Ordonnancement des installations de traitement de surface

Télécharger le fichier pdf d’un mémoire de fin d’études

Organisation holonique

Le concept de Holon a été introduit par le philosophe hongrois Arthur Koestler en 1969 dans [Koestler A., 1969]. Il se base sur le fait qu’une entité peut être vue comme un ‘tout’ constitué de sous-entités, ou comme une ‘partie’ constitutive d’une entité plus grande. Le principe organisationnel et interactionnel dans une holoarchie issue de [Müller J.-P. et al., 2005] est présenté dans la figure 4.
Cette organisation est adaptée aux systèmes de production hiérarchisés où, d’une part, chaque sous système doit disposer d’une certaine autonomie et, où d’autre part, l’ensemble de l’organisation vise des objectifs communs (satisfaction des clients, productivité, rentabilité…). L’architecture holonique de référence PROSA (Product – Ressource – Order – Staff Architecture) a été développée dans [Van Brussel H. et al., 1998]. Elle propose une modélisation à partir de quatre Holons de base : Holons produits, Holons ressources, Holons ordres, Holons staff. Pascal Blanc a proposé dans [Blanc P., 2006] une application industrielle d’un système de pilotage basé sur cette architecture. Il a développé différentes heuristiques (fonctionnement et communication) implantées dans chaque Holon. Ces mécanismes, testés dans un système multi-agent, ont permis de montrer la faisabilité d’un système de pilotage basé sur cette organisation. Les performances de ce système ont été étudiées par simulation, dont les résultats sont présentés dans ce rapport.

Organisation isoarchique

La vision extrême de l’organisation répartie est l’isoarchie. Dans une organisation isoarchique, aucun centre décisionnel n’a de pouvoir supérieur à un autre centre. Le système devient alors auto-organisé afin de faire émerger un comportement cohérent. Cette organisation se trouve, sur l’échiquier de la structure architecturale, à l’opposé de la centralisation. Ce concept présenté dans [Pujo P. et al., 2008] se retrouve appliqué aux systèmes holoniques à travers la ‘Flat Holonic Form’ présenté dans [Bongaerts L. et al., 2000], repris dans la figure 5. Dans cette organisation, le système est composé d’Holons de même niveau, sans possibilité d’existence d’un Holon Staff. Cette organisation peut se rapprocher du fonctionnement d’une fourmilière, et des algorithmes bio-inspirés qui en découlent. Chaque Holon représente une fourmi qui interagit avec ses voisines afin de faire émerger un comportement évolutionniste cohérent pour l’obtention de l’objectif souhaité.

Synthèse

On trouve ainsi, dans le contexte économique en pleine mutation, une modification des structures de pilotage. Elles laissent de plus en plus d’autonomie aux niveaux inférieurs en passant d’un contrôle hiérarchique à un contrôle réparti.
La centralisation présente l’avantage d’une vision large du système, afin d’orienter son fonctionnement vers un pilotage optimal, tandis que les systèmes répartis ont l’avantage de mieux répondre aux aléas et à la réorganisation.

