Acp

Nouvelles approches pour la formation des cellules de
production dans le cadre dune d

emarche de conception
Wafik Hachicha
To cite this version:

Wafik Hachicha. Nouvelles approches pour la formation des cellules de production dans le cadre
dune demarche de conception. Sciences de lingenieur [physics]. Ecole Nationale dIngenieurs
de Sfax, 2009. Francais. <tel-00430450>
HAL Id: tel-00430450

https://tel.archives-ouvertes.fr/tel-00430450
Submitted on 6 Nov 2009
HAL is a multi-disciplinary open access Larchive ouverte pluridisciplinaire HAL, est

archive for the deposit and dissemination of sci- destinee au depot et `a la diffusion de documents
entific research documents, whether they are pub- scientifiques de niveau recherche, publies ou non,
lished or not. The documents may come from emanant des etablissements denseignement et de
teaching and research institutions in France or recherche francais ou etrangers, des laboratoires
abroad, or from public or private research centers. publics ou prives.
Rapport des travaux de thse ENIS /U2MP
THSE
Prsente
Lcole Nationale dIngnieurs de Sfax
En vue de lobtention du
DOCTORAT
Dans la discipline Mcanique
Nom du doctorat : Gnie Mcanique
Par
Wafik HACHICHA
Mastre en Mcanique et ingnierie
Ingnieur en Gnie Industriel
NOUVELLES APPROCHES POUR LA FORMATION DES

CELLULES DE PRODUCTION DANS LE CADRE DUNE
DMARCHE DE CONCEPTION
Soutenu publiquement le 13 mars 2009, devant le jury compos de :
Prsident : M. Foued HALOUANI (Professeur lENIS)

Rapporteurs : M. Chedly BRADAI (Matre de confrences lENIS)
M. Samir LAMOURI (Professeur SUPMECA)
Examinateur : M. Zoubeir BOUAZIZ (Matre de confrences lENIS)

Encadreurs : M. Mohamed HADDAR (Professeur lENIS)
M. Faouzi MASMOUDI (Matre de confrences lENIS)
Wafik Hachicha Page 1

REMERCIEMENTS
Au moment o sachve lcriture de ce rapport de thse, jaurais pass Plus de
trois annes lUnit de Mcanique, Modlisation et Production (U2MP) de
lEcole Nationale dIngnieurs de Sfax (ENIS). Je remercie en premier lieu son
directeur, le Professeur Mohamed Haddar, de my avoir accueilli. Je tiens
galement lui exprimer ma profonde gratitude, en tant que directeur de thse,
pour son aide qui a permis deffectuer cette thse dans les meilleures conditions
possibles. Par ailleurs, je tiens remercier les membres du U2MP, chercheurs et
doctorants pour leur soutien et qui ont permis de faire avancer ces travaux dans
un contexte agrable.
Je tiens remercier tout particulirement, mon encadreur Monsieur Faouzi
MASMOUDI associant des qualits pdagogiques des rapports conviviaux, son
encadrement a t prcieux et professionnel ce qui ma permis datteindre les
objectifs qui avaient t assigns cette thse. Encore un grand remerciement
pour son soutien sans faille.
Jexprime mon profond respect et mes remerciements chaleureux Monsieur
Foued HALOUANI, le prsident du jury et tous les membres de jury savoir
Monsieur Chedly BRADAI, Monsieur Samir LAMOURI et Monsieur Zoubeir BOUAZIZ
qui ont bien voulu juger ce travail.
Enfin, jai une pense toute particulire pour ma mre, mon pre, mon pouse, ma
fille, mes surs, ma famille et tous mes amis qui ont si chaleureusement support
mon indisponibilit et qui, de prs comme de loin mont aid et encourag au

moment opportun.

RSUM
Dans ce travail de thse, nous avons propos des nouvelles approches pour la conception des
amnagements cellulaires (AC) et plus particulirement pour la formation des cellules (FC) de
production. La premire approche consiste appliquer la mthode danalyse en composantes
principale sur la matrice dincidence (produits/machines). La matrice de corrlation statistique
est exploite comme une matrice de similarit. Lanalyse du plan principal permet de grouper
simultanment les machines en groupes et les produits en machines. Des algorithmes pour
laffection des lments exceptionnels sont galement proposs.
Le problme de FC devient plus complexe en prsence de gammes alternatives. Dans ce

contexte, nous avons propos une deuxime nouvelle approche qui se base sur lapplication de
la mthode des plans dexpriences (factoriel, mthode de Taguchi). Lobjectif tant de choisir,
pour chaque produit, la gamme prfrentielle permettant loptimisation des indicateurs de
performance de FC. En plus, ce traitement permet dintroduire un aspect danalyse de la
sensibilit de la solution finale ignore par les techniques antrieures de la FC.
La troisime approche porte sur le dveloppement dune dmarche de conception base sur la
combinaison de la conception axiomatique avec la technique des plans dexpriences. Elle
permet de lister et dordonner les diffrentes tches ncessaires pour concevoir un AC. Les
autres approches que nous avons dveloppes sont valides travers cette dmarche.
Partant de lune des solutions initiales de rpartition des machines en cellules en prsence
dlments exceptionnels, la quatrime approche propose consiste appliquer la mthode de
simulation vnements discrets pour valuer puis amliorer la performance des cellules de
production. Plusieurs stratgies pourront tre tudies : admettre des lments exceptionnels
dans les diffrentes cellules, dupliquer les machines exceptionnelles, etc.
Les rsultats des tudes comparatives bases sur plusieurs indicateurs de performance, indiquent
que les approches proposes sont efficaces, efficientes et pratiques surtout dans leurs
accessibilits travers la disponibilit de plusieurs logiciels dans le march.
Mots cls: Amnagement cellulaire, Formation de cellules, Gammes alternatives, Elments

exceptionnels, Corrlation statistique, Analyse en composantes principales, Conception
axiomatique, Plan dexprience, Mthode de Taguchi, Simulation, Indices de performance.

ABSTRACT
The aim of this work is to propose new approaches for the design of cellular manufacturing
(CM) and principally for the cell formation (CF) which is consist in identifying the part families
and machine groups. The scope of the first approach is to formulate a multivariate approach
based on a correlation analysis for solving CF problem. The correlation matrix is used as
similarity coefficient matrix. A scatter plot analysis is applied as a cluster analysis to make
simultaneously machine groups and part families. Finally, an algorithm is improved to assign
exceptional machines and exceptional parts.
The CF problem are increasingly complicated if parts are assigned with alternative routings. The
second proposed approach is a first of its kind in CM literature that based on Taguchi method as
an optimization technique for the route selection problem which consist in determining a unique
route for each part. The obtained result goes across and beyond the previous researches by
providing the main effect of each part as a sensitivity analysis aspect.
In the third proposed approach, we provide a framework for the complete CM system design
which combines Axiomatic Design and Experimental Design to generate several feasible and
potentially profitable designs. The AD approach is used as the basis for establishing a systematic
CM systems design structure. ED has been a very useful tool to design and analyze complicated
industrial design problems.
The forth proposed approach presents a simulation-based methodology, which takes into
consideration the stochastic aspect in (CM) system, to create better cell configurations. An
initial solution is developed using any of the numerous CF procedures. The objective of this
proposed method which provides performances ratings and cost-effective consist in determine
how best to deal with the remaining exceptional elements. It considers and compares two
strategies: permitting intercellular transfer and exceptional machine duplication.
The results of a comparative study based on multiple performance criteria show that these
proposed approaches are very effective, efficient and especially in their availability in many
commercial software packages that make its easily practical.
Keywords: Cellular Manufacturing, Cell Formation, Alternative routings, Exceptional

elements, Statistical correlation, Principal components analysis, Axiomatic Design, Design of
experiments, Taguchi method, Simulation, Performance measures.

TABLE DES MATIRES
Introduction gnrale...............1
1. Contexte et motivation de ltude......1

2. Problmatique et objectifs du travail.....1
3. Organisation du mmoire.......2
Chapitre 1. Lamnagement cellulaire des systmes de production....5
1. Introduction...5
2. Les concepts damnagement des systmes de production.......5
2.1 Production unitaire6
2.2 Les industries de process...6
2.3 La production manufacturire.6
2.3.1 Amnagement en flux unidirectionnel ...6
2.3.2. Amnagement fonctionnel......7
2.3.3. Amnagement cellulaire (en lots)..8
2.3.4. Amnagement cellulaire hybride..........10
2.4 Comparaison entre les types damnagement...11
3. La Technologie de Groupe.13
4. Les mthodes de formation de cellules : Etat de lart.14
4.1 Mthodes bases sur la forme des produits...17
4.2 Mthodes bases sur la gamme de production des diffrents produits..19
4.2.1 Mthodes de la rorganisation de la matrice.19
4.2.2 Mthodes bases sur un groupement hirarchique........21
4.2.3 Mthodes bases sur la programmation mathmatiques...25
4.2.4 Mthodes bases sur la thorie des graphes...27
4.2.5 Mthodes bases sur un groupement non hirarchique.28
4.2.6 Mthodes bases sur la classification automatique....28
4.2.7 Mthodes bases sur lintelligence artificielle..................................................29
4.2.8 Mthodes bases sur des heuristiques....33
5. Conclusion........33

Chapitre 2. La formation des cellules base sur lanalyse des corrlations..35
1. Introduction.35
2. Les critres de performance des solutions.......37
2.1 Pourcentage des lments exceptionnel.37

2.2 Taux moyen dutilisation des machines.....38
2.3 Premier indicateur defficience de groupement....38
2.4 Deuxime indicateur defficience de groupement.38
3. Analyse des donnes....39
3.1 Objectifs de lanalyse des donnes..39

3.2 Mthodes danalyse de donnes..39
3.3 Mthode dAnalyse en Composantes Principales (ACP).........40
4. Description de lapproche propose..41
4.1 Cas des matrices dincidence binaires....41

4.1.1 Matrice des coefficients de similarit....42
4.1.2 Classification des machines et des produits...44
4.1.3 Algorithme daffectation des lments exceptionnels...45
4.1.4 Exemple de rsolution...46
4.2 Cas des matrices dincidence en dures.....51
4.2.1 Cas des demandes identiques de produits..51
4.2.2. Influence de la demande sur la solution de formation des cellules...53
5. Validation de lapproche propose....55
5.1 Premire tude comparative...55

5.2 Deuxime tude comparative..59
5.2.1 Etude comparative avec la mthode de Recuit Simul..63
5.2.2 Etude comparative avec la mthode de Recherche Tabou.....64
6. Conclusion.......65
Chapitre 3. Extension pour la formation des cellules avec gammes alternatives.66
1. Introduction.....66
2. Etat de lart..66

3. La mthode des plans dexprience...69
3.1 Gnralits........69
3.2 Vocabulaire...70
3.3 Type de plans....71
3.4 Mthode Taguchi.....72
3.4.1 La dmarche de la mthode Taguchi.73
3.4.2 Le choix dune table de Taguchi....73
4. Approche propose.....74
4.1 Architecture de lapproche propose.74

