Soutenance mémoire
CELLULES DYNAMIQUES
Dans la littérature, les cellules dynamiques sont souvent désignées comme des DCMS. Cet acronyme signifie Dynamic Cellular Manufacturing System ou, en français, « Système de production en cellules dynamiques ». Ce concept a été élaboré en 1995 par Rheault et al. (1995). Les auteurs affirment que l’environnement turbulent actuel fait en sorte qu’il devient impossible de produire selon un aménagement continu linéaire. La production en atelier augmente le poids des manutentions et par le fait même le temps de passage et la quantité d’inventaire d’encours. Afin d’équilibrer le ratio productivité/flexibilité, les cellules de production manufacturières sont introduites. Toutefois, le vieillissement de la cellule par la modification temporelle du mix-produit et de la quantité à produire rend rapidement les cellules désuètes et peu optimales. Les cellules virtuelles permettent de pallier à ce problème. Mieux encore, la reconfiguration physique des cellules permet de gagner davantage en productivité. Le DCMS est un système qui permet de regrouper les machines en cellules physiques dans le cas où les déplacements sont économiquement justifiables et, sinon, le système utilise les cellules virtuelles qui, sans déplacement physique, utilise la technologie de groupe afin d’augmenter la productivité du plancher. L’article propose un guide (modèle mathématique) qui permet de modifier régulièrement la configuration du plancher de production afin de répondre rapidement à la demande du client malgré les changements et fluctuations du système. Le modèle tente de minimiser les coûts de production en établissant un compromis entre le temps de passage des produits, la manutention du matériel et l’inventaire d’encours.
Les modèles mathématiques
Suite au développement des cellules de production dynamiques, de nombreux auteurs se sont penchés sur l’implantation des DCMS. La majorité d’entre eux se sont concentrés sur l’élaboration de modèles mathématiques toujours plus complets et distinctifs. Rheault et al. (1996) ont ajouté à l’utilisation des cellules virtuelles des DCMS. Le modèle proposé tente de minimiser le caractère financier de l’établissement des cellules dynamiques. Les auteurs font varier la capacité disponible des postes pour l’horizon concerné, le coût de manutention interzone, la planification et le contrôle du système dans le but de minimiser la somme des coûts marginaux. Le modèle est ensuite repris par plusieurs auteurs, entre autres, Safaei et TavakkoliMoghaddam (2009). Dans le but de modéliser la réalité de manière plus représentative, les auteurs proposent de combiner la formation de cellules manufacturières et la planification de la production – c’est-à-dire la répartition des ressources dans le temps. L’objectif de la recherche est de développer un modèle mathématique intégré pour optimiser la formation de cellules sur plusieurs périodes et la planification de la production dans un DCMS.
La résolution d’exemples numériques et l’analyse de sensibilité a permis d’évaluer l’effet du mix-produit et du volume à produire selon les périodes ainsi que de l’introduction de nouveaux produits sur la somme des coûts marginaux (opérations, manutention, reconfiguration et sous-traitance). En 20 Il, Ghotboddini et al. (20 Il) proposent également un modèle mathématique, mais qui cette fois, est multi-objectif. Le modèle permet de faire simultanément le regroupement des pièces et des machines et l’assignation de la main d’oeuvre dans le but de rendre le processus lean plus fluide, minimiser les coûts marginaux ainsi que maximiser le taux d’utilisation de la main d’oeuvre. Dans la même année, Li, Hu et Murata (2011) incluent l’incertitude dans le modèle mathématique. Les auteurs recherchent alors l’horizon de planification « optimale » qui permettra de maximiser l’effet positif de l’utilisation des cellules dynamiques. Toujours dans l’objectif de rendre le modèle plus représentatif, Saxena et Jane (2011) se concentrent sur l’ajout de multiples autres variables dans la structure du DCMS. L’effet de la fiabilité des machines, la planification de la production, les contraintes des machines dans une même cellule, l’acquisition de machines et la reconfiguration sur plusieurs périodes est évalué au niveau de la somme des coûts marginaux.