Évolution des systèmes de production

Les systèmes de production industriels ont, au cours du XXème siècle, connu une grande évolution. L’industrie des temps modernes, présentée par Sir Charles Spencer Chaplin, a peu à peu disparue pour laisser place à une nouvelle organisation du travail. Cette application intensive du fordisme (dont le taylorisme est une des composantes) a permis de rationaliser le travail industriel pour produire rapidement et à faible coût. L’inconvénient de cette organisation a été le manque de personnalisation des produits, gros handicap face à une demande de plus en plus diversifiée.
Il a fallu attendre les années 1980 pour répondre à ce manque de personnalisation, avec l’arrivée des systèmes de production flexibles ou flexible manufacturing systems (FMS). Cette nouvelle implantation des systèmes de production brevetée par [Johnstone R. et al., 1984] s’organise autour d’un système de convoyage automatisé des produits, desservant un ensemble de machines de production. Les produits entrent dans l’unité de production et sont déposés sur le convoyeur. Acheminés par celui-ci sur les différentes machines, ils vont effectuer une gamme de fabrication qui leur est propre afin de répondre à une demande unique de production.
Cette nouvelle organisation des ateliers de production permet de répondre à beaucoup de contraintes liées aux systèmes de production :
– Chaque produit entrant dans le système peut avoir une gamme de fabrication propre pour répondre à la demande de personnalisation grandissante des produits. Ce type de production correspond, dans la littérature, à l’appellation de JobShop.
– Un même système de production peut facilement prendre en compte de nouvelles références sans que celle-ci aient explicitement été prévues au moment de l’implantation du système.
– Une machine peut être ajoutée ou enlevée du système pour mieux répondre à la charge de production.
– Plusieurs machines peuvent être capables de produire les mêmes produits pour sécuriser le système par la redondance des machines.
L’étape suivante, cherchant à augmenter la prise en compte de productions hétéroclites, est la reconfigurabilité des systèmes. Ce paradigme récent, présenté dans [Bi Z.-M. et al., 2008], décrit la capacité d’un système de production à se reconfigurer afin de répondre à une augmentation du nombre de produits et une personnalisation croissante. Il n’est plus simplement question de gammes de fabrications variables, mais d’opérations de productions variables. Dans ce paradigme présenté dans la figure 8, les machines sont évolutives afin de prendre en charge de nouvelles opérations et/ou le pilotage (la politique) de l’entreprise est souple afin de répondre à de nouvelles demandes du marché.
On retrouve dans l’ouvrage [Mori M. et al., 2009] deux niveaux de reconfigurabilité mettant en œuvre des mécanismes et des niveaux différents :
– La reconfigurabilité des machines met en avant la capacité d’une machine à être modifiée pour répondre à de nouvelles opérations à réaliser. Il s’agit ici d’obtenir des machines modulaires évolutives. Berruet a proposé dans [Berruet P., 2007] une méthode de génération automatique de la commande dans de tels systèmes pour permettre une reconfiguration plus aisée de ceux-ci.
– La reconfigurabilité des systèmes reflète la capacité d’un système à être réimplanté afin de répondre à de nouvelles gammes.
Toutes ces évolutions ont été favorisées par l’apparition de l’automatisation importante des ateliers et la banalisation des systèmes d’informations au sein des entreprises. Cette nouvelle topologie des systèmes de production soulève néanmoins de nouveaux problèmes tel que les problèmes de dimensionnement d’unité, de choix d’implantation, de routage des produits… [Bi Z.-M. et al., 2008] classe les paradigmes proposés précédemment, comme des solutions répondant aux quatre objectifs principaux d’une entreprise actuelle :
– Délai d’exécution court. Afin de répondre rapidement aux clients et de proposer des produits adaptés avant la concurrence, une entreprise doit avoir un cycle court de développement des produits et une réponse rapide à la demande du marché.
– Personnalisation. Les produits étant de plus en plus personnalisés, une entreprise doit être capable de proposer un large choix de variantes pour un même produit. On s’oriente ici vers un produit unique réalisé à la demande du client. Cette contrainte rentre rapidement en conflit avec la précédente et impose une bonne organisation de la production.
– Demande variable. Le cycle de vie des produits étant de plus en plus court, et les phénomènes de modes très importants, il faut être capable, sans faire de stock pour ne pas risquer de conserver des invendus, de répondre à une demande fortement variable.
– Prix économique. Le client cherchant souvent à maximiser le rapport qualité / prix, un des objectifs non négligeable est de baisser les prix, donc de minimiser les coûts de production.
Cette classification permet, à partir des objectifs visés et des stratégies voulues, de choisir le ou les paradigmes de production qui permettront d’obtenir les meilleurs résultats.