4.2 Application du plan factoriel..75
4.2.1 Slection des gammes....75
4.2.2 Formation de cellules.77
4.3 Validation de lindice PC....78
4.4 Application de la mthode de Taguchi...80
4.4.1 Problme de Kusiak (4 x 5 x 11)...80
4.4.2 Problme de Sankaran (6 x 11 x 20)..82
4.4.3 Problme de Nagi (20 x 20 x 51)...85
4.5 Validation de lapproche propose.92
5. Conclusion.......93
Chapitre 4. Dmarche globale pour la conception des cellules de production..94
1. Introduction.94
2. Le choix dune approche de conception96
2.1 Les processus de conception96

2.1.1 La conception systmatique (ou algorithmique)97
2.1.2 La conception axiomatique....97
2.1.3 La conception robuste..100
2.2 Comparaison des processus de conception et justification du choix.101
3. Proposition dune dmarche de conception102
3.1 Etat de lart relatif la conception axiomatique....102

3.2 Application de la conception axiomatique...102
3.3 Intgration de la mthode des plans dexpriences....104

4. Traitement des lments exceptionnels...105
4.1 Etat de lart.105

4.2 Evaluation des performances106
4.2.1 Les indicateurs de performances..107
4.2.2 Les modles dvaluation des performances...108
4.3 Lvaluation des performances par simulation...110
4.3.1 Utilisation de la simulation..111
4.3.2 Dmarche classique dutilisation de la simulation...112
4.4 Application de la simulation.115
4.4.1 Prsentation du problme.115
4.4.2 Construction du modle de Simulation117
4.4.3 Analyse des rsultats119
5. Conclusion.....122
Conclusion gnrale..............................123
Rfrences bibliographiques127

LISTE DES FIGURES
Chapitre 1. Lamnagement cellulaire des systmes de production
Figure 1.1 Amnagement en flux unidirectionnel.....7

Figure 1.2 Amnagement fonctionnel8
Figure 1.3 Amnagement cellulaire...9
Figure 1.4 Amnagement cellulaire RF...........10
Figure 1.5 Domaine dapplication des diffrents types damnagement.11
Figure 1.6 Schma de principe de la TG.14
Figure 1.7 Exemple dune matrice dincidence produits/machines.15
Figure 1.8 Rsultat de groupement en cellules15
Figure 1.9 Les classification des mthodes de conception cellulaire.....17
Figure 1.10 Exemple de structure dun code de classification des produits17
Figure 1.11 Exemple de classification de produits en familles base sur une codification.18
Figure 1.12 Classification des MCS............24
Figure 1.13 Lvolution des coefficients de similarit dans le temps..........24
Chapitre 2. La formation des cellules base sur lanalyse des corrlations
Figure 2.1 Place du deuxime chapitre dans les travaux de thse ..36
Figure 2.2 Architecture de lapproche propose pour la formation de cellules...43
Figure 2.3 Matrice dincidence initiale du problme de (Boctor, 1991)..................47
Figure 2.4 Matrice dincidence centre rduite relative au problme de Boctor.....47
Figure 2.5 Matrice S de similarit relative au problme de Boctor....48
Figure 2.6 Illustration du plan principal relatif au problme de Boctor..................................49
Figure 2.7 Solution initiale du problme de Boctor.50
Figure 2.8 Solution finale du problme de Boctor...50
Figure 2.9 Matrice dincidence initiale du problme de Chen (Chen et Guerrero, 1994)...51
Figure 2.10 Matrice S de similarit relative au problme de Chen............................................51
Figure 2.11 Illustration du plan principal relatif au problme de Chen...52
Figure 2.12 Solution finale propose du problme de Chen52
Figure 2.13 Solution finale du problme de Chen par lapplication de la mthode de King...52

Figure 2.14 Matrice dincidence du problme de Chen avec demande variable.53

Figure 2.15 Illustration du plan principal du problme de Chen avec demande variable54
Figure 2.16 Solution finale propose du problme de Chen avec demande variable..54
Figure 2.17 Solution finale du problme de Chen avec demande constante...............................54
Figure 2.18 Illustration du plan principal du problme (5 x 7)55
Figure 2.19 Solution de deuxime phase du problme (5 x 7)56
Figure 2.20 Solution finale du problme (5 x 7)..56
Figure 2.21 La matrice dincidence du problme (11 x 22)....56
Figure 2.22 Illustration du plan principal du problme (11 x 22)56
Figure 2.25 Illustration du plan principal du problme (16 x 43)....57
Figure 2.28 Les solutions trouves pour les dix problmes de (Boctor, 1991)...........63
Chapitre 3. Extension pour la formation des cellules avec gammes alternatives
Figure 3.1 Place du troisime chapitre dans les travaux de thse67

Figure 3.2 Systme tudi Bote noir .69
Figure 3.3 Graphes des effets du facteur A..70
Figure 3.4 Interactions entre deux facteurs A et B..71
Figure 3.5 Architecture de lapproche propose pour la FC avec gammes alternatives..74
Figure 3.6 Graphique des effets moyens de lexemple76
Figure 3.7 Graphe des interactions de lexemple.76
Figure 3.8 Illustration du plan principal de la configuration optimale de lexemple...77
Figure 3.9 Comparaison de PC aux indices de performances : PE, MU, EG1 et EG279
Figure 3.10 Les solutions finales de toutes les configurations possibles.79
Figure 3.11 Graphique des effets moyens relatifs au problme de Kusiak......81
Figure 3.12 Graphique des effets moyens relatifs au problme de Sankaran.83
Figure 3.13 Plan principal de la configuration optimale du problme de Sankaran....84
Figure 3.14 Graphique des effets relatifs au problme de Nagi..88
Figure 3.15 Plan principal de la configuration optimale du problme de Nagi.......88

Chapitre 4. Dmarche globale pour la conception des cellules de production
Figure 4.1 Place du quatrime chapitre dans les travaux de thse..95

Figure 4.2 Relation entre les domaines de conception...98
Figure 4.3 Zig-Zag entre les domaines selon la conception axiomatique99
Figure 4.4 Processus de la conception axiomatique99
Figure 4.5 Diagramme de dcomposition en EFs et PCs...103
Figure 4.6 Intgration des mthodes des plans dexpriences...105
Figure 4.7 Mthodes dvaluation des performances des systmes de production...109
Figure 4.8 Les domaines dapplication de la simulation...111
Figure 4.9 Processus de la simulation........114
Figure 4.10 Structure du modle de simulation construit..118
Figure 4.11 Lvolution du WIP durant une longue rplication........119

LISTE DES TABLEAUX
Chapitre 1. Lamnagement cellulaire des systmes de production
Tableau 1.1 Les principales distances et indices proposs en classification hirarchique....22
Chapitre 2. La formation des cellules base sur lanalyse des corrlations
Tableau 2.1 Modle de matrice de croisement pour des donnes multivaries...40

Tableau 2.2 Les valeurs propres relatives au problme de (Boctor, 1991)48
Tableau 2.3 Demandes des diffrents produits du problme de (Chen et Guerrero, 1994)....53
Tableau 2.4 Les diffrents problmes de validation....55
Tableau 2.5 Les rsultats de lapproche propose pour la FC.59
Tableau 2.6. Tableau comparatif avec la mthode de Recuit Simul..63
Tableau 2.7 Tableau comparatif avec la mthode de Recherche Tabou.64
Chapitre 3. Extension pour la formation des cellules avec gammes alternatives
Tableau 3.1 Les donnes de lexemple illustratif....75

Tableau 3.2 Les rsultats du plan factoriel complet de lexemple illustratif...76
Tableau 3.3 Solution finale de lexemple illustratif78
Tableau 3.4 Rsultats des diffrents indices de performances79
Tableau 3.5 La matrice dincidence (4 x 5 x 11) du problme de Kusiak...80
Tableau 3.6 Table de Taguchi L8 (41 x 24) relative au problme de Kusiak...81
Tableau 3.7 La solution finale obtenue du problme de Kusiak.81
Tableau 3.8 La matrice dincidence (6 x 11 x 20) du problme de Sankaran.82
Tableau 3.9 Table de Taguchi L16 (41 x 27) relative au problme de Sankaran...83
Tableau 3.10 La solution finale obtenue du problme de Sankaran85
Tableau 3.11 La solution du problme de Sankaran par la mthode de Kusiak..85
Tableau 3.12 La matrice dincidence (20 x 20 x 51) du problme de Nagi86
Tableau 3.13 Table de Taguchi L36 (39 x 27) relative au problme de Nagi....87
Tableau 3.14 La solution finale obtenue du problme de Nagi.......89
Tableau 3.15 La solution du problme de Nagi propose par (Joines et al. 1995)..89
Tableau 3.16 La solution du problme de Nagi propose par (Uddin et Shanker, 2002).......90
Tableau 3.17 La solution du problme de Nagi propose par (Malakooti et al. 2004)...90
Tableau 3.18 La solution du problme de Nagi propose par (Chan F.T.S et al. 2006).91

Tableau 3.19 Comparaison entre la solution propose et celles proposes en littrature91

Tableau 3.20 Les diffrents problmes avec gammes alternatives..92
Tableau 3.21 Les rsultats de lapproche propose.92
Chapitre 4. Dmarche globale pour la conception des cellules de production
Tableau 4.1 Solution initiale de formation des cellules115

Tableau 4.2 Les donnes du processus de production et de transfert...116
Tableau 4.3 Les temps de rglage..117
Tableau 4.4 Les rsultats de la configuration initiale pour les machines..120
Tableau 4.5 Les rsultats de la configuration initiale pour les produits121
Tableau 4.6 Les cots de traitement des EE..121
Tableau 4.7 Les rsultats aprs acquisition des machines exceptionnelles.......122

LISTE DES ABRVIATIONS

Franais
AC : Amnagement Cellulaire
ACP : Analyse en Composantes Principales
AdC : Attentes des Clients
AF : Amnagement Fonctionnel
FC : Formation de Cellules
EE : Elments Exceptionnels
EFs : Exigences Fonctionnelles
EG : Efficacit de Groupement
MCS : Mthodes bases sur des Coefficients de Similarit
NEE : Nombre des Elments Exceptionnels
NEV : Nombre des lments vides
NMA : Nombre de lots Moyen en Attente
NT : Le nombre de transferts intercellulaires
PC : Pourcentage Cumul
PCs : Paramtres de Conception
PEE : Pourcentage des Elments Exceptionnels
TAM : Temps dattente Moyen
TFM : Temps de Fabrication Moyen
TG : Technologie de Groupe
TGAO : Technologie de Groupe Assiste par Ordinateur
TU : Taux dUtilisation
TUM : Taux dutilisation des machines
TSM : Temps de Sjour Moyen
TT : Temps de Transfert
TTM : Temps de Transfert Moyen
UE : Le nombre des lments unitaires de la matrice
UT : Unit de Temps
VPs : Variables du Procd de fabrication
Anglais
ART : Adaptative Resonance Theory

