Une démarche d'aide à la décision pour la conception et la gestion des systèmes industriels Bertrand JULLIEN - Frédéric GRIMAUD Ecole des Mines de Saint-Etienne

Une démarche d'aide à la décision pour la

conception et la gestion des systèmes

industriels

Bertrand JULLIEN - Frédéric GRIMAUD

Ecole des Mines de Saint-Etienne

MODELISATION ET SIMULATION

2 / 48Conférence Modélisation-Simulation / B. JULLIEN - F. GRIMAUD

Améliorer en permanence la qualité et la productivité : c'est l'enjeu de l'industrie des années 1990

Quels outils donner au décideurpour comprendre, dimensionner, gérer ces systèmes ?

Diminutiondes coûts de fabrication

Diversités des produits

Augmentation de la qualité

Augmentation de la réactivité

Augmentation de la concurrence

Introduction


Notions de système

Les systèmes industriels de production

La complexité dans ces systèmes

Les problèmes posés

PARTIE I : Les systèmes industriels de production


Fabriquer Transporter Stocker

sont les principales fonctions d'un système industriel de production

Déco

mp

osit

ion

ver

s p

lus d

e d

étail

Niveau Système de Production

UNITÉ DE PRODUCTION

Niveau Usine

ESPACEDE FABRICATION F1

ATELIER DE FABRICATION A2

Niveau Espace de fabrication (ateliers)

ILOT DE FABRICATION I1

Niveau Procédé

Niveau M achineAg

rég

atio

n v

ers

un

e vis

ion

glo

bal

e

TAPIS C1 STOCK S1MACHINE

M1

Quelques définitions ...


Fabriquer Transporter Stocker

MachinesOutillagesRégleursFraiseurs ...

ChariotsConvoyeursRobotsRéseauxPalettesCaristes ...

MagasinsEn-CoursMagasiniers ...

Combien ? Capacité ? Horaires ?

Alimenter une machine, Router un chariot,Transporter une pièce

Dimensionner

et Gérer

Des RESSOURCES pour

qu'il faut


Une ressource est nécessaire à la réalisation d'une opération, et peut être partagée par plusieurs

opérations (ressource critique, goulot)


Faire fonctionner un système de production=

DIMENSIONNER et GERER au mieux ces ressources pour

fabriquer des produits de façon à satisfaire le client tout

en respectant les règles opératoires.

• Des contraintes• Des critères• Des décisions à prendre

et sans oublier ...



Tout à la fois=

CRITERES HETEROGENES... ET CONTRADICTOIRES

Les critères les plus fréquents

Quelques contraintes

- dans les meilleurs délais- en réduisant les en-cours- en utilisant les ressources- en favorisant la qualité,- ...

- gammes et nomenclatures- durée d'usinage- MTBF, MTTR- Topologie des réseaux- Capacité des stocks- Vitesse des moyens de manutention- ...

- Non préemptibilité- "Code de la route"- ...



Description de l’atelier

Description des produits

Planification

Ordonnancement

Perturbation ?

Changement de type de

production ?

OUINON

NON

OUI

Système

Temps Réel

usinage

réglage

Attente

Temps pour une machine :

usinage

stockage et transfert

Temps pour une pièce :

Gestion d'un atelier flexibleGestion d'un atelier "classique"

Vers une flexibilité accrue ...


La complexité d’un tel système est liée :

• au nombre important des processus qu’il faut gérer fabrication, transport, stockage

• à leur interdépendanceflux tendu, ressources partagées

• au manque d’informationsconcurrence, marché

• à la nature des décisions à prendre pas d’algorithme

• à la variété des critères d’appréciation• aux aléas

... avec une complexité croissante

Décomposition (diviser pour régner ...) ?

L’optimisation d’un système n’est pas réductible à un ensemble d’optimisations partielles


Un système industriel

de production

Problèmes deDIMENSIONNEMENT

Problèmes deFONCTIONNEMENT

Problèmes dePRODUCTIVITE

Problèmes deMAINTENANCE

Problèmes dePANNES ET ALEAS

Problèmes d'ORDONNANCEMENT

Une problématique intéressante !


PARTIE II : MODELISATION ET SIMULATION

Processus de Modélisation

Quelques modèles de la gestion industrielle

La Simulation


Implantationde la solution

" Pour un observateur A, est un modèle de B si A peut apprendre , à partir de quelque chose d'utile sur le fonctionnement de B "

Minsky 68

La modélisation

Recherche de solutionsur le modèle

Problème Construction d’un modèle


Paramètresinconnus

Contraintes

RésultatsSouhaités

Physique Symbolique

METHODES Déterministe Stochastique

Déterministe Analyse Monte-Carlo

Stochastique Probabilité SimulationSYSTEME

MODELE

Modèle

Les méthodes de résolution


Décision Opérationnelle Tactique Stratégique

ProgrammableRégulation et suivi

Calcul opérationnel

Planification

Recherche opérationnelleStatistiques

StructuréeGestion ressourcesGestion produits

Heuristiques

Politique industriellePolitique sociale

Recherche opérationnelleHeuristiquesSimulation

Stratégie industrielle

Recherche opérationnelleSimulationIA

Non structuréePolitique socialePolitique industriellePolitique financière

SimulationIA

Stratégie socialeStratégie industrielle

?

