Upload
clemence-poirot
View
105
Download
0
Embed Size (px)
Citation preview
Apport de la simulation en ligne dans l’aide à la décision pour le pilotage
des systèmes de production
Application à un système flexible de production
Olivier CARDIN
Institut de Recherche en Communications et Cybernétique de NantesÉquipe Analyse et Commande des Systèmes à Évènements Discrets
Soutenance publique du 26 Octobre 2007
Devant le jury composé de :M. Henri Pierreval, LIMOS, RapporteurM. André Thomas, CRAN, RapporteurM. Pierre Castagna, IRCCyN, ExaminateurM. Franck Fontanili, CGI, ExaminateurM. Khalid Kouiss, LIMOS, ExaminateurM. Jean-Jacques Loiseau, IRCCyN, ExaminateurM. Patrick Pujo, LSIS, Examinateur
Contexte des travaux
Études réalisées en industrie au sein de l’équipe ACSED• Étude d’un atelier d’étirage de tôles [Castagna et al., 2001]
Des décisions complexes pour le pilotage Beaucoup de références Automatisation poussée Très peu de temps pour fournir une solution
Affectation des ressources Stratégies d’ordonnancement des productions
Quelle aide à la décision est-il possible d’apporter au pilote de production?
2
Déroulement de la présentation
I. L’aide à la décision pour le pilotage des systèmes de production
II. La simulation en ligne
III. Initialisation des simulations• Observateur par simulation
IV. Application à un système flexible de production• Faisabilité dans une situation proche d’une fabrication
réelle
3
L’aide à la décision pour le pilotage des systèmes de
production
Complexité du pilotage des systèmes de production
Identification d’une réponse pertinente en cas de perturbation
Modèle de résolution de problème en cas de perturbation
Traitement PropagationRéaction
Traitement PropagationRéaction
Pilotage des systèmes
Structures hétérarchiques de pilotage [Trentesaux, 2005]
• Agents constitutifs de l’architecture
• Autonomie d’action et de décision
• Distribution de l’information• Distribution de la décision
5
Structures hiérarchisées de pilotage [Mesarovic et al., 1970]• Propagation descendante
des décisions• Propagation ascendante
des informations
6
Décision et perturbation Ces décisions répondent à des perturbations
• Évènement imprévu dont l’occurrence gène la réalisation des objectifs de production du système [Cauvin, 2005]
• Indisponibilité d’une ressource, arrivée d’un nouvel Ordre de Fabrication, etc.
Détection dela perturbation
Analyse de laperturbation
Conception dela réaction
Implantation dela réaction
Phase de Diagnostic
Occurrence dela perturbation
Perception dela perturbation
Application dela décision
Disparition dela perturbation
Cycle de vie d’une perturbation [Cauvin, 2005]
7
Vision et prévision pour le diagnostic
Nous nous intéressons ici à la phase de diagnostic• Action de compréhension relative à une décision d’action
[Hoc, 1990]
Deux phases distinctes• Analyse: vision globale• Conception: prévision de comportement
Détection dela perturbation
Analyse de laperturbation
Conception dela réaction
Implantation dela réaction
Phase de Diagnostic
Occurrence dela perturbation
Perception dela perturbation
Application dela décision
Disparition dela perturbation
Cycle de vie d’une perturbation [Cauvin, 2005]
8
DÉTECTION de conditions anormales
DÉTECTION de conditions anormales
CHOIXde la solution
appropriée
CHOIXde la solution
appropriée
Modèle de résolution deproblèmes en phase de diagnostic
[Rasmussen, 1983][Rasmussen, 1986]
EXÉCUTIONEXÉCUTIONComportement basé sur les automatismes
Comportement basé sur les automatismes
RECHERCHE de données explicites
ÉLABORATIONdes hypothèses
et des tests associés
RECHERCHE de données explicites
IDENTIFICATIONde l’état du système
PRÉVISIONdu comportement du
système
FORMULATIONde la procédure d’implantation
RECONSTRUCTIONd’une solution
originale
ÉVALUATIONen relation avec les contraintes
globales du système
Comportement basésur les règles
Comportement basésur les règles
Comportement basésur la connaissanceComportement basésur la connaissance
IDENTIFICATIONde l’état du système
ÉLABORATIONdes hypothèses
et des tests associés
PRÉVISIONdu comportement du
système
FORMULATIONde la procédure d’implantation
RECONSTRUCTIONd’une solution
originale
[Rasmussen, 1983][Rasmussen, 1986]
[Hoc, 1990][Hoc, 1990]ÉVALUATION
en relation avec les contraintes
globales du système
Attentes
La simulation en ligne
Évolution de la simulation à évènements discrets: de la conception au pilotage des systèmes de production
Construction des modèles de simulation
Utilisation de la simulation en ligne pour la prise de décision
Applications de la simulation en ligne dans la littérature
La simulation: de la conceptionau pilotage des systèmes de
production
Outil de conception ou de re-conception des systèmes de production
Après conception, peut-on réutiliser ces modèles de comportement très détaillés pour des prévisions à court terme?