Pilotage dynamique

Le pilotage dynamique est une amélioration du pilotage prédictif dans un environnement non prévisible. A partir d’un encours de production et d’un lot de produits à réaliser, il produit un nouveau planning de production. Il peut alors être exécuté pendant la production afin de prendre en compte un aléa ou une nouvelle commande.
Le pilotage dynamique fait partie des outils de pilotage en ligne. Il a le double avantage de réagir aux aléas survenus pendant la production et de permettre d’optimiser le planning avant de l’exécuter. Dans [Sgall J., 1998], l’auteur souligne que l’ordonnancement en ligne reflète la problématique industrielle réelle. Il rappelle que les travaux sur la complexité des algorithmes d’ordonnancement, notamment la NP-complétude de beaucoup de méthodes d’ordonnancement,, ont rendu nécessaire le développement d’heuristiques exécutables en temps réel.
La différence entre le pilotage prédictif et le pilotage dynamique réside principalement dans les algorithmes d’ordonnancement utilisés. Beaucoup de travaux cherchent à développer des algorithmes et des méta-heuristiques fournissant un résultat en un temps acceptable. Ces méthodes, basées sur une exploration non exhaustive du champ des solutions, permettent d’obtenir rapidement une solution pour répondre au problème du pilotage dynamique. Cependant cette solution n’est pas (en général) la solution optimale au problème.
La figure 12 permet de repérer deux types de phases pendant l’exécution d’un système piloté dynamiquement :
• Phases d’exécution normale (A & C). Dans ces phases, le système de production exécute le planning proposé par l’ordonnanceur. Cette phase dure jusqu’à ce qu’un nouvel ordonnancement soit demandé au moteur d’ordonnancement.
• Phases d’exécutions dégradées (B & D). Dans ces phases allant de tdemande à tréponse, il peut
être décidé d’arrêter la production ou de la continuer. Continuer la production permet
d’exploiter le moyen de production pendant l’ordonnancement mais peut introduire une incompatibilité entre l’état réel du système à tréponse et le planning proposé par le moteur d’ordonnancement, dégradant la stabilité du système. Arrêter la production dégrade les performances du système de production, et dans certains cas peut dégrader la qualité de la production (par exemple dans le cas d’unités de traitement de surface, d’unités de production alimentaire, de processus faisant intervenir des chauffes et refroidissements).
Les auteurs de [Pfeiffer A. et al., 2007] ont réalisé une classification des méthodes de résolution du problème de ré-ordonnancement. Si l’on considère l’application à un cas réel, il ne faut pas demander inutilement des ré-ordonnancements car ils perturbent le système et risquent de dégrader ses performances. Les auteurs classent les stratégies de demandes de ré-ordonnancement en trois catégories :
• Ré-ordonnancement périodique
• Ré-ordonnancement déclenché par événement
• Stratégie hybride
Les auteurs proposent une architecture de tests pour évaluer les performances du couplage entre un système de production et son moteur de ré-ordonnancement en ligne. Cette architecture se base sur l’émulation du système à l’aide d’un simulateur temps réel introduisant des perturbations dans l’exécution du planning. Les résultats des tests effectués relatent l’influence des stratégies de re-planification sur la stabilité du système.
Enfin, les auteurs soulignent l’inutilité de planifier à long terme, car une re-planification remet souvent en cause tout le planning préétabli. Les opérations à moyen ou long terme ont une forte probabilité d’être modifiées par une future planification. Le temps passé à planifier sur une longue période aura alors été perdu.
Dans [Zhao C. et al., 2010], les auteurs présentent une application du problème de ré-ordonnancement d’atelier en environnement perturbé. Contrairement à beaucoup d’autres travaux sur les ré-ordonnancement en ligne, les auteurs insistent sur l’utilité d’utiliser certaines optimisations réalisées dans le planning précédent. Le principe d’apprentissage est bien connu, mais les auteurs proposent ici une mémoire à court terme : on n’utilise que l’occurrence précédente du calcul. Chuanli Zhao et son co-auteur proposent un algorithme polymodal de résolution du problème de ré-ordonnancement avec détérioration. L’algorithme proposé utilise les optimisations déjà effectuées dans l’ordonnancement précédent et prend en charge les aléas et l’arrivée des nouveaux produits. Les hypothèses utilisées dans l’algorithme (en particulier le lemme 3), interdisent l’inactivité d’un produit. Cette contrainte rend l’algorithme inapplicable dans beaucoup de cas, notamment pour l’ordonnancement d’ateliers de traitement de surface.

