils

Convoyeur de retour des outils

Nettoyage Sortie

Stock de Soupapes

Cahier des charges

• Cadre de l’étude :– Depuis l’arrivée des tiges dans le stock de tige jusqu’à la sortie

des soupapes de la machine de nettoyage• Horizon de simulation :

– 1 mois , soit 168 heures de production environ• Objectif :

– Augmenter la production de soupapes• Hypothèses de simulation :

– L’opérateur au poste de contrôle est considéré comme toujours disponible

– Les perturbations du système sont toutes celles qui sont liées uniquement au fonctionnement même de la ligne :

• Pannes• Réglages• Etc..

Recueil des données

• Parcourir le système et poser toutes les questions possibles

SCIE

Tige

Poste de Découpe




ContrôleDurcisseur

Chargement

Déchargement

Rectifieuse 1

Rectifieuse 2

StockOutils


Nettoyage Sortie

Stock de Soupapes

Comment arrivent les tiges ?

-> Programme de fabrication ?

-> Fréquence et taille de lot ?

-> Profil horaire ?

->…

-> 1 seul type de tige

-> Fréquence fixe et taille de lot fixe

3 tiges toutes les 10 minutes



SCIE

Tige

Poste de Découpe




ContrôleDurcisseur

Chargement

Déchargement

Rectifieuse 1

Rectifieuse 2

StockOutils


Nettoyage Sortie

Stock de Soupapes

Stock de tiges :

-> Taille du stock-> Mode de

gestion ?FIFO, LIFO, …

-> Stock FIFO De 10 places



SCIE

Tige

Poste de Découpe




ContrôleDurcisseur

Chargement

Déchargement

Rectifieuse 1

Rectifieuse 2

StockOutils


Nettoyage Sortie

Stock de Soupapes

Poste de découpe

-> Temps de cycle-> Pannes ?-> Réglages ?-> Opérateur

pour intervention ?

-> 6 minutes pour l’ensemble de la découpe-> Lame 1 : Réglage ttes les 40 opérations-> Lame 2 : Réglage ttes les 30 opérations-> Temps de réglage : entre 10 et 15 minutes

(uniforme)-> MTBF : en moyenne 100 minutes (Négative

Exponentielle)-> MTTR : En général 25 minutes, des fois seulement

10 et parfois 30-> Opérateur pour le cycle de la machine, la

réparation et le réglage



SCIE

Tige

Poste de Découpe




ContrôleDurcisseur

Chargement

Déchargement

Rectifieuse 1

Rectifieuse 2

StockOutils


Nettoyage Sortie

Stock de Soupapes

Type de convoyeur ?

-> Avec/sans accumulation

-> Vitesse, Longueur, limitations techniques ?

-> Convoyeur à bande : donc sans accumulation

-> Longueur : 2m-> Vitesse : 0.4 m/min-> Pas de contrainte techniques



SCIE

Tige

Poste de Découpe




ContrôleDurcisseur

Chargement

Déchargement

Rectifieuse 1

Rectifieuse 2

StockOutils


Nettoyage Sortie

Stock de Soupapes

Poste de protection

-> Règle d’approvisionnement : priorité entre le convoyeur et le stock de retouche ? Autre(s) règle(s) ?

-> Caratéristiques du poste-> Temps de cycle : 60 minutes pour les 6

pièces-> 5 min de réglage tous les 10 cycles-> Règles d’approvisionnement1/ Priorité de la zone d’attente par rapport

au convoyeur2/ On ne prend pas les tiges du stock si il n’y

a pas de tiges sur le convoyeur3/ On prend en priorité les tiges ayant subit

le plus de retouche dans le stock d’attente retouche



SCIE

Tige

Poste de Découpe




ContrôleDurcisseur

Chargement

Déchargement

Rectifieuse 1

Rectifieuse 2

StockOutils


Nettoyage Sortie

Stock de Soupapes

Zones d’Attente-> taille et gestionContrôle-> Proportion de retouches ?->Caractéristiques du poste