+ Nombre de contraintes / Fiabilité des données -- Temps de calcul disponible +

-

Fo

rma

lisa

tion

+

Les modèles de la gestion industrielle


Les limites des méthodes analytiques

Lorsqu’il s’agit de modéliser des systèmes complexes, les méthodes analytiques sont limitées :

• le temps n’est pas explicitement pris en compte : on raisonne sur des régimes permanents• les interactions ne sont pas toujours modélisées : on raisonne sur des propriétés théoriques• les aléas ne sont pas toujours facilement représentables : on raisonne sur des moyennes• elles ne fonctionnent que sous certaines hypothèses

Appliqués à la gestion industrielle, les modèles analytiques sont souvent partiels et simplifiés, c’est-à-dire :

NON VALIDES (non fidèles, non représentatifs du système réel)


Flux

Nombre

de chariots

METHODE ANALYTIQUE

SIM ULATIO N

400

65%

3 5

Les méthodes de résolution

L'infidélité ... est cause d' ERREURS GRAVES


Le tableur

La gestion de projet

La Recherche opérationnelleet les mathématiques appliquées

Les outils d'aide à l'implantation

Modules de Simulationen G.P.A.O.

La SIMULATIONde flux

L'intelligenceartificielle

Les outils d'évaluation des performances


Reproduire, faute de calculer Représenter la réalité Prendre en compte les grandeurs aléatoires Raisonner d'après les flux Observer instant par instant Tenir compte des conflits de ressources Approche dynamique Prendre en compte les règles de pilotage d'un système Etre accessible aux décideurs opérationnels

Les avantages de la simulation ...

Un modèle se simulation permet de représenterfidèlement un système complexe ... MAIS ...


... et ses inconvénients

Il ne permet pas, contrairement aux méthodes analytiques de résoudre directement le problème. Il s’agit d’un modèle com-portemental (What if)

GammesNomenclaturesRessourcesProcessusMarchéRègles de gestion

Changements d’étatIndicateurs de performance

Interprétation


Démonstration


Démonstration


Les étapes d'un tel projet

Les différents acteurs

Les écueils classique à éviter

PARTIE III : La conduite d'un projet de simulation


Définition des Objectifs

La Modélisation de la connaissance

Le recueil des données(gestion des phénomènes aléatoires)Rédaction du dossier d'analyse fonctionnelle

Construction des modèles de simulation

Ecriture des modèlesVérification et Validation

Exploitation des modèles

Les plans d'expériencesAnalyse des résultats

Les grandes étapes

Pri

nci

pale

s diffi

cult

és


Recueil des données "physiques"

"logiques et décisionnelles"

Modélisation des phénomènes aléatoires

Temps inter-pannes,Temps de réparation,Temps de cycles.

Loi d'arrivée , Temps de réglages, ...Taux de succès aux contrôles,

Par des distributions

La modélisation de la connaissance


0

2

4

6

8

10

125 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25

Arrivées par 10 minutes

Fré

qu

ence

s o

bse

rvée

s (%

)

0

2

4

6

8

10

12

14

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


Fré

qu

ence

s o

bse

rvée

s (%

)

Un panel étendu de distribution

Loi normale,Loi exponentielle,Loi triangulaire, ...

"Une Loi triangulaire vaut toujours mieux qu'une moyenne"

0102030405060708090

100

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

A propos des distributions aléatoires ...


Prise en compte de la dynamique des systèmes

Rend compte de la répartition, de la dispersion des données d'une population

mais

Le choix doit être judicieux (gros travail de collecte et de modélisation) et être fait avec le maximum de garanties :

Recherche de l’information ou collecte directeObservation d'histogramme des fréquencesTests d'adéquation, ...

Faute de quoi :

A propos des distributions aléatoires ...

Garbage In Garbage Out !


Les dangers d’un mauvais choix

G X

"" Service ""

L’intervalle A entre deux arrivées de clients est de 1 MnLa durée de service S est de 0.99 Mn Quelle est le nombre moyen M de clients en attente ?

