26e journées STP du GDR MACS, Clermont Ferrand 2018

Session Commune Bermudes/META

Jeudi 22 novembre 2018: 11h00 à 12h30

Proposition un outil d’aide à la décision pour la (re-)conception des ateliers de production modulables

Mariem BESBES, Marc ZOLGHADRI, Roberta COSTA AFFONSO, Faouzi MASMOUDI, Mohamed HADDAR

LISMMA EA 2336

La satisfaction demandes clients de façon rapide et efficace nécessite entre autres une conception adéquate des systèmes de production. Cette problématique, connue sous le nom de « Facility Layout Design » ou « Conception (ou re-conception) d’Agencement d’Infrastructure, CAI » consiste à « déterminer l’organisation physique la plus performante d’un système de production en y intégrant N équipements dans un espace défini en respectant les contraintes tout en optimisant un ensemble d’objectifs de performance. Les auteurs dans (Tompkins et al. 2010) indiquent que l’agencement des équipements a un impact important sur la productivité et l’efficacité de l’entreprise (20% à 50% des dépenses d’exploitation totales dans les environnements de fabrication sont attribués aux coûts de transport des marchandises dans les ateliers).
Les problèmes de CAI sont traités selon : (i) les types de configuration des ateliers (Single row, multi-rows, multi-floor, cellulaire), (ii) les types de problèmes (allocation des machines, départements, flux de produits), ou encore (iii) le nombre d’objectifs (un seul ou plusieurs). Ces études tiennent compte également de la nature statique ou dynamique du problème. Toutefois, malgré le nombre important de travaux, la CAI est considérée parmi les problèmes les plus complexes dans la mesure où l’espace des solutions plausibles peut être très grand dû au nombre important de variables. A la lumière de ces limites, notre travail vise à fournir une nouvelle méthode de modélisation et de résolution pour apporter une aide à la (re)conception des ateliers de production en tenant compte de plusieurs contraintes. L’objectif est de minimiser le coût de transport entre les différents postes de travail. Ces coûts sont exprimés en fonction de la distance entre les équipements. Une première piste d’amélioration poursuivie a été d’utiliser l’algorithme A* pour identifier les distances entre les postes de travail de manière plus réaliste. En tenant compte des gammes de de fabrication des produits, cet algorithme détermine le chemin le plus court en évitant les obstacles et en respectant les voies de transport entre les postes de travail. La deuxième idée consiste à développer une méthodologie qui combine l’algorithme génétique et l’algorithme A* afin d’explorer des espaces de solutions de grande taille en s’assurant l’obtention d’une « bonne » configuration. Une analyse de sensibilité des opérateurs de croisement et de mutation ainsi que les valeurs des paramètres utilisés a été faite à l’aide de simulations de Monte Carlo.


Algorithme génétique pour un problème d’ordonnancement machine unique avec réentrance et taches couplées

Corentin LE HESRAN(1), Anne-Laure LADIER(1), Valérie BOTTAGENOULAZ(1), Valérie LAFOREST(2)

(1) Laboratoire DISP EA 4570, INSA Lyon (2) Laboratoire EVS UMR CNRS 5600, Mines Saint-Etienne

(2) Laboratoire EVS UMR CNRS 5600, Mines Saint-Etienne

Ces travaux s’intéressent à la résolution d’un problème d’ordonnancement machine unique avec réentrance et tâches couplées. Dans des travaux précédents, un modèle de programmation linéaire en nombres entiers a été proposé, prenant en compte des objectifs à la fois économiques (coûts d’inventaires) et environnementaux (nombre de setups générant des déchets) (Le Hesran et al, 2018). La résolution exacte d’instances de taille limitée a prouvé l’intérêt de cette méthode pour réduire l’impact environnemental de la production tout en maintenant les coûts de stockage faibles. Pour étendre l’applicabilité de ces travaux à des instances industrielles de grande taille, un algorithme génétique mono-objectif est présenté. La structure de l’algorithme ainsi que les opérateurs utilisés sont présentés, et des expérimentations numériques réalisées pour évaluer son efficacité.