-> Zone Attente Contrôle : FIFO, capacité : 1 tige

-> Zone Attente Retouche : gérée la règle précédente, capacité : 10 tiges

-> 20% de pièces rejetées au contrôle-> Temps de cycle : 20 min-> Réglage d’une minute par pièce



SCIE

Tige

Poste de Découpe




ContrôleDurcisseur

Chargement

Déchargement

Rectifieuse 1

Rectifieuse 2

StockOutils


Nettoyage Sortie

Stock de Soupapes

Durcisseur-> mode de fonctionnement-> caractéristiques

techniques

-> Capacité de 10 pièces-> Temps de cuisson minimum : 60

minutes-> Convoyeur avec accumulation



SCIE

Tige

Poste de Découpe




ContrôleDurcisseur

Chargement

Déchargement

Rectifieuse 1

Rectifieuse 2

StockOutils


Nettoyage Sortie

Stock de Soupapes

Les outillages-> gestion particulière des

outils ?-> quantité, disponibilité immédiate, etc…

-> 10 outils disponibles-> Boucle de retour : 3m ; 0.5m/min-> Pas de maintenance (hypothèse),

disponible dès le démarrage



SCIE

Tige

Poste de Découpe




ContrôleDurcisseur

Chargement

Déchargement

Rectifieuse 1

Rectifieuse 2

StockOutils


Nettoyage Sortie

Stock de Soupapes

Les poste de chargement et déchargement

-> caractéristiques ?

-> 4 min de tps de cycle-> Ni panne, ni réglage, ni opérateur



SCIE

Tige

Poste de Découpe




ContrôleDurcisseur

Chargement

Déchargement

Rectifieuse 1

Rectifieuse 2

StockOutils


Nettoyage Sortie

Stock de Soupapes

Les rectifieuses

-> caractéristiques ?-> règle de gestion entre les 2

machines

-> Rectifieuse 1 : Soupape de de type 1 , tcy = 35 min-> Rectifieuse 2 : Soupape de de type 2 , tcy = 40 min-> MTBF : Normal , Moyenne=75 min, Ecart-type = 15min -> MTTR : 45 minutes selon négative exponentielle-> L’opérateur intervenant sur la scie intervient également ici-> Alterner si possible entre les 2 rectifieuses



SCIE

Tige

Poste de Découpe




ContrôleDurcisseur

Chargement

Déchargement

Rectifieuse 1

Rectifieuse 2

StockOutils


Nettoyage Sortie

Stock de Soupapes

Les stocks de soupapes

-> capacité ? Gestion ?

-> Capacité de 10 soupapes chacun-> La machine de nettoyage prend du stock de

soupape le plus plein



SCIE

Tige

Poste de Découpe




ContrôleDurcisseur

Chargement

Déchargement

Rectifieuse 1

Rectifieuse 2

StockOutils


Nettoyage Sortie

Stock de Soupapes

Le nettoyage

-> caractéristiques ?

-> Multi-poste ( carrousel ) : nbre de poste = 5-> Tcy : 15 min par poste-> MTBF : Negexp de 20 min-> MTTR : Erlang de moyenne 20 min, paramètre k=3-> L’opérateur de la scie intervient ici également pour la

réparation-> 5 min de réglage automatique toutes les 100 opérations

A propos de la loi Erlang…

• Les distributions ERLANG sont une famille de distributions; elle présente une courbe différente suivant la valeur du paramètre K

• Quand K vaut 1, la distribution ERLANG est identique à la distribution Exponentielle Négative

• Quand K vaut 2, la distribution ERLANG possède la forme de d'une cloche fortement décalée vers la gauche.

• Au fur et à mesure que K augmente, la distribution ERLANG tend vers la distribution de Gauss (Normal).

• En changeant le paramètre K, la distribution ERLANG peut être utilisée pour des analyses de sensibilité. Par exemple, pour tester les effets d'arrêts ; de petites valeurs de K créent un chaos maximum, tandis que des valeurs plus grandes le réduisent.