Kia et al. (2012) proposent un modèle non-linéaire intégré qui permet de minimiser le coût total d’un système manufacturier dans un environnement dynamique. Le modèle est utilisé pour déterminer la configuration de cellules, la localisation des machines et la planification optimale pour tous les types de pièces pour chaque période de l’horizon de planification. La linéarisation du modèle s’est avéré NP-Complexe. Il n’a donc pas été possible de déterminer la solution optimale à l’aide de cette méthode, mais une estimation heuristique s’est avérée satisfaisante. Les auteurs incluent de nombreuses variables telles que les gammes de fabrication alternatives, la séquence d’opération, le temps d’opération, le volume des pièces produites, l’achat de machines, la duplication de machines, la capacité des machines, le fractionnement des lots de transfert, l’aménagement intracellulaire, l’aménagement intercellulaire et l’aménagement multi-lignes d’usines de surface identique. À la suite de leur travail, les auteurs ont formulé une liste relativement exhaustive des futures possibilités de recherche concernant les DCMS.
Les éléments noninclus dans le modèle sont les suivants : Inventaire entre les périodes; Sous-traitance partielle ou totale; Équilibrage de la charge de travail entre les cellules; Optimisation du nombre de cellules créées; Utilisation des machines; Manutention du matériel en lots; Incertitude dans la demande des pièces; Disponibilité des machines; Coefficients de coûts; Optimisation multi-objective; Usines de surface inégales. Soolaki (2012) propose ensuite d’ajouter l’effet de l’assignation des travailleurs par rapport à leurs compétences dans la modélisation d’un DCMS. Ce facteur est ajouté à l’effet de la planification de la production. Le modèle présenté a pour objectif de former les cellules dynamiques tout en tentant de minimiser simultanément la charge totale des cellules et la somme des coûts marginaux. Paydar et al. (2013) reprennent la majorité des idées déjà présentées jusqu’à aujourd’hui. Ils incluent la planification de la production en multi -périodes, la séquence des opérations, les gammes de processus alternatives, l’aménagement intracellulaire, le système de reconfiguration dynamique, la duplication de machines, la capacité des machines, le fractionnement des lots de transfert et le flux de matériel entre les machines. Ils rajoutent toutefois des contraintes concernant la satisfaction de la demande, la grandeur des cellules, la disponibilité des machines, la capacité des machines, la conservation du flux de matière et la localisation des machines.
En 2013, Soolaki (2013) revient dans la modélisation des DCMS avec l’aspect de l’incertitude de l’environnement. Il incorpore une configuration robuste au modèle à l’aide de la théorie d’optimisation dans le but de générer des solutions robustes optimales. Il faut rappeler que le caractère robuste d’une optimisation est principalement relié à la flexibilité de l’optimisation, à l’imprécision ou l’incertitude des événements et à la répulsion du risque et de l’ambiguïté. L’idée de la robustesse est donc d’évaluer plusieurs scénarios possibles où la solution est jugée meilleure quelle que soit le scénario qui aura lieu. Toujours dans l’idée de générer des modèles mathématiques robustes pour la génération de systèmes de production en cellules dynamiques (DCMS), Tavakkoli-Moghaddam et al. (2014) proposent un nouveau modèle qui, cette fois, ajoute l’incertitude au niveau du temps d’opération des pièces. Plus les années avancent, plus les modèles mathématiques grossissent et tentent de représenter la réalité quotidienne des entreprises manufacturières. D’une fois à l’autre, le caractère financier demeure constant. L’idée est toujours d’améliorer sa productivité ainsi que sa flexibilité et ce, au moindre coût possible. D’un autre côté, en plus des coûts, on remarque que les auteurs se penchent de plus en plus sur la synchronisation des activités. Les modèles tentent d’élaborer une planification de la production par rapport à un horizon optimal dans un système de production constamment reconfigurable. Il faut donc comprendre que la reconfiguration du plancher est indissociable à la planification des activités. Aussi, dans les dernières années, il est possible de remarquer que l’incertitude et la variété des scénarios possibles ont pris une importance capitale. La robustesse de l’optimisation est désormais devenue inévitable si l’on désire représenter correctement la réalité vécue par les entreprises.
