Upload
clotaire-christophe
View
107
Download
0
Embed Size (px)
Citation preview
Modélisation du problème de planification des tâches de réglage de machines lors de changements
de série
Cédric Pessan1,2, Jean-Louis Bouquard1 et Emmanuel Néron1
1 Laboratoire d’informatique (EA 2101) Université François-Rabelais de Tours
64 avenue Jean Portalis, 37200 Tours
2 SKF France SAIndustrial division / MDGBB* Factory
204 boulevard Charles de Gaulles 37540 Saint-Cyr-sur-Loire*Roulements à bille moyens à gorge profonde
Modélisation du problème de planification des tâchesde réglage de machines lors de changements de série
C. Pessan, J-L. Bouquard & E. Néron
GdR MACS STP - Bermudes 2
Plan
• Présentation du problème
– Contexte de l’étude
– Modèle et expression de la fonction de coût
• Méthodes de résolution
– Algorithme de descente locale
– Algorithme génétique
– Algorithme hybride
• Conclusion et perspectives
Modélisation du problème de planification des tâchesde réglage de machines lors de changements de série
C. Pessan, J-L. Bouquard & E. Néron
GdR MACS STP - Bermudes 3
Contexte de l’etude
• le site SKF DGBB: – production de roulements à billes moyen à gorge
profonde– plusieurs références – production par grandes séries– le passage d’une référence de type A a une
référence de type B nécessite le réglage de toutes les machines de la ligne de production
• ex : changement des outils, mise au nouveau diamètre etc.• assurées par des opérateurs ayant des aptitudes différentes
selon les machines a régler => compétences ; indisponibilité
Modélisation du problème de planification des tâchesde réglage de machines lors de changements de série
C. Pessan, J-L. Bouquard & E. Néron
GdR MACS STP - Bermudes 4
Exemple de chaîne de production
M1
M5
M2 M3
M6
M4
354 pièces / heure
473 pièces / heure
513 pièces / heure
408 pièces / heure
298 pièces / heure571 pièces / heure
ri qi
Distances en temps du début et de la fin de la ligne
Modélisation du problème de planification des tâchesde réglage de machines lors de changements de série
C. Pessan, J-L. Bouquard & E. Néron
GdR MACS STP - Bermudes 5
Qu’est-ce qu’un changement de série ?
• La minimisation du temps perdu est vital à la flexibilité de la production– plus que le temps c’est la perte de production qui
est cruciale
• Objectif : Réduire la perte de production lors des changements de série– indispensable pour augmenter la réactivité de la
chaîne de production
Modélisation du problème de planification des tâchesde réglage de machines lors de changements de série
C. Pessan, J-L. Bouquard & E. Néron
GdR MACS STP - Bermudes 6
Optimisation des changements de série
• La méthode SMED [Shingo, 1985] :– Amélioration de la technique de réglage– Principale méthode explorée par les industriels
depuis 20 ans– La méthode ne prend pas en compte les
contraintes humaines et l'optimisation sur une ligne complète
• Peut être compléter par un ordonnancement efficace des opérations de changements d’outils sur les machines
Modélisation du problème de planification des tâchesde réglage de machines lors de changements de série
C. Pessan, J-L. Bouquard & E. Néron
GdR MACS STP - Bermudes 7
Optimisation des changements de série
• [Goubergen, 2004] « A quantitative approach for Set-Up reduction of machine lines »– Modélisation par un RCPSP d'une ligne de
production complète– Pas de compétences– Pas de problèmes d'indisponibilité– Ne traite que les lignes série
Modélisation du problème de planification des tâchesde réglage de machines lors de changements de série
C. Pessan, J-L. Bouquard & E. Néron
GdR MACS STP - Bermudes 8
Modèle (1/3)
• Données des tâches – n opérations (1 par machine à régler)
• de 1 à n1 : machines prioritaires – indispensable a la reprise de la production – les plus efficaces– contraintes « métier » imposées
• de n1+1 à n : machines non prioritaires
– ri : dates de début au plus tôt– qi : temps de latence