Forme de la distribution :

Moy. = 1.0, K =1 Moy. = 1.0, K=3Paramètres: K (Entier)Moy. : Réel

Début de la documentation (pour capitalisation)

• Re-lister les règles de gestion particulière• Répertorier l’ensemble des données d’entrée dans

un fichier Excel commenté• Faire valider les règles de gestion ainsi que les

données Excel par les acteurs du projet

Modélisation

• Construire le modèle de simulation• Seul risque d’erreur , une mauvaise connaissance

du logiciel…• Aperçu du modèle de simulation

Vérifications & Validation

• Vérifications :– Par un expert : Débogage– « Validation Statique » : Retirer tous les aléas

(pannes, réglages, etc…) et vérifier que le rendement est de 100%.

• Validation :– S’assurer que les résultats obtenus par

simulation sont conformes à la réalité / au concept• Si non validé

– Revenir sur les données Excel– Revenir sur les règles de gestion– Revenir sur le modèle de simulation

Expérimentations

• Rappel de l’objectif : – Augmenter la production de soupapes

• Sur quels paramètres sommes nous autorisés à jouer ?– Liste des paramètres

• Préparer le modèle pour les expérimentations– Définir la période de mise en régime

• Choisir un indicateur pour tracer la courbe• En déduire la période de mise en régime

– Préparer les indicateurs nécessaires (camembert, nombre de pièces expédiées)

Expérimentations

• Réfléchissons sur le modèle à l’aide des indicateurs en place afin de définir les premières améliorations

Expérimentations

• Préparons plus finement le modèle afin de cibler les prochaines expérimentations– Exemple : Réduction d’un temps cycle par

tranche de 10%• Créer une variable « Percent » que vous

piloterez depuis Excel• Utiliser cette variable dans le temps de cycle

machine : 60 * Percent• Créer une fonction de coût qui vous renvoie

le coût associée à cette modification• Utilisation d’outil de gestion de scénarios intégrés

au logiciel

Expérimentations

• Ciblons les paramètres sur lesquels nous allons jouer plus finement :– Taille de lot de la protection : [6;9]– Réduction du tps de cycle protection : [0.5,1]– Réduction du tps de cycle contrôle : [0.5,1]– Nbre de poste de contrôle : [2,3]

• Soit 4 x 6 x 6 x 2 = 288 scénarios• Résultats obtenus

Expérimentations

• Interprétations des résultats

– De faibles investissements permettent de bons résultats– Et de forts investissements n’obtiennent pas de « bons » résultats– Conservons les résultats de plus de 1060 soupapes

Expérimentations

• Et l’aléa… ?• Sur les scénarios obtenant plus de 1060 soupapes

expédiés effectuons une analyse de sensibilité• Pour chacun des scénarios effectuons 10

réplications (cad changer le germe aléatoire 10 fois tout en conservant les même paramètres)

• Résultats obtenus

Expérimentations

• Synthèse des résultats obtenus

• Scénario(s) retenu(s) : le n°2 – Taille de lot : 7 pièce– Temps de cycle de protection * 0.5– 3 postes de contrôle– Temps de cycle de contrôle * 0.5

1055

1060

1065

1070

1075

1080

Scénario 1 Scénario 2 Scénario 3 Scénario 4 Scénario 5

1000

1005

1010

1015

1020

1025

1030

1035

1040

1045

Valeur "Originale"

Moyenne

Présentation des résultats

• Préparer le modèle pour une présentation• Préparer une présentation synthétique des

résultats obtenus et du cheminement (cf slides précédent)

• Conclure sur la (ou les) meilleure(s) option(s) et la séquence des améliorations à effectuer

Capitalisation

• Modèle original (sans les améliorations)• Interface Excel de paramétrage• Cahier des charges (objectifs,cadre de l’étude,

etc…)• Règles de gestion (déjà fait)• Explications sur la réflexion tenue lors des

expérimentations• Scénarios joués (au moins les inputs)• Slides de présentation

• Les évolutions futures– Celles auxquelles on a penser à la fin du projet– Celles discuter en phase de présentation des

résultats par les acteurs du projet

Exemple 1Industrialisation de nouveaux produits

Résumé du cahier des charges

• Contexte : Industrialisation de nouveaux produits• Objectifs :

– Tester différents modes opératoires– Evaluer le capacitaire annuel– Chiffrer les coûts de production