BEA : Bond Energy Algorithm
DCA : Direct Clustering Algorithm
FCFS : First Coming First Served
ISNC : Ideal Seed Non-hierchical Clustering
MIT : Massachusetts Institute of Technology
ROC : Rank Order Clustering
WIP : Work In Process

INTRODUCTION GNRALE
1. Contexte et motivation de ltude
Les volutions successives du contexte industriel, telles que la grande variabilit des
marchs et le besoin de satisfaire les clients, conduisent la recherche de meilleures
mthodes pour la conception et lexploitation des systmes de production. Ceci est
notamment est du lvolution technologique des procds, et lautomatisation de leur
mise en uvre, ainsi que de la flexibilit et de la ractivit de leur exploitation.
Ces dveloppements rcents du domaine manufacturier et la course vers une productivit

accrue ont fait merger une panoplie de types damnagements des systmes
manufacturiers et en particulier de ladoption de lAmnagement Cellulaire (AC). En
effet, ce dernier minimise le parcours des produits et entrane une plus grande efficacit et
amliore la productivit des ateliers. Cest pourquoi, plusieurs entreprises cherchent
appliquer les amnagements cellulaires pour bien matriser leurs systmes de production
(McAuley, 1972). Ltape la plus importante pour adopter un AC est la formation des
cellules (ou lots), c'est--dire savoir comment identifier les familles de produits et les
groupes de machines.
La formation de cellules (FC) est dfinie classiquement, selon Burbidge (1975, 1992),
comme une variante de la Technologie de Groupe. Son principe consiste fabriquer un
ensemble de produits similaires (familles de produits) au moyen dun ensemble de
machines partitionn en sous-ensembles. Par exemple, il est possible de grouper les
produits en esprant profiter de leurs similarits fortes : mmes composantes, mmes
oprations, etc. Les machines peuvent tre groupes en fonction des gammes opratoires
dans loptique de limiter les mouvements intercellulaires et de rduire les manutentions.
Par la mme occasion, Burgess (1993) affirme que les temps de mise en route, les temps
de cycle et les en-cours peuvent tre rduits.
2. Problmatiques et objectifs du travail
Lvolution constate dans le domaine des systmes de production cellulaires depuis une
trentaine dannes est considrable, tant par laugmentation de la finesse des objectifs
poursuivis que par la sophistication des systmes informatiques qui supportent la

technique de rsolution adopte. Aussi, dun point de vue scientifique, on a assist au

cours de ces annes une floraison des travaux de recherche et des applications
industrielles.
En analysant ces travaux de recherche pour la conception et limplantation des systmes

de production cellulaires, nous avons constat dune part, que le problme de formation de
cellules est ancien (depuis les annes 60) en Technologie de Groupe (Burbidge, 1975).
Dautre part, ce problme a t rsolu par diffrentes techniques et mthodes, qui ont
fortement augment ces dernires annes. Nanmoins, nous constatons certaines limites
lapplication de ces mthodes due labsence dune dmarche globale pour la conception
des AC.
Nous avons constat que plusieurs recherches pour rsoudre le problme dimplantation et
damlioration des performances des cellules supposent une indpendance entre les
diffrentes cellules. C'est--dire quils ne prennent pas en considration le problme de
prsence dlments exceptionnels (EE) dans leurs solutions finales. Cette hypothse est
restrictive et rend ces travaux de recherches difficilement applicables dans lindustrie.
Pour aborder ce travail, nous nous sommes poss les questions suivantes :
Quels sont les principes des mthodes proposes en littrature pour rsoudre le
problme de formation de cellules ?
Comment analyser statistiquement les matrices dincidence pour la formation de
cellules ? (matrice dincidence binaire et matrice dincidence en dures
opratoires).
Comment traiter les lments exceptionnels et leurs effets sur la performance des
amnagements cellulaires ?
Peut-on proposer une dmarche globale pour la conception des amnagements
cellulaires ?
Comment envisager et traiter le problme de formation de cellules en prsence de
gammes alternatives ?
3. Organisation du rapport
Pour rpondre ces questions de recherche, nous avons organis notre travail en quatre
principaux chapitres organiss de la manire suivante.

Le premier chapitre prsente de manire plus dtaille le contexte de la thse. Dans un

premier temps, nous prsentons les diffrents types damnagements des systmes de
production. Dans un second temps, nous avons dtaill ltat de lart des mthodes de
formation de cellules avec une seule gamme prfrentielle. Lobjectif est danalyser des
travaux de la communaut scientifique pour identifier les approches, les mthodes et les
techniques utilises pour la rsolution de ce problme. Afin de prsenter la suite logique
des travaux dcrits tout au long de ce mmoire, un schma simplifi est propos en la
figure 1.
Matrice dincidence (produits machines)

binaire (en 0-1) ou en dure
Une seule gamme Avec gammes

possible multiples
Formation des cellules de production
Chapitre 2 Chapitre 3
La formation de cellules base Slection optimale des gammes
sur lanalyse des corrlations en utilisant des plans
statistiques dexpriences
Chapitre 4
Traitement des lments

exceptionnels bas sur la
simulation
Chapitre 4
Proposition dune dmarche de conception des
amnagements cellulaires
Figure 1. Architecture des travaux dvelopps dans ce rapport de thse
Dans le second chapitre, nous prsentons notre nouvelle approche pour la formation
simultane des familles de produits et des groupes de machines. Cette dmarche, base sur
lanalyse des corrlations statistiques comporte trois tapes. Dans une premire tape, la
matrice de corrlation est utilise comme matrice de similarit pour les produits et les

machines. Dans une seconde tape, lapplication de la mthode Analyse en Composantes

Principales (ACP) et lanalyse graphique du plan principal, permettent dune part la
rpartition des machines en groupes et des produits en familles et dautre part,
lidentification des machines et/ou produits exceptionnels. Lobjectif de la troisime tape
est daffecter ces lments exceptionnels (EE) aux cellules dj formes, tout en
maximisant la corrlation. Lavantage rside dans la simplicit, la rapidit de rsolution
ainsi que de la considration du nombre de cellules former comme variable dpendante
ou indpendante. Pour lvaluation et la validation de lapproche propose, nous lavons
appliqu sur des exemples reconnus de la littrature que nous avons compar aux rsultats
darticles plus rcents. De plus nous avons illustr que la mthode propose reste
satisfaisante pour des problmes dfinis par des matrices dincidences en dures
opratoires.
Dans le troisime chapitre, nous avons tudi une vision plus large du problme de
formation de cellules en tenant compte de la prsence de gammes alternatives pour chaque
produit. Plusieurs travaux de recherche ont trait ce problme dune manire squentielle,
itrative ou simultane. Linconvnient de ces approches rside dans la complexit des
modles proposs. En effet ils traitent en mme temps le problme de choix de gammes et
le problme de formation de cellules. Lapproche que nous proposons dans ce chapitre
consiste les sparer en deux tapes. La premire tape consiste choisir pour chaque
produit la gamme prfrentielle qui assure la meilleure performance de mise en cellules.
Dans cette tape, nous proposons dutiliser la technique des plans dexpriences. Ce qui
nous a permis dintroduire une analyse de sensibilit de la solution optimale selon les
diffrentes gammes possibles. Dans une deuxime tape, nous proposons dappliquer une
des mthodes de formation de cellules prsentes dans les deux chapitres prcdents.
Toutes les mthodes de formation des cellules proposes dans la littrature, ainsi que les
mthodes que nous avons dveloppes dans les chapitres 2 et 3, rpondent une seule
exigence fonctionnelle relative un problme global de conception des AC. Il existe
rarement, dans la littrature (Kulak et al. 2005), des travaux qui traitent le problme de
conception des AC dune manire globale, c'est--dire une dmarche qui touche tout les
aspects de lAC. Cest dans ce cadre que sinscrit le quatrime chapitre de ce mmoire de
thse. Nous avons dvelopp une dmarche de conception des AC base sur la conception
axiomatique et sur la technique des plans dexpriences.

Pour mettre en relief la dmarche de conception que nous proposons, nous allons revoir,
dans un premier temps, la problmatique tudie dans le troisime chapitre qui porte sur la
formation de cellules avec gammes alternatives. Dans un second temps, nous allons
prsenter une tude de cas pratique relative un problme de traitement des EE en se
basant sur la technique de simulation.
Nous finirons ce rapport de thse par une conclusion gnrale qui reprend les principaux
rsultats de notre recherche ainsi que les perspectives de ce travail.

Chapitre 1
LAMNAGEMENT CELLULAIRE DES

SYSTMES DE PRODUCTION
1. Introduction
Le problme trait dans ce travail de thse est lamnagement appel aussi lagencement
des systmes de production cellulaire. Ce problme se pose lorsquil sagit dimplanter ou
de rimplanter un systme de production. La rimplantation simpose lorsque les
caractristiques de fabrication des produits voluent de manire significative par une
augmentation importante du volume fabriquer ou par une modification de certaines
caractristiques des produits traits, ce qui entrane souvent une volution dans le nombre
ou/et dans limplantation des ressources utilises.
Pour commencer, nous proposons de prsenter les diffrents types damnagement des
systmes de production et lintrt que porte lamnagement cellulaire par rapport aux
autres amnagements. Nous ferons une analyse bibliographique des diffrentes mthodes
de Formation de Cellules (FC) de production.
2. Les concepts damnagement des systmes de production
Lanalyse des systmes de production montre lexistence de trois grandes typologies

dorganisation de la production : la production unitaire, les industries de process et la
production manufacturire. Dans les grandes entreprises, on peut trouver une juxtaposition
de modes dorganisation diffrents, spcialiss dans la production de rfrences
diffrentes (produits finis ou semi-finis).
Pour chaque systme de production, plusieurs structures logiques sont possibles et pour
chacune, plusieurs dispositions physiques des machines, dites amnagements, sont
possibles. L'amnagement doit, entre autres, optimiser la fluidit du flux de production
(Dolgui et Proth, 2006). Ce qui nous intresse dans ce travail est lamnagement des
ateliers de production manufacturire. C'est--dire les systmes de production qui peuvent

tre organiss principalement selon trois classes diffrentes : en ligne, fonctionnelle et en

cellule.
Notons bien quil est possible de trouver des amnagements hybrides, c'est--dire une
combinaison des diffrents amnagements classiques et cela pour des raisons de
complexit de produits ou doptimisation des moyens de production.
2.1 Production unitaire
Principalement, la production de type unitaire est un cas o lentreprise mobilise toutes

ces ressources pour la ralisation dun produit, et ce sur une assez longue priode .
Dans ce type de production, gnralement le produit est immobilis et les ressources sont
orchestres pour assurer le bon droulement des oprations de transformation
(construction dun ouvrage dart, la construction navale, etc.).
2.2 Les industries de process
Ce mode dorganisation se trouve dans les industries lourdes de transformation de

matires premires (sidrurgie, ptrochimie, certaines industries agro-alimentaires, etc.).
Ce type dorganisation se caractrise par un flux important et rgulier de matires
premires arrivant dans le systme productif pour y tre transform en une ou plusieurs
matires premires.
2.3 La production manufacturire
Les principales formes damnagement de la production manufacturire sont