A S M

Cste(1) Cste(1) 0Expo(1) Expo(0.99) 77.9Expo(1) Expo(0.98) 49.5Gauss(1.0,0.1) Gauss(0.99,0.1) 0.56


Rédaction d'un dossier d'analyse fonctionnelle

"Il décrit l'intégralité des fonctionnalités du modèle, à partir des objectifs du cahier des charges

et des données recueillies."

Un descriptif du système modélisé (logique de fonctionnement)

Les paramètres que l'on veut faire varier(effectifs, durées de traitement, décisionnel, ...)

Les critères de performances(nature, unité, fréquence, ...)

Un "plan d'expérience"(Début de rationalisation des essais)

Un premier bilan sur les données ...


Commencer par un modèle simple, voire sommaire

(à présenter aux utilisateurs et à réajuster)

TESTS deVERIFICATION et VALIDATION

Construisons-nous le système correctement ?

Bilan matière, tests des situations (standard, extrême), simulation déterministe

Construisons-nous le bon système ?

Sens critique, remise en question, validation d'experts, ...

"Un test réussi est un test qui a découvert des fautes"

accompagné de ses :

Construisons un modèle ...


Problème

Modèle de Simulation

Plan d’expériences Jeux d'essais systématiques

Interprétation

Exploitons ce modèle ...

ProcessusContraintes

Paramètresà déterminer

Performances

Fin

Les campagnes desimulation peuventêtre très longues


Taux d'occupation :

Pourcentage de serveurs occupés

Nombre moyen de clients :

Nombre moyen d'entités qui attendent dans la file ou reçoivent un service

Temps moyen de réponse :

Somme du temps moyen d'attente dans la file d'attente et du temps moyen de service

Débit moyen :

Nombre moyen d'entités qui sont servis par unité de temps

et des ...

Des chiffres ...

Les résultats d'une simulation (1/2)


... Animations

Fournit à l'utilisateur une vision synthétique, intuitive et évolutive des phénomènes étudiés.

Est porteuse d'informations.

Favorise la perception des phénomènes, et la

communication dans les projets de simulation.

Permet de "valider" le modèle

Présente le comportement transitoire du système étudié.

Les résultats d'une simulation (2/2)


Résultats d'unmodèle de simulation

Utilisation de techniquesd'analyses statistiques

0

2

4

6

8

10

12

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


Fré

qu

ence

s o

bse

rvée

s (%

)

Expression des résultats avec leur dispersion,

Histogrammes,

Etude de la sensibilité des résultats aux paramètres en entrée

Intervalle de confiances,...

Analysons les résultats


Les rôles à distribuer :

Les demandeurs de l'étude

Les personnes impliqués dans le système étudié

Les experts en simulation

Les utilisateurs du modèle

Direction généraleou industrielle

ingénieur, technicien oupersonnel d'exploitation

???

???

PROFIL IDEAL

Culture sur la problématique du domaine étudié

Rigueur intellectuelle Compétences en statistiqueBases en Recherche OpérationnelleExpériences d'outils de simulation

Les compétences des acteurs


Objectifs maldéfinis

Manque d'information et de formation des différents intervenants

Pas assez de réplications de la simulation

Données non fiablesen entrée

Attention aux pièges !!!


"Un modèle est toujoursTROP COMPLEXE"

"ne pas modéliser lesTOURS DE MAINS"

"Se concentrer surLES GOULOTS"

Modélisation trop détaillée

... et surtout

Attention aux pièges !!!


Domaines d’utilisation

Principaux produits

Evolution prévisible

Références

PARTIE IV : Domaines et acteurs


Simulation=

technique intéressante et puissante, parfois la seule utilisable,

particulièrement adaptée à l’aide à la prise de décision sur un système complexe

mais elle doit être rentable : Il faut évaluer les enjeuxassociés aux objectifs de l'étude

(coût espéré du risque, gain espéré, payback)

Conception de nouveaux systèmes

Modification d'un système existant

Pilotage des systèmes

Formation à l’utilisation du système

Domaines


Démarche validepour les systèmes industriels de production,

mais aussi pour

Les flux administratifs Les flux de personnes La transitique

Le secteur hospitalier La logistique Les réseaux de transport

Modélisation et Simulation de flux=

Démarche d'aide à la décision économique et industrielle

...

Domaines


Langage de programmation classique

Langage de simulation

- formalisme complexe et difficile à acquérir rapidement

- développement lent

+ prise en compte de la complexité

+ grande capacité d'abstraction

Simulateur dédiés

+ facilité d'utilisation

+ rapidité d'analyse etde développement

- représentation rigide

- simplification excessive

des outils complémentaires et non concurrents

Systèmes industriels complexes =langages de Simulation les plus adaptés

Produits


des PRIX

VARIETES des produits,

des FONCTIONNALITES proposées

Attention aux supports techniques, ...