Données d’entrée

• Aperçu du fichier Excel d’interface résumant l’ensemble des données d’entrées :– Poste de travail : Nom, opération, Cout horaire, position,etc…

– Temps de process

Données d’entrée

– Opérateurs

– Interface de pilotage des scénarios à jouer

Aperçu du modèle

Résultats de simulation

• Taux d’occupation des équipements

• Taux d’occupation des opérateurs


• Coûts de production

• Gantt de suivi des tâches

Exemple 2 :Logistique


• Contexte : – Libération d’un site situé zone urbaine– Regroupement de technologies– « Optimiser » l’espace occupé

• Objectifs de simulation :- Optimiser les ressources logistiques - Détecter les goulets d’étranglement - Parfaire l’implantation

Description conceptuel du modèle de simulation

Construction du modèle de simulation sur les principes suivants

Un système de routage permettant la circulation dans les allées en

respectant l’implantation physique du terrainUne multitude de zones de production générant des appels

selon leurs caractéristiques propresDes moyens de manutentions répondant aux appels et

circulant au seindu réseau défini

La système de routage

Machine « nœud »

Appartenant à une

allée horizontale

Machine « nœud »

Appartenant à une

allée verticale

Extrait du fond de plan

Seuls les points caractéristiques des allées sont représentés : intersection, zone de

dépose, zone de prise, quai, zone de stockage

Les zones de production

Nomenclature C1 C2 C3

Ref 1 0.06

Ref 2 1 0.02

Une zone de production est le lieu de génération des appels

Zone de ProductionFilm de

Production

Ref1 Qte1

Ref2 Qte2

Composants

Produits Finis

Temps Cycle Nb Ref par Pal

Ref 1 0.002 12900

Ref 2 0.013 6000

Création de zones atypiques, ne répondant pas à ces critères : quais, traitement de surface

Appel sur seuil de déclenchement

Appel en appro

Appel en expédition

Moyens logistiques

Les équipes logistiques sont des caristes fonctionnant tâche par tâche

Définition des horaires de travail par équipe

Les équipes sont affectées géographiquement sur les différentes zones

de production et zones atypiquesGestion des appels sur le mode de fonctionnement existant :

notion d’alerteet de tâche urgente

Aperçu vidéo


Suivi horaire des besoins en ressources

Suivi horaire du nombre d’appels

Taux de charge des zones de production

En fonctionnement

Hors fonctionnement

En rupture d’appros

Conclusions

Les indicateurs de performances mis en place ont permis de répondre aux objectifs fixés

Validation du dimensionnement des équipes caristes

Vérification du trafic dans les allées de circulations

Vérification capacitaire sur les zones à quais

Réflexion sur un changement de l’organisation par simulation : mis en place de

« Tournée »

Exemple 3Ordonnancement


• Contexte : Le moyen de production considéré (un four) est régi par des contraintes technologiques et économiques très fortes, la gestion de stock en aval en subit les conséquences : comment optimiser le fonctionnement du moyen ?

• Objectif : Définir le programme de fabrication du four le plus adapté à la demande client

Données d’entrées

• Prévisions annuel de vente avec sa saisonnalité : le marché

Pâte Fruit Quantité

Feuil Pomme 30 000

Sablé Pomme 20 000

Brisé Cerise 18 000

Sablé Poire 25 000

Données d’entrées

• Données et contraintes du four

Feuil Sablé Brisé

Rendement 100 / Jour 200 / Jour 300 /Jour

Lot Eco / Jour 4 6 3

Changement de Pâte (Jours)↓ de / vers->

Feuil Sablé Brisé

Feuil 4

Sablé 5 6

Brisé 8

Pomme Cerise Poire

Lot Eco / Jour 4 6 3

Changement de Fruit (Jours)

↓ de / vers->

Pomme Cerise Poire

Pomme 1 2

Cerise 1 1

Poire 1 2

Fonctionnement du modèle de simulation

• A partir du marché prévisionnelle, de la saisonnalité et des contraintes d’expéditions (non présentées ici), il définit une matrice journalière de produits à expédier :