lamnagement en flux unidirectionnel, amnagement en ateliers spcialiss (fonctionnel)
et lamnagement cellulaire.
2.3.1 Amnagement en flux unidirectionnel
Lorsque les quipements sont agencs pour permettre au flux de produits de transiter
systmatiquement par la mme squence de postes de travail nous parlons damnagement
en flux unidirectionnel. Durant leurs passages devant les diffrents postes, les produits
subissent un ensemble doprations de transformation ou dassemblage, conduisant la
cration dun produit ou dune famille de produits manufacturs. Cette logique de
processus de fabrication rsidant limplantation gographique des machines et leur

couplage aux moyens de manutention automatiss. On trouve couramment de telles

structures dans la production de masse (industrie automobile) et plus particulirement au
niveau de lassemblage final (Arnould et Renaud, 2003).
Les machines sont places, comme indiqu dans la figure 1.1, en ligne dans lordre de la
gamme de fabrication. Il ny a donc pas de points de rebroussement et les flux sont faciles
identifier. En revanche la flexibilit de ce type dimplantation est relativement faible. Ce
type dorganisation dateliers, dit aussi de type flow shop, permet la fabrication d'un seul
type de produit en grande srie (production de masse).
M1 M2 M3 M4 M5
Figure 1.1 Amnagement en flux unidirectionnel
Ce mode dorganisation repose sur une parfaite matrise des gammes opratoires et une
trs grande rgularit de circulation du flux. Nanmoins, loptimisation des niveaux des
stocks tampons ainsi que les problmes lis la fiabilit et la maintenance du matriel
sont fondamentaux puisque larrt dune machine provoque la paralysie de la chane.
Dans ce type de structure, les quipements sont spcialiss pour diminuer au maximum les
temps opratoires unitaires. Linconvnient de cette spcialisation (qui peut aller jusqu
lusage de machines spcifiques la chane) est que les quipements peuvent ne plus tre
utilisables lorsque la ligne de production doit tre transforme pour se spcialiser sur un
autre produit. (Nollet et al. 1986) soulvent un autre inconvnient de lamnagement
linaire en le situant par rapport la motivation des travailleurs et la qualit de leur travail
qui sy trouve affecte.
2.3.2. Amnagement fonctionnel
Gnralement, lorsquune entreprise fabrique un grand nombre de produits diffrents et en

petites quantits, lamnagement fonctionnel est adopt et il se base sur les procds et les
fonctions. Dans ce cas, latelier se compose de plusieurs dpartements Di (section
homogne) dont chacun est form de plusieurs machines Mi du mme type. Dans un
atelier de mcanique, on peut ainsi trouver, selon ce type damnagement, un dpartement
pour le fraisage, un second pour le tournage, un troisime pour le perage etc. La figure
1.2 prsente un exemple dimplantation fonctionnel comportant quatre dpartements.

Dans ce type dorganisation des ateliers, dit aussi de type Job shop, le transfert des
produits entre les dpartements se ralise selon leurs gammes de fabrication.
P1 M1 M2 M3 M4
M1 M2 M3 M4
M2 D3 P2
P2 M1 M4
D1 M2 D4
P1
M2
D2
Figure 1.2 Amnagement fonctionnel
Contrairement lamnagement en flux unidirectionnel, lamnagement fonctionnel qui

fait appel un flux de type Job shop permet de fabriquer une large varit de produits
avec des lots de petites tailles, ce qui rend le systme flexible. En plus, la panne dune
machine ne bloque plus la production. Par contre, le transfert des produits entre les
dpartements se ralise par lots et selon leurs gammes de fabrication ce qui induit un flux
complexe, des en-cours et des dlais de production importants.
La main duvre utilise est plutt qualifie et les quipements sont polyvalents. Le
problme de la gestion des approvisionnements est important dans ce type dorganisation
(Arnould et Renaud, 2003). Ce dernier conduit inluctablement des cots de
manutention relativement importants. De plus, la multiplicit de routages des produits
entre les postes de travail pose des problmes complexes dordonnancement. Ils
conduisent des files dattente plus ou moins grandes et une mauvaise utilisation des
ressources disponibles en hommes et en machines.
2.3.3. Amnagement cellulaire (en lots)
Lamnagement fonctionnel implique des problmes de logistique importants, puisquil

faut grer efficacement les transports dencours entre les ateliers. Les techniques de
localisation optimale des ateliers permettent de minimiser ces cots de logistique, mais pas
de les liminer. Ces dpenses croisent en tout tat de cause avec la taille de lusine et lon
est l en prsence de vritables dsconomies dchelle . Le plus souvent, la taille
dune usine organise en ateliers spcialiss sexplique par la diversit de sa production.
Une parade a t imagine pour contrer ces dsconomies dchelle. Elle est connue sous

le nom de Technologie de Groupe et de formation des cellules de production que nous

allons dtailler dans les paragraphes suivants.
On scinde lusine en un nombre limit de cellules correspondant de vritables sous

usines . Chaque cellule est spcialise dans la fabrication dune famille de produits, c'est-
-dire un sous-ensemble de rfrences produire. La runion de ces familles donne la
totalit des rfrences que lentreprise peut produire. Les familles de produits sont dfinies
suivant une base technique (similitude des gammes de production, importance voisine des
cellules, etc.). Cette dfinition et la dtermination du nombre de cellules restent trs
empiriques mme si certaines techniques, qui seront dtailles dans le second chapitre,
sont utilisables pour rsoudre certains problmes de complexit plus ou moins limite
(Joines et al, 1996).
Lamnagement cellulaire est obtenu en se basant sur lanalyse des produits et de leurs
gammes de fabrication. Les produits similaires de point de vue forme ou processus de
production sont groups pour former une famille de produits et les machines ncessaires
au traitement de chaque famille sont leur tour assembles en groupes. Les couples
familles groupes constituent les cellules de fabrication.
Ce type damnagement cellulaire est illustr la figure 1.3 par un exemple qui comporte
quatre cellules.
Famille de
P1 M1 M3 M1 M2
M4 M2
M2
C1 C2
Famille de
P2 M1 M2 M3 M2
M4 M4
C3 C4
Figure 1.3 Amnagement cellulaire
Une cellule peut produire des types de produits dont la varit et les volumes sont moyens.
Cependant, toute cellule devrait tre autonome. Sinon, tout mouvement de transfert
intercellulaire pourrait engendrer la dgradation des performances de lamnagement
cellulaire.

Les principaux avantages de lamnagement cellulaire sont de pouvoir amliorer la

flexibilit, la productivit et le respect des dlais dans les ateliers de production en petites
et moyennes sries et de rendre plus ais les tches de pilotage. Les similarits de
conception et de fabrication existant entre les produits appartenant une mme cellule
permettent une rduction du temps de rglage des machines et une standardisation des
outils. La concentration de la fabrication sur une cellule minimise le parcours des produits
et entrane une plus grande efficacit.
2.3.4. Amnagement cellulaire hybride
(Jensen et al. 1996) propose un amnagement hybride qui reprend laspect de

lamnagement fonctionnel et le mode de pilotage de lamnagement cellulaire. En effet,
les produits groups en familles sont traits par des cellules qui peuvent comporter
plusieurs machines du mme type. De ce fait, cet amnagement se caractrise par un
compromis entre la flexibilit de lamnagement fonctionnel et la rduction du temps de
rglage engendre par la rservation de chaque cellule une ou plusieurs familles de
produits.
La figure 1.4 prsente les mmes ressources du systme manufacturier trait au paravent
dans les figures 1.2 et 1.3 et qui sont organiss en un amnagement cellulaire not par RF
(Jensen et al, 1996). Cet amnagement se compose de deux cellules. Chacune traite un
nombre de familles de produits.
M1 M2 M2 M4
Familles de
produit M1 M2 M3 M3 Cellule 1
M2 M4
Autre familles M1 Cellule 2
de produits M2 M4
Figure 1.4 Amnagement cellulaire RF
(Flynn et Jacobs, 1986) dfinissent un second type damnagement hybride qui est
physiquement semblable lamnagement fonctionnel. En effet, les machines du mme
type sont groupes sauf quelles ne sont pas considres interchangeables. Par contre, le
pilotage de cet amnagement est semblable celui pour lamnagement cellulaire. En
effet, chaque machine est rserve la production de produits similaires. La rservation de

machine la production dune famille de produits annule toute la flexibilit qui caractrise
lamnagement fonctionnel, cependant elle permet de rduire les temps de rglage.
Depuis quelques annes, nous trouvons des organisations dites en cellules virtuelles
correspond des agencements temporaires des ressources lies au portefeuille de
commandes excuter, ce qui permet une plus grande flexibilit et une meilleure
utilisation du systme productif. En contre partie, le systme dinformation ncessaire est
plus complexe.
2.4 Comparaison entre les types damnagement
Le problme qui se pose pour lindustriel est le choix dun des types damnagement que
nous venons de prsenter. (Campagne, 2001) indique que deux critres conditionnent
principalement le type damnagement retenu pour les systmes de production
manufacturire: la varit et les volumes de production. La figure 1.5 montre que le choix
entre les types damnagement est essentiellement conditionn par ces deux critres. Il est
noter que, par le terme varit , il convient dentendre la varit des processus, et non
des produits. Par exemple, dans lindustrie automobile, la varit des produits finis est trs
grande ; en revanche, le processus de ralisation est pratiquement identique pour tous ces
produits, ce qui permet de travailler sur une ligne dassemblage unique.
Par dfinition, les amnagements cellulaires (AC) prsentent plusieurs avantages par
rapport aux amnagements fonctionnels (AF). Dans ce cadre, plusieurs chercheurs ont
effectu des tudes de comparaison entre ces deux types damnagements.
Volume de production
Zone 1
Amnagements
linaires Zone 2
Amnagements
cellulaires
Varit (des
Amnagements
processus)
fonctionnels
Figure 1.5 Domaine dapplication des diffrents types damnagement (Campagne, 2001)
(Flynn et Jacobs, 1986) ont effectu la simulation du modle dun atelier existant pour
comparer lAC avec AF tout en tudiant plusieurs modes de pilotage de ces deux