Pilotage réactif

Dans le cas d’unités où la production à réaliser n’est pas connue à l’avance, ou dans le cas d’unités ayant de nombreux phénomènes aléatoires ou non prévisibles5, la prévision proposée par le pilotage dynamique sera très souvent remise en cause. Dans ce cas, les phases dégradées prennent une part importante du temps de la production. Dans [Herroelen W. et al., 2004], les auteurs ont proposé de réaliser un inventaire des méthodes réactives de planification de projet. Les méthodes sont comparées en fonction de leur robustesse et de la stabilité du planning généré. Cette même robustesse et la stabilité vis-à-vis des perturbations de l’atelier ont été étudiées à l’aide d’une méthode floue dans [Dorn J. et al., 1995].
Le pilotage réactif cherche résoudre ces problèmes en introduisant un nouveau paradigme de pilotage. Il se base sur l’édiction de règles simples appliquées en temps réel dans chaque centre décisionnel. Dans ce cas, aucune prévision n’est réalisée. Les règles de pilotage introduites dans le pilotage réactif sont simples (complexité de l’ordre 1 ou n), et sont réparties sur tout le système.
Si l’on prend l’exemple d’un atelier de production à deux machines représenté dans la figure 14, on peut dénombrer six centres de décision élémentaires :
– Le répartiteur choisit la machine sur laquelle il envoie les produits.
– Les stocks réorganisent l’ordre des produits.
– L’expédition choisit la source des produits expédiés.
Les choix pris dans les centres de décision peuvent être établis par un planning prédictif (a priori). Dans ce cas, on peut choisir un critère à optimiser : équilibre de la charge des postes, minimisation du nombre de réglages, respect des dates de livraison… Cet atelier peut aussi être piloté de façon réactive en implémentant une règle locale dans chaque nœud de décision. Chaque règle n’a qu’une vision restreinte du problème. Par exemple, le répartiteur peut décider d’envoyer deux produits sur la machine 1, puis un produit sur la machine 2, ou de choisir la machine ayant le moins de produits dans son stock d’entrée.
La difficulté de l’ordonnancement réactif réside dans la définition des règles de pilotage. Elles doivent, par leur action locale, concourir à l’émergence d’un comportement global cohérent et répondant aux objectifs de l’unité de production. Il est possible de passer de la définition locale des règles à une approche du comportement émergeant par simulation du système réel muni des règles de pilotage. Le contraire n’est pas possible : à partir d’un comportement global souhaité, on ne peut obtenir, de façon systématique, la définition des règles locales.
La définition des règles locales se fait donc par approche évolutionniste manuelle. Les règles sont ajoutées successivement au système. Elles sont ensuite simulées afin de déterminer le comportement émergeant, puis l’adéquation entre le comportement souhaité et le comportement obtenu. Une analyse de cette adéquation permet de compléter la liste des règles. La simulation n’étant pas une preuve, et étant faite sur un jeu spécifique de données, il est alors très difficile, voire impossible, de garantir la cohérence des règles dans tous les cas.
Le pilotage réactif est particulièrement adapté aux systèmes répartis (voir paragraphe 1.2) dans lesquels les centres de décisions sont situés au plus près des actionneurs qu’ils commandent. Dans ce cas, les règles peuvent être implantées localement, dans les bas niveaux hiérarchiques. On obtient alors une application du paradigme informatique des systèmes multi-agents. Dans ce cas il est souhaitable que le produit porte l’information qui s’y rapporte afin de déclencher les décisions qui le concernent, ou que le produit détienne l’intelligence pour prendre ces mêmes décisions. Cette application du pilotage réactif, appelé pilotage par le produit est présenté dans [Pannequin R., 2007]. Le produit acquiert alors une certaine intelligence que [Cea Ramirez A.-A., 2006] classe suivant quatre types en fonction des capacités de l’objet :
– Produit porteur de données
– Produit pointeur vers un système d’information
– Produit fournisseur et demandeur de services
– Produit sensitif
Les règles définies dans le pilotage réactif sont alors déclenchées par les événements des produits, et les décisions sont prises par le centre d’action ou par le produit lui-même.
Enfin, la dernière étape liée à la flexibilité des systèmes de pilotage est la reconfigurabilité de ceux-ci. La reconfigurabilité des systèmes de pilotage est liée à la reconfigurabilité des systèmes de production abordée dans le paragraphe 2. Dans [Mehrabi M.-G. et al., 2000], les auteurs définissent un système reconfigurable comme un système flexible, non seulement dans sa capacité à produire une grande variété de pièces, mais aussi dans sa capacité à se modifier lui-même. Pour ce faire, le système est créé comme un agrégat de modules matériels et logiciels assemblés entre eux. Ce principe réduit le risque d’obsolescence du système en lui permettant de s’adapter continuellement à l’évolution des demandes. Le pilotage réparti est particulièrement bien adapté à ces systèmes, introduisant une bijection entre les modules matériels et les modules logiciels.

