Olivier CARDIN Institut de Recherche en Communications et Cybernétique de Nantes Équipe Analyse et Commande des Systèmes à Évènements Discrets Soutenance

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





Phase de Diagnostic






8

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


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





Phase de Diagnostic






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



Supervision

MES

MESAide à la décision

Simulation, optimisation,

etc.


Supervision

SQLDCOM

Socket TCP/IP

SQLObservateur

DCOM SQL

Socket TCP/IP + Partage de fichiers

Architecture de commande complète




FipIO


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



SupervisionMES

MESAide à la décisionSimulation, optimisation


Supervision

SQLDCOM

Socket TCP/IP

SQLObservateur

DCOMSQL

Socket TCP/IP + Partage de fichiers




FipIO


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


s


(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


(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


(ut)

1 22955

5 11787

10 8445

20 2577

22 2023

30 2032

38 2090

39 1713

40 1678

Simulation en ligne


s


(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


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


EXÉCUTION

FORMULATION de la procédure

IDENTIFICATIONde l’état du

système


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

Documents

Olivier CARDIN Institut de Recherche en Communications et Cybernétique de Nantes Équipe Analyse et Commande des Systèmes à Évènements Discrets Soutenance