CETIM 10, rue Barrouin 42 000 Saint-EtienneCXP 45, rue du rocher Paris 8èmeDossier périodique de la presse industrielleSociety fo Computer Simulation 'SCS'

Les bonnes adresses ...

Prix, références, support, ...


Pour se documenter

Sites Internet

• Eurosim (Société savante européenne)http://eurosim.tuwien.ac.at/

• Logiciels de simulation sur le Webhttp://simsrv.cs.uni-magdeburg.de/cgi-bin/showsimsoftware

• Simulation discrète, produits commerciauxhttp://ourworld.compuserve.com/homepages/jphilippe_vacher/commerce.htm

Ces listes contiennent des liens vers les sites des éditeurs dans lesquels on peut trouver : présentations, démonstrations, versions d’évaluation téléchargeables, ...

A consulter !


Evolutions prévisibles

La simulation pourrait être mieux utilisée dans ses domainesd’application traditionnels : conception de systèmes, formation

Enquête 1991, Industrie Manufacturière GB

Une technologie mal connue :• Notoriété 30 %• Pénétration 9 %

Mais qui satisfait pleinement ses utilisateurs • Indice de satisfaction 92 %

meilleure adaptation aux aléasmeilleure compréhension du systèmeréduction des délaisréduction des coûts de production


Dans l’avenir

• Intégration au système d’information / décision de l’entreprise

On pourra rechercher la meilleure solution d’un problème en fonction des outils de gestion et des informations dont on dispose réellement

• Utilisation «en temps réel»

Aide au pilotage au quotidien (Quand lancer cette com-mande urgente non planifiée ? A quelle date sera-t-telle livrée au client ?)

• Développement massif des pédagogies par études de cas

Outil particulièrement adaptée à l’environnement NTIC


Quelques références

Gestion des flux en entrepriseModélisation et simulationJean-François CLAVER, Dominique PITT, Jacqueline GELINIERHERMES 1997http://www.editions-hermes.fr/575-4.htm

La simulation industrielle : aide réelle ou virtuelle à la prise de décisionEric BALLOTRevue Française de Gestion IndustrielleVol 16, n° 1, 1997

Simulation with Arena (fourni avec le CD-ROM d’évaluation)David KELTON, Randall SADOWSKI, Deborah SADOWSKIMacGraw-Hill, 1997


Un exemple

Un nouvel équipement est à installer dans une chaîne de fabrication.Il s’agit de comparer 2 matériels concurrents mais fonctionnellementidentiques.Le flux de production alimente cet équipement au rythme exponentield’une pièce toutes les 3.3 minutes et la chaîne de fabrication fonc-tionne 8 heures par jour. Chaque matériel est caractérisé par des données constructeur concernant la cadence (durée opératoire par pièce), la qualité (pourcentage de rebuts), la fiabilité (fréquence et durée des pannes. La durée de vie de l’investissement est de 4 ans, soit 1000 jours de travail. La marge produite est de 10 F / pièce.

M1 M2

Fiabilité (MTBF) Exp(160’) Exp(480’) (MTTR) Nor(10’,5’) Nor(60’,30’)

Qualité (% rebuts) 5% 7%Cadence Lnor(3’,1’) Lnor(2.8’,0.1’)Investissement 200 kF 650 kFFonctionnement / an 200 kF 75 kF


M1 M2

(1) Pièces à faire 480/3.3 145 145(2) Nombre pannes 80/MTBF 3 1(3) Durée réparations (2)*MTTR 30 60(4) Temps usinage disponible 480-(3) 450 420(5) Temps usinage nécessaire (2)*Cadence 435 406

Les deux machines ont donc la capacité à absorber le flux

(6) Nombre de pièces conformes (1)*Qualité 137 134(7) Produits sur 4 ans (kF) (6)* 10 1370 1340(8) Investissement (kF) 200 650(9) Fonctionnement sur 4 ans 800 300

Gains (7)-(8)-(9) 370 390

Modèle analytique (simpliste !)


Résultats et conclusions

M1 M2

Etude analytiquepièces conformes / jour 137 134gains / 4 ans 370 390

Une seule simulationpièces conformes / jour 130 128gains / 4 ans 300 330

500 simulationspièces conformes / jour 129 121intervalle de confiance à 95 % 0.7 1.5gains / 4 ans 290 260

Contrairement à ce que laissait penser l’étude analytique ou lasimulation unique, M1 est meilleur que M2, même dans le casle plus défavorable puisque le gain de M1 est au moins 283 etcelui de M2 au plus 275.

Documents

Une démarche d'aide à la décision pour la conception et la gestion des systèmes industriels Bertrand JULLIEN - Frédéric GRIMAUD Ecole des Mines de Saint-Etienne