Comparaison des méthodes de pilotage

Nous avons vu qu’il existait trois grandes classes pour la résolution du problème d’ordonnancement. J. Sun et D. Xue, dans [Sun J. et al., 2001], constatent que la plupart des algorithmes d’ordonnancement, et des systèmes de productions qui leur sont associés, sont liés au problème de l’ordonnancement prédictif. Ces algorithmes ont des difficultés pour résoudre les problèmes industriels actuels : « Premièrement, le problème d’ordonnancement d’atelier est dynamique par nature, c’est-à-dire que de nouveaux ordres de fabrication peuvent arriver continuellement pendant la production. Deuxièmement, le planning proposé peut être changé pour refléter les changements dans les ordres de fabrication et dans les conditions de production. ». Dans le cas des algorithmes d’optimisation, c’est souvent la recherche d’optimalité qui prime sur la possibilité d’une exécution en temps réel.
Les trois classes de pilotage peuvent être synthétisées par leur principe de fonctionnement rapporté en figure 16. L’étude faite dans les paragraphes précédents nous a permis de déterminer le tableau de la figure 17.
L’ordonnancement prédictif, selon [Van de Vonder S. et al., 2007], a suscité de nombreuses recherches au cours de la dernière décennie. Ce type d’ordonnancement étant applicable dans le cadre d’un environnement omniscient (toute l’information est disponible), statique (les données ne changeront pas avec le temps) et prédictif (le système réagira tel que souhaité). Dans un tel cadre, le pilotage prédictif basé sur un ordonnancement optimisé est idéal pour obtenir les meilleures performances. Dès que l’on s’écarte d’un tel cadre, et que l’on souhaite être réactif et obtenir un ordonnancement robuste, il faut s’orienter vers un ordonnancement réactif.