amnagements. Les rsultats de cette simulation montrent que lAC est meilleur dans
toutes les situations. En effet, lAC prsente un temps de sjour et un niveau dencours
plus petits.
(Moris et Tersine, 1990) ont de leur ct introduit les effets des ratios de flux (temps de
rglage/temps de fabrication) sur les performances relatives des systmes manufacturiers
AC et AF. Lobjectif de cette tude est de rechercher un environnement idal pour la
supriorit de lamnagement cellulaire par rapport lamnagement fonctionnel, ils ont
pour cela effectu quatre expriences de simulation bases sur les ratios de temps de
rglage/temps de fabrication, le temps de transfert du matriel, la stabilit de la demande
et le flux des produits dans les cellules en analysant leurs influences sur le choix de
lamnagement. Les rsultats de ces simulations montrent que les conditions idales pour
la supriorit de lAC sont obtenues lorsque les temps de rglage sont levs, la demande
en pices est prdictible, le flux des pices travers les cellules est unidirectionnel et le
temps de transfert est lev.
Quant (Jensen et al. 1996), ils ont de leur ct tudi les effets de plusieurs facteurs dont
la variabilit de la demande en produits, les niveaux de rduction du temps de rglage
engendr par laccoutumance des machines tout en introduisant dans leur comparaison la
notion dun amnagement cellulaire modifi (RF) combinant le fonctionnement des deux
amnagements. Ils ont conclu que les amnagements RF et AC sont meilleurs que
lamnagement AF quand les niveaux de la variabilit de la demande et daccoutumance
des machines sont levs.
En effectuant une srie de simulations, (Faizul et al. 2001) ont quant eux tudi les effets
de la taille des lots et de la rduction du temps de rglage. Par cette tude, ils ont montr
que pour certaines combinaisons des valeurs de taille de lots et de facteurs de rduction de
temps de rglage, les performances de lAC sont infrieures celles de lAF.
La majorit de ces tudes comparatives (Shambu et al. 1996), ont abouti la supriorit de
lamnagement cellulaire par rapport lamnagement fonctionnel. Cependant dans
quelques cas particuliers (Agarwl et Sarkis, 1998), on peut constater linverse et aboutir
des conclusions paradoxales. (Chtourou et al. 2008) ont expliqu les causes de ce
paradoxe et indiquent quil provient gnralement de la gnralisation inapproprie de
rsultats qui ne sont valides que sous certaines conditions relatives aux caractristiques du
processus de fabrication. En effet, lanalyse de la figure 1.5 montre une zone de validit
propre pour chaque type damnagement. Les zones qui ncessitent des tudes

comparatives entre les types damnagement sont celles des intersections o les deux
types damnagements sont possibles.
Dans ce travail de thse, le choix dappliquer lamnagement cellulaire est notre

hypothse principale. Ce choix peut tre justifi soit principalement selon la varit et le
volume de production (zone 1 de la figure 1.5), soit lventuelle supriorit de
lamnagement cellulaire par rapport lamnagement fonctionnel (Zone 2).
3. La Technologie de Groupe
Comme nous lavons dj vu prcdemment, lamnagement fonctionnel implique des

problmes importants de logistique, puisquil faut gnrer efficacement les transports
dencours entre les ateliers. Les techniques dimplantation ou de localisation optimale des
ateliers permettent de minimiser les cots de logistique, mais pas de les liminer. Ces
dpenses croissent en tout tat de cause avec la taille de lusine et lon est l en prsence
de vritables dsconomies dchelle . Le plus souvent, la taille dune usine organise
en ateliers spcialiss sexplique par la diversit de sa production. Une solution a t
imagine pour contrer ces dsconomies dchelles. Elle est connue sous le nom de
technologie de groupe (TG) ou dans certain cas, technologie de groupe assiste par
ordinateur (TGAO). La TGAO est une mthode qui consiste regrouper les pices pour
les concevoir et les fabriquer en tirant profit de leurs analogies.
Le premier qui a propos de manire formelle et scientifique la TG est le sovitique

Mitrofanov en 1959 (McAuley, 1972). Il a dfinit le concept de pice compose par
une pice imaginaire qui prsente tous les dtails gomtriques existant dans les pices qui
composent une famille. Pour appliquer la TG, il est recommand de faire une analyse
gomtrique des pices et davoir les gammes dusinage de chaque pice. (Burbidge,
1992) est lun des pionniers de la TG. En effet, il dfinit la fabrication cellulaire comme
une nouvelle approche pour la gestion de la production qui vise obtenir des avantages
conomiques pour la production en batch, semblables ceux dj atteints dans une
production en ligne .
La TG, galement nomme groupement analogique , est un bon outil pour rationaliser
et ordonner la production, des pices aux diffrents stades de leur ralisation. La TG
sadresse aux entreprises qui :
ont la matrise de la conception et de leur mise en uvre,
produisent des varits de produits complexes,

fabriquent des produits interdpendants (besoins communs et moyens spcifiques)

dont la production est ralise par lots rptitifs, etc.
En particulier, le passage dun AF un AC demande de dcomposer lensemble des

machines en sous-groupes. La dcomposition sur les produits et sur les moyens de
production est symtrique. Le processus de dcomposition est prsent sur la figure 1.6.
Le but est videmment dobtenir les cellules. La principale difficult est que de
nombreuses machines sont prsentes en plusieurs exemplaires. Laffectation des produits
se fait aux types de machines et non aux machines. Les donnes dentres sont donc des
types de machines. La dcomposition de lensemble des types de machines dbouche donc
sur un recouvrement, car un type de machine peut se trouver dans plusieurs cellules
diffrentes. Or, si les mthodes permettant dobtenir des partitions sont nombreuses, celles
utilises pour obtenir des recouvrements sont trs rares. Cest pourquoi la majorit des
mthodes cherche partitionner lensemble des produits en familles de produits, et
laisser un oprateur la charge de vrifier si les cellules correspondantes sont faisables ou
non.
Ensemble de Ensemble de types

types de produits de machines
Partitionnement Dcomposition
des produits en sous-groupes
Familles de Cellules de Recouvrement de lensemble

produits production des types de machines
Figure 1.6 Schma de principe de la TG (Baptise et Baboli, 2001)
Les principaux avantages de cette approche sont de pouvoir amliorer la flexibilit, la

productivit et le respect des dlais dans des ateliers de production travaillant en Batch.
Les similarits de conception et de conception et de fabrication existent entre les produits
appartenant une mme cellule de production permettant une rduction du temps de
rglage des machines et une standardisation des outils. La concentration de la fabrication
sur une cellule minimise le parcours des produits et induit une diminution des temps non
productifs de fabrication. De plus (Burgess et al. 1993) ajoute dautres avantages qui se
manifestent dans la plus grande spcialisation de la main duvre et dans la rduction des
stocks.

Pour crer les familles de produits, deux lments-clefs doivent tre considrs, le premier
lment est le choix des donnes de dpart utilises pour la classification. Le second est la
mthode mme de classification utilise.
4. Les mthodes de formation de cellules : tat de lart
Ces mthodes sont, globalement, toutes des mthodes utilises en classification

automatique. Le problme est par essence, un problme dapprentissage automatique non
supervis (les classes ne sont pas connues priori). On cherche donc obtenir
simultanment les classes (cellules) et les fonctions dappartenance (ou les fonctions
discriminantes). Il est noter que ces mthodes ne sont en aucun cas spcifiques la TG,
mais elles ont t utilises dans ce contexte (Singh et Rajamani, 1996)
Ces mthodes partent dune matrice appele matrice dincidence gnralement binaire,
ayant autant de lignes que de produits, et autant de colonnes que de machines, (voir figure
1.7).
Il y a deux faons de prsenter la matrice dincidence comme lindiquent les lments aij.
Matrice dincidence en binaire : aij = 1 si le produit i est trait par la machine
j
et aij = 0 sinon
Matrice dincidence en dures : aij = dure de lopration subie par le produit i
sur la machine j
M1 M2 M3 M4 M5 M6 M2 M4 M3 M1 M5 M6
P1 1 0 0 0 1 1 P3 1 1 1 0 0 0
P2 1 1 0 0 1 1 P6 1 1 0 0 0 0
P3 0 1 1 1 0 0 P4 1 1 0 1 0 0
P4 1 1 0 1 0 0 P5 1 0 1 0 0 1
P5 0 1 1 0 0 1 P7 1 0 1 0 0 0
P6 0 1 0 1 0 0 P1 0 0 0 1 1 1
P7 0 1 1 0 0 0 P2 1 0 0 1 1 1
Figure 1.7 Exemple dune matrice Figure 1.8 Rsultat de groupement en
dincidence produits/machines (donnes cellules
initiales)

Lobjectif des mthodes utilises en TG est de constituer des blocs (voir figure 1.8).
Chaque bloc correspond une famille de produits et le groupe de machines ncessaires
pour le traitement de ces produits, on obtient ainsi des cellules de production.
La constitution des cellules est rarement parfaite, car il est possible davoir des lments
aij gale 1 et qui se trouve hors groupement des blocs voir figure 1.8, ils sont appels des
lments exceptionnels exceptional elements (Shafer et al.1992). Les lments nuls de
la matrice qui sont situs dans les blocs, sont dits des lments vides void elements .
Dans la littrature, plusieurs problmes cits sont lis limplantation des systmes de
production cellulaire. Ils peuvent tre principalement regroups en trois familles :
1) La premire famille soriente vers la conception ou la formation des cellules. Ce

problme est de type combinatoire et comporte lui mme trois variantes principales :
le regroupement des machines en des sous groupes et les produits en familles :

(grouping machines into cells and parts into families) ou (machine-part cell
formation problem),
la minimisation des mouvements intercellulaire : (minimization of the inter-cells

movements of parts),
le groupement des machines en sous groupes avec lexistence de gammes

alternatives, c'est--dire lorsquil existe plusieurs scnarios de fabrication possibles
pour un mme produit : (Cell formation problem with alternative routings) ou
(Cell formation problem with multiple process plan).
2) La seconde famille concerne limplantation ou lagencement des machines dans leurs

cellules. Le problme peut sintresser aussi limplantation dune cellule par rapport aux
autres : (Facility layout problem).
3) La troisime famille concerne le dimensionnement des cellules et lamlioration des

performances : nombres de machines ncessaires par type de machine, la capacit de
stockage ncessaire, etc. Ce type de problme peut tre abord pour minimiser les
mouvements intercellulaires.
Dans ce chapitre nous traitons le problme de la premire famille savoir le problme de

regroupement des machines en sous groupes et les produits en familles. Dans la littrature,
plusieurs classifications de mthodes de rsolution ont t proposes, comme dans (Joines
et al. 1996), (Singh et Rajamani, 1996), (Shambu et al. 1996), (Slim et al. 1998), (Yin et
Yasuda, 2005), (Yin et Yasuda, 2006), (Defersha et Chen, 2006), etc.