Modélisation du problème de planification des tâchesde réglage de machines lors de changements de série
C. Pessan, J-L. Bouquard & E. Néron
GdR MACS STP - Bermudes 9
Modèle (2/3)
• Données des opérateurs (ressources)– pi,m : temps de réglage pour un couple (machine /
opérateur) • modélise la compétence d’un opérateur pour un type de
machine
• Moyenne sur les X derniers mois des temps de réglage pour chaque machine et chaque régleur
• Si l’opérateur i n’a pas la compétence m : pi,m = +∞
– A(m,t) disponibilité de l’opérateur m à l’instant t
Modélisation du problème de planification des tâchesde réglage de machines lors de changements de série
C. Pessan, J-L. Bouquard & E. Néron
GdR MACS STP - Bermudes 10
Modèle (3/3)
• les contraintes– Pas de préemption– Respect des disponibilités des ressources– Un seul réglage à la fois par opérateur– Un seul opérateur par machine– Respect de la date de début au plus tôt
R, MPM |ri, qi, indispo | f(Ci)
Modélisation du problème de planification des tâchesde réglage de machines lors de changements de série
C. Pessan, J-L. Bouquard & E. Néron
GdR MACS STP - Bermudes 11
Exemple 1:
Machine 1
Machine 2
Machine 3
Machine 4
Opérateur 1
Opérateur 2
t
t
t
t
t
t
r1
r2
r3
r4
t
M4
M3
q1
q2
q3
q4
Ancienne sérieInterruption de production Nouvelle série
M1
M2
M1 M2 M3 M4
Indisponible
Modélisation du problème de planification des tâchesde réglage de machines lors de changements de série
C. Pessan, J-L. Bouquard & E. Néron
GdR MACS STP - Bermudes 12
Exemple 2 : ligne série-parallèle
M1
M2
M3
M4
M5
M6
354 pièces / heure
473 pièces / heure
513 pièces / heure
408 pièces / heure
298 pièces / heure
571 pièces / heure
Modélisation du problème de planification des tâchesde réglage de machines lors de changements de série
C. Pessan, J-L. Bouquard & E. Néron
GdR MACS STP - Bermudes 13
238
Exemple 2 :
t
t
t
t
t
t
Machine 1
Machine 2
Machine 3
Machine 4
Machine 5
Machine 6
354 p/h473 p/h513 p/h
408 p/h
238 p/h
571 p/h
513
r1
r3
354
M1
M2M3
M4
M5M6
Op1q1
Op1 q2
Op2 q3
Op1 q4
Op2 q5
Op2 q6r6
Modélisation du problème de planification des tâchesde réglage de machines lors de changements de série
C. Pessan, J-L. Bouquard & E. Néron
GdR MACS STP - Bermudes 14
Formule complète du critère
• Expression valable pour tout graphe série / parallèle
• reprendre la production le plus vite possible sur les machines prioritaires
• assurer une montée en production rapide sur les machines en double
• une fois les dates de début des opérations fixées : O(n²)
Modélisation du problème de planification des tâchesde réglage de machines lors de changements de série
C. Pessan, J-L. Bouquard & E. Néron
GdR MACS STP - Bermudes 15
Problème à affectation fixée
• Si l’on connaît les tâches affectées à un opérateur– Si le graphe est une ligne simple
• On doit résoudre le problème 1|ri,qi|Cmax• Ordre des ri croissants est égal à l’ordre des qi décroissants• O(n) en triant les tâches par ri croissants
– Dans le cadre général (liées à contraintes industrielles)• Machines prioritaires dans l’ordre de ri en premier• Machines en double dans l’ordre où elles éliminent les goulets
On se ramène a un problème d’affectation : quelles tâches sur quel opérateur
Modélisation du problème de planification des tâchesde réglage de machines lors de changements de série
C. Pessan, J-L. Bouquard & E. Néron
GdR MACS STP - Bermudes 16
Plan
• Présentation du problème– Contexte de l’étude– Modèle et expression de la fonction de coût
• Méthodes de résolution– Algorithme de descente locale– Algorithme génétique– Algorithme hybride
• Conclusion et perspectives
Modélisation du problème de planification des tâchesde réglage de machines lors de changements de série
C. Pessan, J-L. Bouquard & E. Néron
GdR MACS STP - Bermudes 17
Méthode de descente locale
• idée : changer l’affectation des opérations influant directement sur l’évaluation du critère de perte de production
• Le k-voisinage que nous utilisons, fournit des chaînes d’au plus k réaffectations de tâches