Apparition du concept de simulation en ligne
Deux caractéristiques nécessaires [Davis, 1998]
• Date d’obtention des résultats préétablie• Connexion avec le système réel: le modèle doit être
initialisé avec l’état du système réel à chaque début de simulation
10
Utilisation Utilisation
Simulation pour la
reconception
Émulation pour la mise au point de
la command
e
Simulation pour la conceptio
n
La simulation: de la conceptionau pilotage des systèmes de
production
Apparition du concept de simulation en ligne pour la phase d’Utilisation du système
Pilotage – surveillance: cadre d’utilisation différent
Deux caractéristiques nécessaires [Davis, 1998]
• Date d’obtention des résultats préétablie• Connexion avec le système réel: le modèle doit être
initialisé avec l’état du système réel à chaque début de simulation 11
Cycle de vie d’un système de production
12
Étude de l’en-cours d’une production
En simulation pour la conception• État initial vide et inactif• Moyenne de l’en-cours• Utilisation d’une période
de chargement (warm-up)
En simulation en ligne• Comportement exact
de l’en-cours• Initialisation à un état non-vide• Beaucoup de données en jeu• Faible durée de prise
de décision
Nécessité d’une initialisation automatisée
En-cours
Date simulée (mois)
0 1 2 3 4 5 6
En-cours
Date simulée (heures)
10 11 12 13 14 15 16
13
Construction du modèle de simulation
Connexion avec le système réel: le modèle doit être initialisé avec l’état du système réel à chaque début de simulation
Initialisation automatisée
Faible prise en compte des phénomènes aléatoires• Occurrence significative dans l’horizon de simulation• Prise en compte dans le scénario de la simulation
Vitesse de calcul au détriment de la flexibilité du modèle• Spécialisation des modèles par types de problème
14
Déroulement d’une prise de décision basée sur une simulation en
ligne
Date d+Dd
Conception de la réaction
Phase de Diagnostic Durée de prise de décision
Dd
Élaboration de N stratégies – Choix
des modèles associés 1 2 N… i …3
Simulations successives
Évaluation des résultats
Initialisation du simulateur à la date d avec les données du
système de production
Analyse de la
perturbation
Décision d’utiliser la simulation en ligne
Détermination de Dd
Date d
Perception de la
perturbation
Simulation sans application de la
stratégie n°i jusqu’à la date d+Dd
Application virtuelle de la stratégie n°i
Fin de la simulation
n°iDéroulement de la simulation
jusqu’à la condition d’arrêt avec application de la
stratégie n°i
Détail d’une simulation
Application de la décision
Latence
Prise de décision sur la stratégie la plus
adaptée
Détection dela perturbation
Analyse de laperturbation
Conception dela réaction
Implantation dela réaction
Phase de Diagnostic
Occurrence dela perturbation
Perception dela perturbation
Application dela décision
Disparition dela perturbation
Cycle de vie d’une perturbation [Cauvin, 2005]
15
La simulation en ligne dans la littérature
Développements sur des cas spécifiques• Contrôle aérien [Rogers et Flanagan, 1991]
• Pas de temps de transferts [Wu et Wysk, 1989]
• Flux de personnes dans un bâtiment public [Hanisch et al., 2003]
Développements limités• Paramétrage de distributions [Peters et Smith, 1998] [Kouiss et
Pierreval, 1999] [Kouiss et Najid, 2004]
• Développements non-traités [Gupta et Sivakumar, 2005] [Hotz et al., 2006]
Principal écueil des applications:
L’initialisation des simulations
Initialisation dessimulations en ligne
L’initialisation dans le cas de la simulation en ligne
Le concept d’observateur par simulation
17
État du système – État du simulateur
État du système de production: [Pooch et Wall, 1993]
• Collection minimale d’informations avec lesquelles le comportement futur du système peut être déterminé de façon unique en l’absence de hasard
• État du système physique et du système d’information
État du modèle de simulation:• Entités, attributs, variables, ressources, transporteurs,
files d’attente, convoyeurs, etc.