Ces travaux indique que les mthodes de conception des systmes cellulaires peuvent tre
groupes en deux catgories. La premire se base sur la forme des produits et exploite la
ressemblance physique des produits pour les grouper en familles. La seconde, se base sur
les gammes de production et exploite la similarit des oprations pour grouper les produits
en familles. La figure 1.9 montre les principales mthodes composant ces deux catgories.
Une autre classification des mthodes de FC est frquemment cite dans la littrature (Yin
et Yasuda, 2006). On trouve trois dmarches pour la FC la :
classification des produits en familles seulement (Kusiak,1987) ou lidentification

des sous groupes de machines uniquement (Rajamani et al. 1990),
classification des produits en familles puis identification des groupes de machines

(Choobineh, 1988),
identification simultane des familles de produits et des groupes de machines (Adil

et al. 1993). Cette classe est la plus avantageuse, par rapport aux deux autres, car
elle exclut linfluence de lordre de formation des familles de produits et/ou
groupes de machines.
Conception des systmes cellulaires
Forme des produits Gamme de production des produits

(Oriente produit) (Oriente Processus)
Classification et codage Autres
Rorganisation Groupement Intelligence Groupement

de la matrice hirarchique artificielle automatique
Programmation Thorie de Groupement non

Heuristique hirarchique
mathmatique graphe
Figure 1.9 La classification des mthodes de conception cellulaire (Joines et al. 1996)
4.1 Mthodes bases sur la forme des produits
La mthode principale, appele aussi mthode de classification et de codage, consiste

assigner des codes aux diffrents produits en se basant sur leurs aspects physiques (Singh

et Rajamani,1996). Elle est base principalement sur la forme de lobjet (cylindrique,

paralllpipdique, plat, creux, etc.), sur ses dimensions et sur dautres critres propres au
mtier de lentreprise (mode dassemblage, type de lopration de fabrication, matire,
quantit produite, etc.).
Type de matire premire

Forme du produit
Quantit produite
Tolrances
Figure 1.10 Exemple de structure dun code de classification des produits
Comme lindique la figure 1.10, ce code comporte plusieurs donnes concernant les
caractristiques de chaque produit, telles que la nature de la matire premire utilise, les
formes, les tolrances, etc. Les produits prsentant des aspects similaires possdent les
mmes codes assurant ainsi une connexion entre les caractristiques des produits et le
groupement des machines. Dans la figure 1.11, on prsente un exemple de classification
des diffrents codes en familles.
1XXX
11XX 13XX
12XX
121X 122X 123X
1211 1212 1221 1222 1223 1231 1232 1233
Famille de produits
Figure 1.11 Exemple de classification de produits en familles base sur une

codification des produits
Les mthodes bases sur la classification sont les plus anciennes de la TG, en effet les
mthodes bases sur les gammes de production ne sont en aucun cas spcifiques la
TGAO, mais elles ont t utilises dans ce contexte (Singh et Rajamani,1996).
Plusieurs travaux ont propos ou utilis des coefficients de similarit pour rsoudre le
problme de formation des cellules. Ils emploient des coefficients de similarit, entre les

lots de pices et/ou des machines, comme critre pour lobtention des cellules de
production. Le point de dpart de ces mthodes est gnralement une matrice de distance
entre produits et/ou machines classer. Lobjectif est davoir un indicateur qui mesure la
ressemblance ou la diffrence entre produits et/ou machines classer. Daprs (Baptise et
Baboli, 2001), plusieurs indices et distances ont t proposs (indice de Jaccard, indice de
Kullezynki, distance de Hamming, etc.).
Les coefficients de similarit entre les produits (ou machines) sont communment
reprsents par une matrice carre de similarit. Il est noter que les mthodes qui
intgrent lemploi de coefficients de similarit entre les machines font intervenir les
gammes de production des diffrents produits. Par consquence, ces mthodes
appartiennent la deuxime classe que nous allons tudier dans le paragraphe suivant.
4.2 Mthodes bases sur la gamme de production des diffrents produits
Durant le groupement des familles de produits et des cellules, la plupart des mthodes se
basent sur les gammes de production. La plus simple de ces mthodes est celle de
lorganisation de la matrice dincidence produits/machines.
4.2.1 Mthodes de la rorganisation de la matrice (Array-Based Clustering)
La mthode de rorganisation de la matrice dincidence consiste alors arranger lordre

des lignes et des colonnes afin dobtenir une matrice forme de blocs tout le long de la
diagonale. Ces blocs permettent didentifier les groupes de machines formant les cellules
ainsi que les familles de produits qui peuvent tre fabriques par ces cellules. Plusieurs
travaux ont t dvelopps pour la rorganisation de la matrice dincidence dont
notamment les plus connus ceux de la mthode propose par Kuziak (Kusiak, 1987) et de
celle propose par King (King, 1980), (King et Nakornchai, 1982).
Les mthodes de la rorganisation de la matrice sont les plus simples mthodes bases sur
les gammes de production des produits. Lavantage majeur de ces mthodes rside sur la
formation simultane des groupes de machines et des familles de produits.
4.2.1.1 Algorithme de maximum dnergie : Bond Energy Algorithm (BEA)
Cette mthode est initialement propose par McCormick en 1972 (Singh et

Rajamani,1996). Elle se base sur la liaison entre un lment de la matrice dincidence et

ces quatre proches voisins. Daprs McCormick, ces liaisons peuvent tre consides
comme une energie.
Pour une permutation dune ligne L et une permutation dune colonne C de la matrice,
lexpression de lnergie totale est donne par lquation (1).
1 m p
TBE(L, C) = a ij [a i, j1 + a i, j+1 + a i1, j + a i+1, j ]
2 i =1 j=1
(1)
Avec a 0,j = a m+1,j = ai,0 = ai,n+1 = 0

m: le nombre de machines
p: le nombre de produits
La mthode BEA consiste dterminer la valeur du TBE pour toutes les permutations
possibles (m!.p!). La solution finale retenue est celle qui maximise le TBE.
Linconvnient de cette mthode est principalement le nombre trs lev des permutations
possibles dans une matrice dincidence.
4.1.2.2 Classification par ordre: Rank Order Clustering (ROC)
Cest une mthode itrative propose par King (King, 1980) qui consiste limiter le
nombre des permutations des lignes et des colonnes de la mthode BEA. Cette limitation
est assure par le calcul dun poids chaque itration.
Etape 1 : pour chaque machine j (avec j = 1, 2,...m ), affecter un poids de puissance de 2
chacun des produits puis calculer lquivalent dcimal cj en sommant les poids des
p
produits en utilisant la machine j. C'est--dire c j = 2 p i a ij
i =1
Ordonner les colonnes dans lordre dcroissant de lquivalent dcimal. En cas dgalit,
on respecte lordre des machines.
Etape 2 : Pour chaque produit i (avec i = 1, 2,...p ), affecter un poids de puissance de 2
chacune des machines puis calculer lquivalent dcimal ci en sommant les poids des
m
machines qui figurent dans la gamme du produit i. C'est--dire ri = 2 m j a ij
j=1
Ordonner les lignes dans lordre dcroissant de lquivalent dcimal. En cas dgalit, on
respecte lordre des produits.

Etape 3 : Si la nouvelle matrice dincidence reste inchangeable par ces itrations, alors
arrter la procdure de classification, sinon reprendre ltape 1.
Plusieurs chercheurs, comme (Chan et Milner, 1982), (Chu et Tsai, 1990), (King et
Nakornchai, 1982), et en particulier King lui-mme, ont identifi et expliqu des limites
de cette mthode itrative. En effet, la qualit de la diagonalisation dpend fortement de la
configuration initiale de la matrice dincidence. Il est clair quun lment exceptionnel
peut tre affect par un grand poids indpendamment de sa nature. (King et Nakornchai,
1982) proposent une amlioration de cette mthode sous le nom de ROC2.
4.1.2.3 Algorithme de classification directe : Direct Clustering Algorithm (DCA)
Cette mthode itrative est dveloppe par (Chan et Milner, 1982). Elle consiste
permuter les lignes et colonnes pour regrouper le maximum de nombre de 1 .
Etape 1 : Compter le nombre des 1 pour chaque colonne et pour chaque ligne de la
matrice dincidence initiale. Ordonner les lignes dans lordre croissant et les colonnes dans
lordre dcroissant.
Etape 2 : Commencer avec la premire colonne de la matrice dincidence. Mettre toutes

les lignes en haut pour former des blocs. Sil y a des lignes avec des 1 qui ne figurent
pas dans le bloc, dplacer ces lignes vers le bloc juste en bas. Une fois quune ligne est
affecte un bloc, elle reste inchange (Il est noter quil nest pas ncessaire de procder
avec toutes les colonnes).
Etape 3 : Si la nouvelle matrice dincidence reste inchangeable, alors arrter, sinon aller
ltape 4.
Etape 4 : Commencer avec la premire ligne de la matrice et placer toutes des colonnes
gauche (comme dans ltape 2).
Etape 5 : Si la nouvelle matrice dincidence reste inchangeable, alors arrter, sinon

reprendre ltape 2.
4.1.2.4 Comparaison entre les mthodes de la rorganisation de la matrice
Pour la comparaison entre les mthodes BEA, ROC et DCA, (Chu et Tsai, 1990) et
(Shafer et Meredith, 1990) ont signal que la mthode BEA est significativement
meilleure que les deux autres avec des problmes de formation de cellules avec ou sans
lments exceptionnels. Les trois mthodes sont efficaces et simples, mais elles prsentent
plusieurs inconvnients. Dune part, elles ne tiennent pas compte dautres paramtres de

conception cellulaire comme la capacit maximale de chaque cellule et les dures

opratoires des produits sur les machines. Dautre part, elles ncessitent une intervention
et une inspection manuelle pour valider la composition finale des cellules de production. Il
semble que la recherche scientifique pour le dveloppement des mthodes de la
rorganisation de la matrice dincidence sest arrte dans les annes 90.
4.2.2 Mthodes bases sur un groupement hirarchique
Une mthode de groupement hirarchique se base sur la dfinition dun coefficient de

similarit ou dune distance entre les produits et les machines. Lobjectif est de classer les
lments (produits et machines) similaires ensemble selon leurs similarit.
La classification hirarchique a souvent t propose en TGAO, principalement cause de

sa simplicit de mise en uvre. Le point de dpart de la mthode est une matrice distance
entre produits classer. Plusieurs indices ont t proposs et calculs partir de la matrice
dincidence binaire (Baptise et Baboli, 2001)), citons par exemple :
La distance de Hamming
La distance de Hamming pondre
Les autres critres sont des indices de similarit, donc dautant plus grands que les
produits sont semblables.
Le tableau 1.1 prsente la dfinition des distances et des indices de similarit les plus
rpondus en littrature. On note P : le nombre de coprsence, A : le nombre de co absence,
N : nombre de non concidence et T = P + A + N . Ensuite, partir de la matrice de
distance, lalgorithme est le suivant :
Dbut
Faire une classe de produit
Tant quil reste plus dune classe faire
Dbut
Chercher les deux classes les plus proches et les regrouper en une seule
Recalculer les distances de cette nouvelle classe
Fin
Fin.

Tableau 1.1 Les principales distances et indices proposs en classification hirarchique
Distances et indices de similarit Expressions

N
Distance de Hamming
T
N
Distance de Hamming pondre
N+P
P
Indice de Jaccard
P+N
P
Indice de Kullezynki
N
2P
Indice de Dice
2P + N
P
Indice de Sokal et Sneath
P + 2N
P+A
Indice de Roger et Tanimoto
P + A + 2N
La difficult repose sur le calcul de la distance dune classe A donne un regroupement

B-C dj constitu tout en connaissant les distances D (A, B) et D (A, C). Le cas idal se
produit lorsque les deux distances D (A, B) et D (A, C) sont gales. Dans ce cas, il est
clair que le plus simple consiste tendre D(A, B C) = D(A, B) = D(A, C) . Une distance
telle que, dans tout triangle, les deux plus grands cots sont identiques, est appele une
distance ultramtrique.
La plupart des distances obtenues partir des matrices dincidence ne sont pas
videmment pas des distances ultramtriques. Il faut donc faire une approximation de la
distance par une ultramtrique. Pour cela, il y a une infinit dultramtriques possibles
(Baptise et Baboli, 2001)
Plusieurs chercheurs ont propos des dfinitions et formulations de coefficients de

similarit. (McAuley 1972) est le premier a avoir dfini un coefficient de similarit entre
deux machines bas sur lindice de Jaccard (voir tableau 1.2).
Andrew Kusiak (Kusiak,1987) a donn une autre dfinition de coefficient de similarit

entre deux produits. Ce coefficient de similarit est prsent par lquation 2.
m
Sijp = (a ki , a kj ) , ij, j = 1, 2, , p et Siip = 0 , (2)
k =1

Avec : la fonction de Kronecker.