Modélisation du problème de planification des tâchesde réglage de machines lors de changements de série
C. Pessan, J-L. Bouquard & E. Néron
GdR MACS STP - Bermudes 18
Exemple de voisin (3-voisinage)
Opérateur 1
Tâche 1
Opérateur 2
Tâche 2
Opérateur 3
Tâche 3Opérateur : Compétences:
Opérateur 1 Tâche 1, Tâche 3
Opérateur 2 Tâche 2, Tâche 1
Opérateur 3 Tâche 3, Tâche 2, Tâche 1
Modélisation du problème de planification des tâchesde réglage de machines lors de changements de série
C. Pessan, J-L. Bouquard & E. Néron
GdR MACS STP - Bermudes 19
Modélisation par un graphe du k-voisinage
• Graphe biparti :• Sommets opérateurs
• Sommets tâches
• Arc opérateurs->tâches : enlever une tâche à un opérateur
• Arc tâches->opérateurs : ajouter une tâche à un opérateur
• Deux sommets supplémentaires S et P tous deux reliés à tous les opérateurs
• But: Trouver un chemin de S à P de longueur 2k+2 améliorant la solution
Modélisation du problème de planification des tâchesde réglage de machines lors de changements de série
C. Pessan, J-L. Bouquard & E. Néron
GdR MACS STP - Bermudes 20
Exemple de construction de graphe
Opérateur: Compétences
O1 T1,T3
O2 T2,T5,T6
O3 T1,T4,T5,T6,T7
O4 T7
O4O3
O2
O1 T1 T3
T2 T5 T6
T4
T7
O1
O2
O3
O4
S
P
T1
T2
T3
T4
T5
T6
T7
Réaffecter T1 à O3 =Parcourir {S,O1,T1,O3,P}
Modélisation du problème de planification des tâchesde réglage de machines lors de changements de série
C. Pessan, J-L. Bouquard & E. Néron
GdR MACS STP - Bermudes 21
Points de départs intéressants
• On cherche à optimiser les tâches critiques :– dernière machine prioritaire i– machines non prioritaires se terminant après i
• Les chemins intéressants commencent par un opérateur qui a une tâche critique
Modélisation du problème de planification des tâchesde réglage de machines lors de changements de série
C. Pessan, J-L. Bouquard & E. Néron
GdR MACS STP - Bermudes 22
Cycles
• Détection des cycles qui passent deux fois par une tâche
• Détection des cycles de longueur 2 (réaffectation d’une tâche sur elle-même)
• Si un de ces deux types de cycle est détecté => on n’évalue pas
Modélisation du problème de planification des tâchesde réglage de machines lors de changements de série
C. Pessan, J-L. Bouquard & E. Néron
GdR MACS STP - Bermudes 23
Éliminer les chemins équivalents
• Construction d’une clé pour chaque chemin (indices des jobs parcourus par ordre croissant)
• Clés stockées dans une structure avec table de hachage :– Si la clé est déjà présente, on n’évalue pas le
chemin, sinon on ajoute la clé
• L’ajout et la recherche se font en O(log(n))
Modélisation du problème de planification des tâchesde réglage de machines lors de changements de série
C. Pessan, J-L. Bouquard & E. Néron
GdR MACS STP - Bermudes 24
Borne inférieure
• On regarde après α sommets où en sont les tâches critiques et on estime de combien on pourra améliorer leur date de fin au maximum– Permet d’éliminer plusieurs chemins d’un coup
Modélisation du problème de planification des tâchesde réglage de machines lors de changements de série
C. Pessan, J-L. Bouquard & E. Néron
GdR MACS STP - Bermudes 25
Amélioration d’une tâche critique ?• Avant d’évaluer, on vérifie en construisant le
scénario que l’ordonnancement est réalisable et qu’au moins une des tâches critiques se termine plus tôt
Modélisation du problème de planification des tâchesde réglage de machines lors de changements de série
C. Pessan, J-L. Bouquard & E. Néron
GdR MACS STP - Bermudes 26
Résultats expérimentaux
• 2 jeux de tests :– 1 jeu contenant 15 instances choisies pour
représenter un panel relativement complet : des instances faciles, difficiles, atteignant les limites rencontrées dans la réalité en terme de disponibilité, compétences…
– 1 jeu contenant 120 instances industrielles réelles
• On mesure la performance de chaque algorithme en calculant le % de déviation par rapport à la meilleure solution connue.