Comment identifier les données extraites du système avec celles nécessaires à l’initialisation?
Comment assurer d’avoir l’ensemble des données nécessaires?
18
Première solution:Utiliser les données issues de la
commande
La commande connaît forcément une partie de l’état du système pour prendre ses décisions
Avantages• Données fiables• Architecture économique• Mise au point rapide
Inconvénients• Besoin de retraiter les données• Non-exhaustivité des données
19
Incertitudes spatiales et temporelles
Détecteur de présence
Information connue: Présence de la palette sur le lien n°1Information connue: Position et date actuelle
Lien n°1
Lien n°2Lien
n°3
20
Incertitudes spatiales et temporelles
Détecteur de présence
Information connue: Présence de la palette sur le lien n°1Information connue: Position et date actuelle Information connue: Présence de la palette sur le lien n°3
Lien n°1
Lien n°2Lien
n°3
21
Seconde solution: Reconstruire les données manquantes par
observation
Détecteur de présence Lien n°1
Lien n°2Lien
n°3
Information connue: Présence de la palette sur le lien n°1 Date d’entrée sur le lien Vitesse moyenne de la palette
Il est possible d’estimer la position de la palette par régression linéaire
Utiliser l’observation pour fournir la position en continu à la simulation
22
Spécifications de l’observateur
Fournir à tout instant une image de son état exploitable par les simulateurs en ligne
Estimer les données partiellement ou totalement inconnues tout au long de l’évolution du système
Communiquer avec les éléments de l’architecture de commande du système
Intégrer des mécanismes de recalage pour corriger ses prévisions dès qu’une donnée fiable lui parvient depuis le système réel
Le recalage par l’exemple 1er cas: La palette réelle est en retard sur
l’observateur
2e cas: La palette réelle est en avance sur l’observateur
23
24
Technologie de l’observateur
Estimer les données partiellement ou totalement inconnues tout au long de l’évolution du système• Dynamique complexe• Beaucoup d’acteurs simultanément impliqués
La simulation est la solution qui s’impose pour la modélisation détaillée du comportement des systèmes de production
Technologie identique observateur/simulateur• Transfert d’état facilité
L’observateur sera également réalisé par simulation à évènements discrets
Application à un système flexible de production
Étude d’un système flexible de taille réelle
Exemples de décision à prendre pour le pilotage du système• Date de fin de production• Ordonnancement local
Mise en place de l’observateur – Architecture complète
Résultats sur la précision de l’architecture
La ligne flexible
MAG
ASIN
BOUCLE CENTRALEDE TRANSFERT
POSTE 1
POSTE 2
POSTE 3
POSTE 4
POSTE 5
POSTE 6
26
27
Fonctionnement de la ligne Les palettes sont équipées d’une
étiquette électronique contenant:• La référence de la palette• L’ordre de fabrication auquel elle est allouée• La gamme de fabrication du produit transporté• Le nombre de produits à réaliser avant de rentrer au
magasin• Un pointeur d’avancement dans la gamme
Les palettes circulent sur les convoyeurs à ruban de la boucle centrale et vont de poste en poste
À chaque entrée de poste, une règle l’autorise ou non à y rentrer pour poursuivre la production
28
Le comportement d’une production est lié au paramétrage des ordres de fabrication
Le couple (Np,Npp) paramétré pour le nouvel ordre satisfait-il à toutes les contraintes de production?