Sijp : le coefficient de similarit entre le produit i et le produit j,
p : le nombre de produits,
aik : llment de la ligne i et la colonne k de la matrice dincidence binaire
m x p machines-produits,
et m : le nombre de machines.
(Kern and Wei, 1991) ont utilis la dfinition de coefficient de Kusiak pour ltendre aux
produits :
m
Sijp = (a ki , a kj ) (3)
k =1
O
p 1 si a ik = a jk = 1

(a ik , a jk ) = 1 si a ik = a jk = 0 (4)
0 si a a
ik jk
Dautres propositions de coefficients de similarit ont t introduites. Quelques travaux de

recherche ont expos une revue de ces coefficients comme par exemple (Shambu, 1996),
(Singh et Rajamani, 1996), (Joines et al.1996), (Yin et Yasuda, 2006), etc. La proposition
de plusieurs dfinitions de coefficients de similarit a rendu les mthodes hirarchiques
trs varies. Ce sont les mthodes bases sur des coefficients de similarit (MCS). La
figure 1.12 dtaille les diffrentes catgories de MCS (Yin et Yasuda, 2006). Le premier
critre est la nature de la matrice dincidence : matrice binaire ou matrice en dures
opratoires.
Mthodes bases sur les
coefficients de similarit (MCS)
Donnes Informations de
Binaires production
Gammes Paramtres de Squence des

Autres
alternatives productivit oprations
Quantits Dures des Autres

produire oprations
Figure 1.12 Classification des MCS (Yin et Yasuda, 2006).

Plusieurs paramtres de production sont possibles intgrer dans le problme de

formation de cellules. Cest pourquoi, une autre classification est ncessaire : Mthodes
bases sur des coefficients de similarit en tenant compte des gammes alternatives, des
paramtres de productivit (quantits produire, dures opratoires, taille des lots, etc.),
des squences des oprations, etc.
La figure 1.13 prsente lvolution des principales dfinitions des coefficients de

similarit. Gupta (Gupta and Saifoddini, 1990) est le premier a avoir propos des
coefficients de similarit entre produits en tenant en compte des dures opratoires de ces
produits dans les diverses machines utilises.
Figure 1.13 Lvolution des coefficients de similarit dans le temps (Yin et Yasuda, 2006)
(Seifoddine et Djassemi, 1995) ont propos une expression du coefficient de similarit en

tenant en considration la demande et la taille des lot des produits lancer. (Gupta, 1993)
est le premier chercheur a avoir intgr la squence du produit dans la formulation des
coefficients de similarit.
(Genwook et al. 1998) ont dfini un coefficients de similirat entre deux produits en se
basant sur les diffrentes squences possibles. Ils ont intgr des paramtres de pannes
machines dans le coefficient de similarit entre les diffrentes machines.
4.2.3 Mthodes bases sur la programmation mathmatique
Les mthodes de formation de cellules consistent principalement en des heuristiques. Le

nombre de cellules et le nombre de machines et de produits affect pour chacune des
cellules sont dtermins suite des manipulations matricielles.
Kusiak (1987) a propos le modle n-centre comme lun des premiers modles
mathmatiques pour la formation des familles de produits. La matrice dincidence et la
valeur de n constituent lentre du modle. La procdure de rsolution consiste valuer

chaque itration, la somme des coefficients de similarit de chaque famille comportant n

produits. Lobjectif est de maximiser le coefficient de similarit tout en minimisant les
distances. Le modle n-centre est un 0-1 programmation en nombres entiers. Il est dfini
par la fonction objectif donne par lquation (4).
p p
Max Si,p j x ij (5)
i =1 j=1
p
Sous les contraintes x
j=1
ij = 1 pour i = 1,2,......, p (6)
x
j=1
jj =n (7)
x ij x jj pour i, j = 1,2,......, p (8)
x ij {0,1} pour i, j = 1,2,......, p (9)
Avec Sijp : le coefficient de similarit entre le produit i et le produit j donn par
lquation (3)
x ij = 1 si le produit i est affect dans la famille o la produit j constitue son centre
et x ij = 0 , sinon.
n : nombre de familles dsir
Il est noter que la contrainte (6) permet de sassurer que chaque produit est affect une
et une seule famille. La contrainte (7) sert limiter le nombre de familles n. La
contrainte (8) permet de sassurer que chaque produit i est affect la famille j seulement
si produit i est un groupe reprsentatif.
Plusieurs travaux de recherches, comme (Boctor, 1991), (Won, 2000), (Wang, 2003),
(Won et Lee, 2004) et dautres, ont amlior le modle n-centre : soit en modifiant
lexpression du coefficient de similarit, soit en amliorant la fonction objectif et/ou les
contraintes. La principale amlioration consiste remplacer la contrainte (8) par la
contrainte (10).
x
i =1
ij u p x jj pour j = 1,2,......, p (10)
Avec up : est le nombre maximal de produits par famille.

La contrainte (10) peut tre vue comme une contrainte de capacit. A lorigine, Kusiak
(1987) a propos ce modle n-centre pour la formation des familles des produits. Avec le
mme principe, le modle peut aussi servir former les machines en groupes.
(Kusiak et al. 1993) proposent un autre modle de programmation quadratique pour la

formation de cellules. Il est dfini par la fonction objectif donne par lquation (11). Dont
f est lindice des familles de produits et Ff est le nombre maximum de produits dans une
famille. Llment x if est gal 1, si le produit dindice i est affect la famille
dindice f.
p -1 p F
Max Si,p j x if x jf (11)
i =1 j= i +1 f =1
F
Sous les contraintes x
f =1
if = 1 pour i = 1,2,......, p (12)
x
j=1
jf Ff pour f = 1,2,......, F (13)
x jf {0,1} pour j = 1,2,......, p et f = 1,2,......, F (14)
La fonction objectif du modle quadratique constitue la somme des coefficients de

similarit entre chaque couple de produits dans chaque famille ou bien entre chaque
couple de machines dans chaque cellule.
(Rajamani et al. 1990) sont parmi les premiers a avoir propos des modles de
programmation mathmatique en nombres entiers pour le problme de groupement des
machines (lorsquil existe des gammes alternatives).
(Panchalavarapua et Chankong, 2005) ont propos un modle de programmation

mathmatique linaire en nombres entiers pour des cas spcifiques une phase finale
dassemblage.
4.2.4 Mthodes bases sur la thorie des graphes
La matrice dincidence peut tre, galement reprsente selon la thorie des graphes. Deux
types principaux de graphes sont utiliss dans la littrature pour la rsolution des
problmes de formation de cellules : les graphes de bipartition (Bipartite graph) et les
approches bases sur des rseaux de flux (The network Flow approach) (Joines et al.
1996).

Lessentiel dans la solution finale de formation des cellules, est davoir une matrice
diagonale par bloc. En utilisant la reprsentation par les graphes, on sintresse aussi la
dcomposition du rseau en sous rseaux plus ou moins indpendants. Le problme est
formul comme un problme dit k-dcomposition en thorie de graphe. Dans les graphes
bipartition (Singh et Rajamani, 1996), un type de noeud reprsente les produits et lautre
type prsente les machines. Un arc reliant deux noeuds de types diffrents indique
lutlisation de la machine j pour la fabrication du produit i. Suite des itrations
progressives, on supprime les arcs (les plus faibles) et on obtient k rseaux indpendants.
Il est noter que le paramtre k est quivalent n dans la formulation mathmatique n-
centre (mthode base sur la programmation mathmatique).
(Al-quattan, 1990) a utilis lalgorithme sparation et valuation branch and bound

(mthode base sur la programmation mathmatique) pour la formation des cellules. La
dmarche utilise se base sur lanalyse dun graphe de bipartition.
(Vohra et al. 1990) ont prsent un algorithme pour la formation de cellules pour des
matices dincidence avec des dures opratoires. Lutilisation des rseaux de flux est la
phase la plus importante de leur algorithme pour la classification simultane des machines
et des produits et ceci pour minimiser les mouvements intercellulaire.
4.2.5 Mthodes bases sur un groupement non hirarchique
Les mthodes bases sur un groupement non hirarchique sont faciles implmenter.
(Chandrasekharan et Rajagopalan, 1986) ont propos cette mthode pour le groupement
des produits et des machines. Dans la littrature, cette mthode est note par : Ideal Seed
Non-hierchical Clustering (ISNC) quon peut traduire en franais par la mthode de la
graine idale pour les groupements non hirarchiques. Les auteurs ont utilis un
indicateur de performance appel efficience de groupement qui mesure les mouvements
intercellulaires et le taux dutilisation des machines. Pour surmonter linconvnient de la
fixation du nombre de groupes obtenir avant de commencer la rsolution du problme de
formation, la mthode consiste appliquer en premire tape la thorie des graphes. En
seconde tape, ils ont propos de fixer, une valeur initiale de k des groupes former quils
ont nomme graine seed . En troisime tape, ils ont appliqu une analyse multi varie
de la matrice dincidence.
Un an plus tard, les mmes auteurs (Chandrasekharan et Rajagopalan, 1987) ont propos
le modle ZODIAC. Ce modle constitue une amlioration du modle initial ISNC. Ils ont

ajout une limite critique pour lindicateur defficacit minimum quil faut respecter
durant toutes les tapes de classification.
Selon (Joines et al. 1996), la mthode GRAFICS qui a t propose par les chercheurs
Srinivasan et Narendran a amlior le rsultat de groupement. Elle consiste choisir la
graine initiale k qui maximise la somme des coefficients de similarit entre les machines.
4.2.6 Mthodes bases sur la classification automatique
Ces mthodes sont appeles aussi les mthodes non hirarchiques. De nombreux
algorithmes de type plus proche voisin ont t utiliss en TGAO. Ils consistent crer
des agrgats de produits en runissant les produits qui sont considrs comme des points
dans lespace des machines. Il faut alors disposer dune mtrique dans cet espace et avoir
la possibilit de dfinir de nouveaux points.
Lalgorithme le plus simple est celui des nues dynamiques. Il suppose connu le nombre n
de classes crer :
Dbut
Choisir n centres de classes parmi les N produits classer (alatoirement)
Affecter chaque produit au centre dont il est le plus proche (faire n classes)
Calculer le centre de gravit des n classes
Rpter
Affecter chaque produit au centre dont il est le plus proche
Calculer le centre de gravit des n classes
Jusqu stabilit
Fin
Cet algorithme consiste crer alatoirement des classes, puis les faire voluer jusqu
stabilit. Curieusement, il se stabilise trs vite, mme si sa convergence thorique nest
pas prouve. Par contre, le rsultat dpend du choix des points initiaux. Pour lutiliser
correctement, il faut donc essayer plusieurs points de dpart et rechercher les classes qui
apparaissent indpendamment des centres initiaux (les formes fortes). De la mme faon,
il faut essayer diffrentes valeurs de p en comparant des indicateurs comme la cohsion
(distance moyenne dun point au centre de sa classe) et la discrimination (distance
moyenne interclasse).