Modélisation du problème de planification des tâchesde réglage de machines lors de changements de série
C. Pessan, J-L. Bouquard & E. Néron
GdR MACS STP - Bermudes 27
Résultats expérimentaux
• les techniques de réduction du voisinage sont efficaces :– Sur un exemple, on passe de 1h30 initialement à
30s pour une profondeur de recherche de 4 réaffectation
• Testé en l’appliquant sur la solution trouvée par l’algorithme ECT (Earliest completion time)
• Utilisation des k-voisinage avec k compris entre 3 et 5.
Modélisation du problème de planification des tâchesde réglage de machines lors de changements de série
C. Pessan, J-L. Bouquard & E. Néron
GdR MACS STP - Bermudes 28
Résultats expérimentaux
ECT ECT + 3-voisinage
ECT + 4-voisinage
ECT + 5-voisinage
Jeu 1 (15 instances)
14.52% 5.96% 3.91% 3.25%
Jeu 2 (120 instances)
32.6% 18% 15.9% 15.5%
Modélisation du problème de planification des tâchesde réglage de machines lors de changements de série
C. Pessan, J-L. Bouquard & E. Néron
GdR MACS STP - Bermudes 29
Plan
• Présentation du problème– Contexte de l’étude– Modèle et expression de la fonction de coût
• Méthodes de résolution– Algorithme de descente locale– Algorithme génétique– Algorithme hybride
• Conclusion et perspectives
Modélisation du problème de planification des tâchesde réglage de machines lors de changements de série
C. Pessan, J-L. Bouquard & E. Néron
GdR MACS STP - Bermudes 30
Codage des solutions
• Rappel : on cherche une affectation (à affectation fixée, le séquencement des tâche est connu)
• Méthode de codage :– Un tableau d’entiers– 1 case par tâche– Chaque case contient le numéro de l’opérateur qui exécute
la tâche
• Exemple :– [4 2 4 2 3 1 4 3 1]– Le job 1 est affecté à l’opérateur 4, – Le job 2 est affecté à l’opérateur 2…
Modélisation du problème de planification des tâchesde réglage de machines lors de changements de série
C. Pessan, J-L. Bouquard & E. Néron
GdR MACS STP - Bermudes 31
Exemple de croisement
• Chromosome 1 :• Chromosome 2 :
• Fils 1 :• Fils 2 :
i1 i2
4 2
4 2 3 14 3 11 32 4 1 31 2 4
4 2
2 4 1 34 3 1
1 3 1 2 44 2 3 1
Modélisation du problème de planification des tâchesde réglage de machines lors de changements de série
C. Pessan, J-L. Bouquard & E. Néron
GdR MACS STP - Bermudes 32
Opérateur de mutation
• Choix d’un chromosome• Tirage aléatoire d’un gène• On affecte le job à un opérateur différent du
précédent• Exemple :
[4 2 4 2 3 1 4 3 1]=> [4 2 1 2 3 1 4 3 1]
gène choisi gène modifié
Modélisation du problème de planification des tâchesde réglage de machines lors de changements de série
C. Pessan, J-L. Bouquard & E. Néron
GdR MACS STP - Bermudes 33
Critère pour les individus non valides• Des solutions ne respectant pas les
indisponibilité des personnes peuvent être générées
• fonction de coût pénalisant les solution non valides– On maximise le nombre de pièces produites pour les
individus valides– On minimise la somme des jobs hors périodes de
disponibilité pour les individus non valides (qui violent les contraintes de disponibilité)
– Ce qui revient à maximiser : -∑(temps_hors_dispo)
Modélisation du problème de planification des tâchesde réglage de machines lors de changements de série
C. Pessan, J-L. Bouquard & E. Néron
GdR MACS STP - Bermudes 34
Résultats expérimentaux (1/3)
• Paramètres de l’algorithme génétique « standard »– déterminés expérimentalement – Taille de la population : 50 individus– Probabilité de mutation : 10%
• Mesure de la performance à 15s, 30s, 60s, 120s.• L’algorithme est testé 10 fois sur chaque
instance pour estimer la moyenne sur les résultats.
Modélisation du problème de planification des tâchesde réglage de machines lors de changements de série
C. Pessan, J-L. Bouquard & E. Néron
GdR MACS STP - Bermudes 35
Résultats expérimentaux (2/3)
• plusieurs variantes de l’algorithme génétique – POP100 : population de 100 individus
– MUT35 : probabilité de mutation de 35%
– RENF : mécanismes de diversification • s’il n’y a pas d’améliorations : augmentation de la
probabilité de mutation et du nombre d’individus générés par itération
– BRASSAGE : si les mécanismes de diversification n’ont pas d’effet, on régénère aléatoirement tous les individus sauf le meilleur.