Décision centrée sur l’humain
Un exemple de cas d’étude:Date de fin estimée de production
29
Second cas d’étude:Ordonnancement local sur un poste
Les postes 2 et 6 ont des stocks ayant une règle de gestion paramétrable
Règle dynamique visant àlimiter le nombre deréglages
La palette A est rentrée
N’aurait-il pas été plus intéressant d’attendre la palette B avant d’entamer le réglage?
Décision totalement automatisée
Architecture de référence
30
Niveaude la planification
ERP
etc.
APSSCM
etc.
Hori
zon
de t
ravail
Niveaude l’exécution
Niveaude la commande
API
API API
API
API
Niveau de l’opération
Capteur
etc.Actionneu
r
1 µs – 1 s
1 s – 1 min
1 min – 1 jour
1 jour – 1 année
MES
Instanciation de la décomposition CIM
Cadre de travail centré sur le MES• Niveau du pilote• IHM (Supervision)• Identité Horizon
de travail / Horizon de simulation
• Collecte et acquisition de données
• etc.
31
Intégration dans l’architecture
L’observateur utilise les fonctions de communication du MES, notamment au niveau de la collecte et l’acquisition des données
Le simulateur s’insère dans les fonctions de pilotage du MES (ordonnancement, cheminement, etc.)
Niveaude la planification
ERP
etc.
APSSCM
etc.
Hori
zon
de t
ravail
Niveaude l’exécution
Niveaude la commande
API
API API
API
API
Niveau de l’opération
Capteur
etc.Actionneu
r
1 µs – 1 s
1 s – 1 min
1 min – 1 jour
1 jour – 1 année
MES
Observateur
SimulateurMES
32
Architecture de commande initiale
Niveau del’opération
Pupitres, capteurs, butées, verrines, etc… Modules de lecture/écriture
Niveau de lacommande
FipIO
Niveau del’exécution
Serveur OPC Base de données
Supervision
MES
SQLDCOM
33
Niveau del’exécution
Serveur OPC Base de données
Supervision
MES
MESAide à la décision
Simulation, optimisation,
etc.
Serveur OPC Base de données
Supervision
SQLDCOM
Socket TCP/IP
SQLObservateur
DCOM SQL
Socket TCP/IP + Partage de fichiers
Architecture de commande complète
Niveau del’opération
Pupitres, capteurs, butées, verrines, etc… Modules de lecture/écriture
Niveau de lacommande
FipIO
Niveau del’exécution
34
Justesse des prévisions La justesse des prévisions dépend:
• De la fidélité du simulateur• De la justesse de l’état de l’observateur
L’état de l’observateur dépend:• De la performance de la remontée
d’information (OPC) Estimation: R=1.27p+80 R: temps de réponse (ms) p: période de rafraichissement OPC pmini=20 ms, donc Rmini=105 ms 105 ms correspond à 2 cm
• De la fidélité du modèle de reconstruction
Niveau del’exécution
Serveur OPC Base de données
SupervisionMES
MESAide à la décisionSimulation, optimisation
Serveur OPC Base de données
Supervision
SQLDCOM
Socket TCP/IP
SQLObservateur
DCOMSQL
Socket TCP/IP + Partage de fichiers
Niveau del’opération
Pupitres, capteurs, butées, verrines, etc… Modules de lecture/écriture
Niveau de lacommande
FipIO
Niveau del’exécution
35
Justesse des prévisions Évaluation de la date de fin prévue en cours de
fabrication
Lancement d’une production test
Simulations à intervalles réguliers
Comparaisons de la date de fin prévue à la date de fin réalisée
Lancement de productions amenant des charges du système différentes• Charge: nombre de palettes engagées dans la production0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0
0.5
1
1.5
2
2.5
3
Taux d’avancement de la production
Err
eu
r (%
)
Conclusions et perspectives
Conclusions Aide à la décision pour le pilotage des systèmes de
production
Phase de diagnostic en réponse à une perturbation
Apport de la simulation en ligne:• Vision de l’état du système• Prévision de la conséquence des décisions sur le
comportement du système• Initialisation délicate à réaliser en pratique
Initialisation des simulations• Nécessairement sur l’état actuel du système réel• Difficile à réaliser « directement »
37