Fonction objectif

Le but d’une unité de traitement de surface est de produire des pièces répondant aux contraintes du procédé. Afin d’obtenir ce résultat, plusieurs fonctions objectifs peuvent être envisagées. L’optimal de la ‘fonction objectif’ est, en général, issu d’une exploration du champ des solutions répondant aux contraintes énoncées dans le paragraphe 2.3. Dans certains cas, l’exploration n’est pas contrainte. La solution doit être consolidée afin de répondre aux contraintes (c’est le cas de certaines applications des algorithmes génétiques).
La première fonction objectif, qui est la plus répandue dans la littérature sur l’ordonnancement (dont l’ordonnancement des lignes de traitement de surface) est la minimisation de a date de sortie du dernier produit, souvent appelé makespan et noté dans la littérature :
Cette fonction revient à maximiser la cadence moyenne de sortie des palonniers, sans s’attarder sur ce qui se passe localement dans l’installation. Corine Subaï et ses co-auteurs dans [Subaï C. et al., 2003] puis dans [Subaï C. et al., 2006] rappellent que les opérations de traitement de surface ne sont pas des opérations de fabrication anodines. Elles mettent en jeu des produits chimiques qui sont altérés avec le temps. Cela soulève deux problèmes :
– La concentration est l’activité des produits évoluant au fur et à mesure des différents traitements, la durée de traitement est a priori variable. Ce paramètre n’est pas pris en compte dans la plupart des ordonnancements. Ceci signifie que la durée utilisée pour ordonnancer n’est pas la durée optimale, ce qui induit une présence dans les bains, supérieure au minimum chimiquement nécessaire.
– La présence de tolérance dans le problème d’ordonnancement introduit, de fait, la possibilité de rester plus longtemps dans une cuve de traitement que la durée minimum :
Ces deux phénomènes conduisent à un vieillissement prématuré de la solution chimique, donc à une plus grande pollution. Les auteurs proposent de chercher à minimiser les temps inutiles de traitement. Ils démontrent qu’en gardant le même objectif de productivité, il reste une certaine latitude sur les dates de début et de fin d’opérations, donc sur le vieillissement prématuré ou non des solutions. L’objectif devient alors la minimisation des temps supplémentaires passés dans une cuve :
Les cuves n’étant pas toutes constituées des produits ayant le même impact écologique, il est possible de pondérer chacun des termes avec un facteur de pollution.
La première étape vers le pilotage propre des lignes de traitement de surface consiste à conserver la productivité optimale (première fonction objectif) puis à chercher la réduction des temps inutiles de traitement. La deuxième étape, axée vers le développement durable, consiste à faire une optimisation multi objectifs sur ces deux fonctions. D’un point de vue global, il faudrait ajouter dans la balance économique le coût représenté par le recyclage des solutions (non négligeables). La deuxième fonction objectif n’est donc pas forcément moins rentable pour l’entreprise.

Intégration du HSP dans les problèmes d’ordonnancement

Le problème de l’ordonnancement des lignes de traitement de surface est un problème d’ordonnancement d’atelier avec quelques contraintes particulières que l’on peut retrouver dans d’autres problèmes. Afin de permettre des échanges entre les spécialistes de l’ordonnancement d’ateliers et les chercheurs travaillant sur les problèmes de traitement de surface, il est utile de replacer le HSP au sein des problèmes d’ordonnancement.
Le jargon industriel utilisé pour caractériser un problème réel de traitement de surface n’étant pas toujours bien défini, l’adéquation entre le parler métier et la terminologie scientifique n’est pas toujours exacte. Ainsi, certaines contraintes industrielles telles que ‘dans un bain critique il faut respecter la tolérance ; dans il bain non critique, il est bien de la respecter’ peut devenir pour les scientifiques un vrai casse-tête de modélisation. La précision de telles affirmations est scientifiquement nécessaire, mais peut devenir une contrainte supplémentaire. Le langage métier est à replacer dans la culture de l’entreprise pour comprendre efficacement les objectifs recherchés, et ne pas perdre d’information par une modélisation trop stricte de la contrainte.
Christelle Rossé-Bloch, dans [Rossé-Bloch C., 1999], a cherché à resituer le problème de l’ordonnancement des lignes de traitement de surface par rapport aux problèmes généraux d’ordonnancement. Nous reprendrons ici les grandes lignes de ces travaux, et vous invitons à vous y référer pour plus de détails. On y retrouve un dictionnaire de terminologie repris dans le tableau 3.