• Le premier produit à lancer sur le four est laissé au choix de l’utilisateur

• Puis dès la fin du lot économique du premier produit choisi, un algorithme de décision (basé sur le principe de lancement du produit étant le plus en retard de production par rapport à son objectif) sélectionne le produit à lancer à nouveau (en respectant bien sur les contraintes définies)

Marché Objectif de la simulation

Feuil + Pomme

Sablé + Pomme

Brisé + Cerise

Sablé + Poire

01 / 01 / 2010 30 20 10 20

02 / 01 / 2010 35 15 5 30

…


• Le programme de fabrication du four

• L’encours du stock par Pâte, avec le niveau maximum atteint

Jour de lancement de l’OF

Pâte Fruit Tps de changemen

t

Volume

01/01/2010 Feuil Pomme 4 400

09/01/2010 Sablé Pomme 6 1200

… … … … …

0

5,000

10,000

15,000

20,000

25,000

0

5,000

10,000

15,000

20,000

25,000

30,000

35,000

Cumul

FeuilSabléBrisé

Exemple 4Utilisation de la simulation dans le secteur hospitalier

Simulation hospitalièreService d’urgences

Cadre : Conception d’un nouveau service d’urgencesBox réservés pendant la durée du séjour patient

Objectif : Définir le nombre de box réservés aux différents services d’urgencesValider les besoins en personnel (dont les assistants en radiologie)

Diagnostic pré-opératoire

Cadre : Réorganisation d’un service pré-opératoireObjectif : Définir la capacité du service en nombre de lits

Valider le besoin en personnel dédiéValider le besoin d’une machine à ultrason dédiée

Simulation hospitalière

Blocs opératoires

Cadre : Blocs en cours de reconceptionObjectif : Définir le nombre de blocs nécessaires et la capacité du service

Définir le nombre de lits nécessaires dans les zones de réception et de suivi post-opératoireEstimer la surface requise pour le service


Flux logistiques automatisés

Cadre : Nouvel hôpitalAutomatisation partielle de la logistique(repas, linge, pharmacie, stérilisation)

Objectif : Définir le nombre de véhicules requisEstimer les durées des missions

AGV sizing

0:26 0:26 0:26 0:28 0:28 0:28 0:29 0:31 0:31 0:32 0:32 0:34 0:35 0:370:40 0:41

0:450:48

0:520:57

1:07

1:16

1:26

1:47

0:15

0:30

0:45

1:00

1:15

1:30

1:45

2:00

27 26 25 24 23 22 21 20 19 18 17 16 15 14 13 12 11 10 9 8 7 6 5 4

Number of AGVs for catering

Du

rati

on

of

de

live

ry s

eq

ue

nc

es

Breakfast delivery

Breakfast clear away

Lunch delivery

Lunch clear away

Diner delivery

Diner clear away


Cadre : trois types de flux : visiteurs, médical et logistiqueObjectif : déterminer le nombre optimal de cages d’ascenseur par type de flux

Flux verticaux d’un nouvel hôpital


Cadre : conception de l’ensemble de la logistique en phase d’avant-projet trois types de flux : visiteurs, médical et logistique

Objectif : - déterminer les ressources humaines nécessaires au traitement du flux logistique- déterminer le nombre optimal de cages d’ascenseur par type de flux- fournir des supports visuels de présentation pour le concours

Flux verticaux et horizontaux

VISITEURSPERSONNEL

LOGISTIQUE


Cadre : Pré tri du futur laboratoire de BiologieObjectif : Mesurer l'influence de l'organisation sur le temps de service.

Comparaison de différentes implantations et technologiesComparaison par rapport à la situation actuelle

Laboratoire de biologie

0

2

4

6

8

10

12

14

16

18

Tps Service moyen Tous Labos % Au dela de 32 mn % Au dela de 60 mn Nb PC

Temps de service maxi tous labos


NS Conseil

Jérome NEAUIngénieur SimulationTel: +33 1 45 46 82 60Email:[email protected]

NS CONSEIL12 Avenue RaspailGENTILLYTel: +33 1 45 46 82 60Web: http://www.nsconseil.fr

Nous contacter

Documents

CoursGA(Simulation)