Modélisation du problème de planification des tâchesde réglage de machines lors de changements de série
C. Pessan, J-L. Bouquard & E. Néron
GdR MACS STP - Bermudes 36
Résultats expérimentaux (jeu 1)
15s 30s 60s 120s
Normal 23,85% 20% 14,69% 10,48%
POP100 24,78% 20,92% 16,49% 11,92%
MUT35 15,06% 10,63% 8,03% 6,02%
RENF 13,39% 9,03% 6,93% 4,58%
BRASSAGE
14,62% 9,68% 5,98% 4,23%
Modélisation du problème de planification des tâchesde réglage de machines lors de changements de série
C. Pessan, J-L. Bouquard & E. Néron
GdR MACS STP - Bermudes 37
Résultats expérimentaux (jeu 2)
15s 30s 60s 120s
BRASSAGE
9,35% 6,5% 4,3% 2,4%
Modélisation du problème de planification des tâchesde réglage de machines lors de changements de série
C. Pessan, J-L. Bouquard & E. Néron
GdR MACS STP - Bermudes 38
Plan
• Présentation du problème– Contexte de l’étude– Modèle et expression de la fonction de coût
• Méthodes de résolution– Algorithme de descente locale– Algorithme génétique– Algorithme hybride
• Conclusion et perspectives
Modélisation du problème de planification des tâchesde réglage de machines lors de changements de série
C. Pessan, J-L. Bouquard & E. Néron
GdR MACS STP - Bermudes 39
Algorithme hybride
• Combiner l’efficacité de l’algorithme génétique génétique et de la descente locale
• On peut utiliser la descente locale:– À chaque fois que l’algorithme génétique améliore
la meilleure solution : – Sur un individu aléatoirement avec
éventuellement une plus grand probabilité sur les meilleurs individus
Opérateur d’intensification
Modélisation du problème de planification des tâchesde réglage de machines lors de changements de série
C. Pessan, J-L. Bouquard & E. Néron
GdR MACS STP - Bermudes 40
Résultats expérimentaux
• plusieurs techniques d’hybridation– Intens : utilisation de la descente locale (2 ou 3-
voisinage) aléatoirement avec une probabilité de 2%
– Intens_roul : une plus grande probabilité d’intensification pour les meilleurs individus
– Intens_renf : utilisation de la descente locale que si l’algorithme génétique n’améliore plus
– Intens5 : probabilité d’intensification de 5%
Modélisation du problème de planification des tâchesde réglage de machines lors de changements de série
C. Pessan, J-L. Bouquard & E. Néron
GdR MACS STP - Bermudes 41
Resultats experimentaux (jeu 1)
15s 30s 60s 120s
Intens 7,04% 5,1% 3,04% 1,57%
Intens_roul
6,46% 5,13% 3,59% 2,15%
Intens_renf
9,27% 7,12% 5,49% 3,12%
Intens5 8,73% 5,44% 3,76% 2,88%
BRASSAGE (algo
génétique sans intensification)
14,62% 9,68% 5,98% 4,23%
Modélisation du problème de planification des tâchesde réglage de machines lors de changements de série
C. Pessan, J-L. Bouquard & E. Néron
GdR MACS STP - Bermudes 42
Resultats experimentaux (jeu 2)
15s 30s 60s 120s
Intens 6,72% 4,5% 2,7% 1,2%
BRASSAGE (algo
génétique sans
intensification)
9,35% 6,5% 4,3% 2,4%
Modélisation du problème de planification des tâchesde réglage de machines lors de changements de série
C. Pessan, J-L. Bouquard & E. Néron
GdR MACS STP - Bermudes 43
Plan
• Présentation du problème– Contexte de l’étude– Modèle et expression de la fonction de coût
• Méthodes de résolution– Algorithme de descente locale– Algorithme génétique– Algorithme hybride
• Conclusion et perspectives
Modélisation du problème de planification des tâchesde réglage de machines lors de changements de série
C. Pessan, J-L. Bouquard & E. Néron
GdR MACS STP - Bermudes 44
Conclusion
• Méthode efficace – en production sur site : gain de production sur un
an
• Perspective – évaluation de la robustesse des solutions fournies
(simulation)– critère d’entraînement : les opérateurs doivent
entretenir les compétences acquises en réglant périodiquement les machines