Table des matières

Remerciements
Introduction
Chapitre 1 : Évolution du pilotage des unités de production
1. Évolution générale des systèmes organisés
1.1. D’une organisation hiérarchique…
1.2. … à une organisation répartie
1.2.1. Organisation hétérarchique
1.2.2. Organisation holonique
1.2.3. Organisation isoarchique
1.3. Synthèse
2. Évolution des systèmes de production
3. Évolution des systèmes de pilotage
3.1. Pilotage prédictif
3.2. Pilotage dynamique
3.3. Pilotage réactif
3.4. Comparaison des méthodes de pilotage
Chapitre 2 : Ordonnancement des installations de traitement de surface
1. Description des unités de traitement de surface
1.1. Les porteurs
1.2. Les cuves
1.3. Les transporteurs (ponts roulants)
1.4. Les navettes
2. Problématique du Hoist Scheduling Problem
2.1. Définition d’une gamme de traitement
2.2. Notations
2.2.1. Données du problème
2.2.2. Résultat de l’ordonnancement
2.3. Contraintes d’ordonnancement
2.4. Fonction objectif
2.5. Intégration du HSP dans les problèmes d’ordonnancement
3. Classification des problèmes
4. Approches de résolution
4.1. Méthodes hors ligne
4.1.1. Ordonnancement cyclique
4.1.2. Ordonnancement prédictif
4.2. Méthodes en ligne
4.2.1. Ordonnancement dynamique (pilotage avec prévision)
4.2.2. Ordonnancement réactif (pilotage sans prévision)
4.3. Bilan sur les méthodes existantes
5. Conclusion
Chapitre 3 : Couplage entre pilotage réactif et pilotage prédictif
1. Présentation du problème
1.1. Topologies étudiées
1.2. Méthodologie pour la définition du pilotage réactif
1.3. Présentation des cas industriels
2. Proposition d’un pilotage réactif
2.1. Principe du pilotage
2.2. Définition des règles
2.2.1. Règles produit/emplacement
2.2.2. Règles produit/pont
2.3. Modèle de simulation
2.3.1. Objets physiques
2.3.2. Objets virtuels
2.3.3. Réalisation de la bibliothèque et exemple de modèle
2.4. Exploitation des simulations
2.4.1. Analyse graphique des résultats
2.4.2. Indicateurs de performance
2.5. Analyse des résultats
3. Couplage entre pilotage réactif et prédictif
3.1. Bref état de l’art
3.2. Principe du couplage
3.3. Modèle holonique
3.4. Application à un cas industriel
4. Implémentation
4.1. Choix d’un outil d’ordonnancement
4.2. Pilotage réactif ou pilotage dynamique ?
4.3. Solution adoptée
5. Conclusion
Chapitre 4 : Optimisation de la topologie d’une unité de traitement de surface
1. La problématique
1.1. L’implantation dans le cycle de vie de l’atelier
1.2. Le champ des solutions d’implantation
2. Quelques méthodes d’implantation
3. Méthodologie de résolution : algorithme génétique
3.1. Création d’une population initiale
3.2. Mécanisme de reproduction/sélection
3.3. Mécanisme de croisement
3.4. Mécanisme de mutation
3.5. Mécanisme de réparation
3.6. Test d’arrêt
4. Application à un cas industriel
4.1. Présentation du cas industriel
4.2. Exécution de l’algorithme
4.3. Résultats
5. Conclusion
Chapitre 5 : Aide au lancement des produits dans un RHSP
1. La prise de décision dans un système réactif
1.1. Exemple avec 2 produits
1.2. Exemple avec n produits
1.2.1. Définition des exemples
1.2.2. Montage expérimental
1.2.3. Résultats
2. Heuristique d’exploration
3. Résultats
3.1. Résultat de l’heuristique
3.2. Étude du nombre de pas d’optimisation
3.3. Étude du lancement successif de plusieurs instances de l’heuristique
4. Conclusion
5. Annexes : résultats du problème 2
Conclusion et perspectives
Liste des figures
Liste des tableaux
Bibliographie

Télécharger le rapport complet