Conclusions Proposition de l’utilisation d’un observateur
réalisé par simulation• Intègre les informations issues du système réel• Reconstruit les données non-mesurées• Fournit son état au simulateur comme meilleure
approximation de l’état du système réel
Intégration au niveau de l’exécution de l’architecture de commande d’un système flexible de production
Une évaluation de la performance de notre solution satisfaisante• Justesse des prévisions inférieure à 3%
38
Perspectives Mise en œuvre dans un contexte industriel
Utilisation de l’observateur pour la détection de fonctionnement anormal
Nature des décisions de pilotage considérées• Contraintes, limites• Acceptabilité des erreurs de justesse• Utilisation d’algorithmes d’optimisation
Nature des systèmes considérés• Développement sur un système continu: robot cartésien
39
Perspectives Construction des modèles:
• Transformation de modèles dédiés à la conception en modèle destinés à la simulation en ligne
• Validation – qualité des modèles
Vie des modèles:• Ajustement automatique des paramètres de
l’observateur et du simulateur en fonction du vécu de l’atelier
Réutilisation des modèles:• Développer une certaine généricité des travaux pour
faciliter l’implantation sur des systèmes et des progiciels différents
40
Mercide votre attention
42
Connexion avec le système réel
Évaluation de l’importance de la prise en compte de l’état du système réel dans l’initialisation
Construction d’un cas test:• Un système de production type job-shop à six machines• Des ordres de fabrication en cours• Un ordre de fabrication à lancer• Un paramètre à régler: le nombre de transporteurs
réservés pour le nouvel ordre• Deux méthodes d’obtention du paramètre:
Simulation en ligne Simulation dite « classique » (état initial vide)
• Comparaison des durées de production obtenues
43
Simulation en ligne
Nombre de transporteur
s
Durée de production
(ut)
1 25542
5 16282
10 14148
20 3042
22 3021
30 3051
38 4098
39 3515
40 4165
Simulation en ligne
Nombre de transporteur
s
Durée de production
(ut)
1 25542
5 16282
10 14148
20 3042
22 3021
30 3051
38 4098
39 3515
40 4165
Simulation classique
Nombre de transporteu
rs
Durée de production
(ut)
1 22955
5 11787
10 8445
20 2577
22 2023
30 2032
38 2090
39 1713
40 1678
Calcul de l’indicateur de performance
Simulation classique
Nombre de transporteu
rs
Durée de production
(ut)
1 22955
5 11787
10 8445
20 2577
22 2023
30 2032
38 2090
39 1713
40 1678
Simulation en ligne
Nombre de transporteur
s
Durée de production
(ut)
1 25542
5 16282
10 14148
20 3042
22 3021
30 3051
38 4098
39 3515
40 4165Meilleur résultat par simulation classique
Meilleur résultat par simulation en ligne
Men ligne
Résultat obtenu par application du résultat de la simulation classique
Mclassique
44
Évolution du gain obtenu enfonction de la charge initiale du
système
0% 20% 40% 60% 80% 100%0%
10%
20%
30%
40%
Charge du système
Gain
45
Utilisation de la simulation en ligne pour la résolution de
problèmes
DÉTECTION de conditions
anormalesEXÉCUTION
FORMULATION de la
procédure
IDENTIFICATIONde l’état du
système
RECHERCHE de données explicites
Attentes
ÉLABORATIONd’un nombre fini
d’hypothèses
PRÉVISIONde l’évolution du
système pour toutes les
hypothèses
Choix de l’hypothèsela plus adaptée
Simulations en temps fini, sans optimisation
46
Utilisation de la simulation en ligne pour la résolution de
problèmes
Optimisation, arrêt sur critère de convergence ou de temps
DÉTECTION de conditions anormales
EXÉCUTION
FORMULATION de la procédure
IDENTIFICATIONde l’état du
système
RECHERCHE de données explicites
Attentes
Critère d’arrêt atteint Choix de l’hypothèse
la plus adaptée
ÉLABORATIONd’une hypothèse
PRÉVISIONde l’évolution du
système pour l’hypothèse
étudiée
Critère d’arrêt non-atteint