Facteurs de succès d’implantation
L’implantation des cellules dynamiques en milieu réel peut représenter un défi important. Certaines conditions doivent être respectées avant même le début de l’introduction de ce type de système de production. Dans la littérature, on ne trouve pas spécifiquement de facteurs critiques de succès (CSF) d’implantation des DCMS, mais il est possible d’en retrouver quelques-uns dans différents articles scientifiques. Les cellules dynamiques, tel qu’elles ont été décrites, sont un outil de la production lean. Ali et Deif (20 14) ont travaillé sur l’aspect Lean des entreprises. Les auteurs ont développé un modèle mathématique qui indique un « Leaness score » qui permet de s’identifier sur le plan lean et orienter ses actions futures. Le modèle fait ressortir que le fait de travailler sur l’ajustement des systèmes de temps de cycle dans le but de suivre un temps takt grâce au flux pièce-à-pièce augmentera la performance globale d’une usine, principalement dans un environnement hautement dynamique. Yamchello et al. (2014) ont déterminé les facteurs critiques de succès (CSF) au niveau de l’implantation d’un système de production lean. L’établissement d’une revue de littérature a permis de recenser les principaux CSF d’implantation du lean dans le but d’aider les PME à réduire leurs coûts de production et améliorer leur efficacité afin de survivre au marché extrêmement compétitif et dynamique. Selon les auteurs, le manque d’engagement de la haute direction, les difficultés de changements culturels, le manque d’éducation et de formation des employés sont les facteurs qui ont le plus de chance de faire échouer l’implantation du lean. Voici la liste exhaustive des facteurs critiques de succès élaborée par Yamchello et al. (2014).
|
Table des matières
Introduction
Chapitre 1 : Mise en contexte
1.1 Problématique
1.2 Question de recherche
1.3 Objectif principal
1.4 Objectifs secondaires
1.5 Concepts importants
1.5.1 Cellules de travail
1.5.2 Cellules dynamiques
1.5.3 Entreprises réseaux
1.5.4 Productivité
1.5.5 Flexibilité
1.5.6 PME
1.5.7 Mondialisation
1.6 Conclusion
Chapitre 2 : Revue de littérature
2.1 Cellules dynamiques
2.1.1 Les modèles mathématiques
2.1.2 Comparaison des systèmes de production
2.1.3 Facteurs de succès d’implantation
2.2 Les entreprises réseaux
2.3 Conclusion
2.4 Matrice de la revue de littérature
2.5 Modèle de recherche – Cadre conceptueL
2.6 Expérience terrain
Chapitre 3 : Méthodologie de la recherche
3.1 Choix des variables et des niveaux
3.2 Hypothèses statistiques
3.3 Hypothèses limitatives
3.4 Modèle mathématique
3.5 Plan d’expérience L18
3.6 Plan d’expérience L18 considérant les facteurs et niveaux à l’étude
3.7 Modèle de simulation
3.8 Données de simulation
3.9 Calculer le régime permanent
3.10 Expérimentation Plan LI8
3.11 Plan d’expérience complet
3.12 Plan d’expérience du plan complet
3.13 Expérimentation Plan complet
3.14 Étapes de validation
Chapitre 4 : Résultats et discussions
4.1 Résultats et analyse du plan L18
4.2 Résultats et analyse du plan complet
4.3 Validation
4.4 Atteinte du régime permanent
4.5 Discussion
Chapitre 5 : Projet Mitacs
5.1 Méthodologie sur le terrain
5.1.1 Objectifs
5.2 Projets d’amélioration apportés
5.2.1 Projets plancher 2015
5.2.2 Projets plancher 2016
5.3 Facteurs de succès d’ implantation
5.4 Conclusion du projet Mitacs
Conclusion
Liste des références
7.1 Articles scientifiques
7.2 Ouvrages
7.3 Sites web
ANNEXE 1: Plan L18
ANNEXE II : Résultats Plan L 18
ANNEXE III : ANOV A et Test de Tukey Plan L 18
ANNEXE IV : Plan complet
ANNEXE V : Résultats du Plan complet
ANNEXE VI : Résultats ANOVA Plan complet
ANNEXE VII: Résultats des tests de validation
ANNEXE VIII: Analyse et test de Tukey des tests de validation
ANNEXE IX : Résultats des tests en régime permanent
ANNEXE X: Analyse et test de Tukey des tests en régime permanent
Télécharger le rapport complet