 

Towards Energy Efficient Scheduling and Rescheduling for Dynamic Flexible Job Shop Problem

M. NOUIRI, D. TRENTESAUX, A. BEKRAR

LAMIH UMR CNRS 8201, Polytechnic University of France UPHF

Scheduling problems in the industrial sector are the most studied optimization problems. However, resolution approaches are not suited to a dynamic and increasingly uncertain environment. A Particle swarm optimization algorithm and a multi agent architectures were proposed to solve the Flexible Job Shop Scheduling Problem (FJSSP) without and with uncertainties. Testing our algorithms (PSO, MAPSO2) on different benchmarks has shown the effectiveness of the obtained results. An embedded implementation of the multi agent architecture was also proposed for the deployment of an intelligent and cooperative optimization tool based PSO

 

Liste des participants


Session Bermudes

Vendredi 23 novembre 2018: 8h30 à 10h30

 

Évaluation de la robustesse d’un ordonnancement soumis à des pannes machine – une approche basée sur les SED stochastiques

Sara HIMMICHE, Pascale Marangé

CRAN UMR-CNRS 7039

Le problème d’ordonnancement de la production est parmi les questions de recherche les plus traitées dans le domaine manufacturier. L’ordonnancement est caractérisé par l’allocation et le séquencement des tâches (de production ou de maintenance) aux ressources adaptées. Dans la littérature, la résolution de ce type de problème a pour objectif de trouver l’ordonnancement optimal par rapport à un critère qui intéresse le décideur. Mais face aux perturbations, d’autres objectifs doivent être considérés.
Dans cette présentation, nous traitons le problème d’ordonnancement de la production sous perturbations et plus précisément une perturbation due à une panne machine. L’objectif de nos travaux est d’évaluer la robustesse d’ordonnancements proactifs face à cette perturbation. Dans le contexte de l’aide à la décision, cette approche permet au décideur d’obtenir des informations sur la performance de l’ensemble des ordonnancements proactifs et ainsi de choisir le plus adapté pour son atelier de production.
Le problème d’ordonnancement robuste est souvent traité dans la littérature en utilisant les méthodes de Recherche Opérationnelle. Nous proposons ici une approche alternative basée sur des modèles des systèmes à événements discrets stochastiques et une méthode de vérification statistique pour évaluer la robustesse d’un ensemble d’ordonnancement proactifs. L’approche proposée permet dans un premier temps de formuler le problème d’ordonnancement ainsi qu’un indicateur probabiliste permettant de mesurer la robustesse. Dans un second temps, elle permet d’intégrer le modèle de la perturbation à celui de l’ordonnancement et ainsi d’évaluer l’impact d’une panne machine sur ce dernier.

 

Application of Machine Learning and Internet of Things to perform production scheduling in Industry 4.0

J.P. USUGA CADAVID

LAMIH UMR CNRS 8201

Production scheduling of complex processes has been the focus of numerous researchers as it supposes a nonlinear NP-hard optimization problem. Different solutions ranging from metaheuristics to graph theory have been proposed and some of them have achieved satisfactory results. Nevertheless, these models use static input data and they are unable to adapt to a dynamic manufacturing context, which jeopardizes the validity over time of the proposed solution. Industry 4.0 proposes a framework where information produced by an agent (object, person, machine, etc.) can be collected, stored, retrieved and analyzed. In such manner, data such as machines status, production level, inventory, worker’s activity or quality defaults can be used to update the aforementioned scheduling inputs. This research concerns the use of Machine Learning techniques coupled with Internet of Things to supply real time data and analysis to update the information and perform a context-aware production scheduling

 

Problématiques d’ordonnancement d’ateliers de fabrication additive

Anne-Lise ANTOMARCHI

Institut Pascal, Clermont-Ferrand

Les spécificités de la fabrication additive changent les méthodes habituellement utilisées en production. Au niveau opérationnel, la fabrication additive a un impact sur les méthodes d’ordonnancement. Dans cette présentation, nous proposons une méthode qui permet de distribuer les différentes pièces sur les plateaux, d’allouer les ordres de production aux machines et de les séquencer sur chaque machine. Pour réaliser ces trois étapes, un double problème doit être résolu : un problème de bin packing et un problème d’ordonnancement. L’approche proposée consiste à résoudre les deux problèmes ensemble en utilisant l’entropie croisée. La méthode développée est basée sur une heuristique de construction, sur la méthode de l’entropie croisée et sur la méthode de l’AHP pour l’évaluation multicritère.

 

Liste des participants