4.2.7 Mthodes bases sur lintelligence artificielle
Le problme de formation de cellules fait partie des problmes daffectation gnraux, qui
reprsentent une classe importante des problmes doptimisation combinatoire. Pour ces
derniers, la plupart des cas, trouver la solution optimale est trs complexe ; en effet,
quelques exceptions prs, la seule mthode connue pour rsoudre le problme de manire
exacte serait de faire une numration complte de toutes les solutions possibles (comme
dans le cas de la mthode BEA). On parle dans ce cas de problme NP-complet. Ainsi,
dans ces conditions, il est ncessaire de trouver un mode de rsolution qui fournisse une
solution de bonne qualit dans un laps de temps raisonnable : cest ce que font les
mthodes heuristiques.
4.2.7.1 Les mtaheuristiques
Les mtaheuristiques jouent, aujourd'hui, un rle primordial dans la rsolution des

problmes d'optimisation difficile souvent issus des domaines de la recherche
oprationnelle, de l'ingnierie ou de l'intelligence artificielle (Teghem et Pirlot, 2002).
Il existe trois classes principales de mtaheuristiques, savoir les mthodes constructives,

celles dites de recherche locale et celles considres comme volutives (algorithmes
volutionnistes). Daprs notre recherche bibliographique, principalement les mthodes de
rsolution appartenant au deux dernires classes sont utilises pour rsoudre le problme
de formation de cellules (Geonwook et Leep, 2006).
Toutes les mtaheuristiques s'appuient sur un quilibre entre l'intensification de la

recherche et la diversification de celle-ci. D'un cot, l'intensification permet de rechercher
des solutions de plus grande qualit en s'appuyant sur les solutions dj trouves et de
l'autre, la diversification met en place des stratgies qui permettent d'explorer un plus
grand espace de solutions et d'chapper des minima locaux. Les mthodes de recherche
locale sont des algorithmes itratifs qui explorent lespace des solutions admissibles en se
dplaant pas pas dune solution une autre. Le passage dune solution admissible une
autre se fait sur la base dun ensemble de modifications lmentaires quil sagit de dfinir
de cas en cas.
- Le recuit simul Simulated annealing
Les origines de la mthode du Recuit Simul remontent aux expriences de Metropolis en

1953 (Teghem et Pirlot, 2002). Le principe est de simuler lvolution dun systme
physique instable vers un tat dquilibre thermique une temprature fixe. Fayez Boctor

a t parmi les premiers appliquer une telle mthode pour rsoudre le problme de
formation de cellules de production. Dans son article (Boctor, 1991), a propos un
algorithme de programmation linaire en nombres entiers qui a pour fonction objectif la
minimisation du nombre dlments exceptionnels. Il a appliqu ensuite la mthode de
recuit simul sur dix problmes de formation de cellules avec des matrices dincidence
binaire 0-1. Ces problmes seront plus dtaills dans le deuxime chapitre (voir figure
2.28).
(Caux et al. 2000) ont propos un algorithme qui a pour fonction objectif la minimisation
du trafic intercellulaire en tenant compte de la contrainte des capacits disponibles des
diffrentes machines du problme. Leur amlioration consiste intgrer lapproche
Branch and bound la mthode de recuit simul et ceci pour choisir la meilleure squence
de chaque produit qui donne une meilleure solution. Les matrices dincidences des
diffrents problmes demeurent encore binaires.
(Xambre et Vilarinho, 2003) et (Wu, et al. 2008) ont propos des amliorations pour
lutilisation de la mthode du Recuit Simul. En effet, ils ont intgr le problme de
machines multiples et le pourcentage dutilisation des diffrentes machines dans le
problme de formation des cellules.
- La mthode Tabou
Tant que lon ne se trouve pas dans un optimum local, toute mthode itrative se comporte
donc comme la mthode de descente et amliore chaque tape la valeur de la fonction
objectif. Lorsque lon atteint par contre un optimum local, la rgle de dplacement donne
ci-dessus permet de choisir le moins mauvais des voisins, c'est--dire celui qui donne un
accroissement aussi faible que possible de la fonction objectif. Ainsi, la mthode Tabou
sappuie sur un second principe qui consiste garder en mmoire les dernires solutions
visites et interdire le retour vers celles-ci pour un nombre fix ditrations, le but tant
de donner assez de temps lalgorithme pour sortir dun minimum local.
Lutilisation de la mthode Tabou est trs rcente pour la formation de cellules de

production. (Cao et Chen, 2004) ont propos un modle de programmation non linaire en
nombres entiers qui a pour fonction objectif la somme des diffrents cots fixes et
variables dexploitation des cellules de production. Ils ont rsolu ce modle par
lapplication de la mthode Tabou.

(Adenso-Diaz et al. 2005) ont introduit des coefficients de similarit dans la formulation
du problme puis ils ont appliqu la mthode Tabou pour les diffrents problmes cits
dans (Boctor, 1991). Ils ont amlior lgrement les rsultats.
(Fould et al. 2006) ont dvelopp un algorithme de la mthode Tabou, en tenant compte
du nombre de machines ncessaires par type (capacit des diffrentes machines). Ils ont
essay de minimiser les mouvements intercellulaires travers une fonction cot et de
changer si ncessaire la squence des produits exceptionnels dans les diffrentes cellules.
4.2.7.2 Les approches volutives
Ces vingt dernires annes, les mthodes volutionnistes ont suscit un intrt grandissant
de la part de nombreuses communauts scientifiques (Paris et al. 2003). Les modles
utiliss, leur principe inspir de la nature, leur capacit prendre en compte un large
spectre de problmes, la raisonnable complexit des algorithmes mis en uvre et les
performances atteintes ont indubitablement contribu leurs succs. Plusieurs chercheurs
ont utilis les algorithmes volutionnistes (AE) pour la conception, la configuration et la
conduite des systmes de production et en particulier des systmes de production
cellulaires.
Chaque individu reprsente un point dans lespace de recherche des solutions potentielles
au problme donn. Quand on optimise un systme de production, une solution peut tre,
par exemple, reprsente par une liste de paramtres (liste de machines par cellules, liste
de produits par famille, etc.). Dautres reprsentations possibles peuvent tre un tableau de
codes binaires par exemple (Caux et al. 1995), une liste de donnes par exemple (Chan et
al. 2006), une expression, etc.
(Falkenauer, 1994) a t parmi les premiers appliquer les algorithmes gntiques pour
rsoudre le problme de formation de cellules de production. Dans (Pierreval et al. 2003)
les auteurs prsentent une revue de la littrature de lutilisation des AE soit pour la
conception ou pour la configuration des systmes de production cellulaire.
(Caux et al. 1995) ont propos une mthode pour former des cellules en prenant en compte
les machines et les oprateurs. Ils vitent au maximum daffecter des oprateurs sur des
machines dpassant leur comptence. Si cest le cas, un cot dapprentissage intervient.
Lobjectif est donc de minimiser les cots de formation au regard des quantits de
produits. Lalgorithme volutionniste gre une population o chaque solution est un
ensemble de cellules sur lesquelles sont affects des oprateurs ; laffectation des

oprateurs tant ralise par une mthode tire de la thorie des graphes. (Mak et al. 2000)
ont propos des amliorations intressantes la formulation de lalgorithme gntique au
niveau prise en compte de plusieurs paramtres de production.
(Stawowy, 2006) a utilis lalgorithme gntique pour la formation des cellules de

production. Il a utilis lindice efficacit de groupement comme nouveau critre darrt.
Par contre, (Chan et al. 2006) ont propos lapplication dun algorithme gntique pour la
rsolution du problme de groupement des machines lorsquil existe des gammes
alternatives, c'est--dire lorsquil existe plusieurs scnarios de fabrication possibles pour
un mme produit. Ils ont dfini au dpart un algorithme de programmation en nombres
entiers qui a comme fonction objectif la minimisation du nombre des lments
exceptionnels et des lments vides.
4.2.7.3. Rseaux de neurones : (Neural Networks)
De nombreux chercheurs travaillant sur lintelligence artificielle reprochent aux rseaux

neuronaux de ne servir qu la reconnaissance des formes. Il est vrai quils ont t cres
pour rsoudre ce problme, mais la technologie sest dveloppe bien au-del des objectifs
dorigine. Le principe de rseaux de neurones est aussi utilis pour la conception de
production et en particulier la conception des systmes de production cellulaires.
(Carpenter et al. 1991) ont dvelopp la thorie ART1 (Adaptative Resonance Theory) qui
se base sur un apprentissage non supervis. Cet apprentissage permet de dcomposer les
vecteurs dentre en groupes en se basant sur des coefficients de similarit. Plusieurs
chercheurs ont propos des modles qui se basent sur le principe des rseaux de neurones
et en particulier (Venkumar et Noor-ul-Haq, 2005) qui ont amlior le modle ART 1. Ils
ont affirm que les rsultats de formation des cellules sont identiques ceux obtenus par
les algorithmes volutionnistes.
4.2.7.4 Logique floue : (Fuzzy logic)
(Xu et Wang, 1989) sont parmi les premiers chercheurs a avoir utilis la logique floue
pour la formation des cellules de production. Ils ont appliqu plusieurs vecteurs qui
dcrivent les diffrentes entits des produits. Le nombre de familles former tant fixe
davance. Un nouveau type de produit est affect lune des familles les plus proches en
utilisant une technique de reconnaissance. Cette mthode nest applicable que pour des
matrices dincidence binaire. (Lozano et al. 2002) ont amlior les rsultats de formation
et ils ont rendu la mthode capable destimer le nombre de cellules former.

4.2.8 Mthodes bases sur des heuristiques
Une heuristique est utile lorsque l'espace de recherche, c'est--dire le nombre de

possibilits cherchant former les cellules, est trop grand pour tre entirement explor :
elle permet de rduire ce nombre et aboutir une solution plus rapidement. Il existe
plusieurs heuristiques pour rsoudre le problme de formation de cellules en littrature.
(Akturk et Balkose, 1996) ont propos une heuristique pour la formation des cellules tout
en optimisant plusieurs critres de performance : minimiser les lments exceptionnels,
maximiser lutilisation des machines dans leurs cellules.
(Kitaoka et al. 1999) ont propos une mthode danalyse multivarie pour la formation des
cellules de production en trois phases. Dans les deux premires phases, ils ont adopt la
dfinition du coefficient de similarit de Kusiak pour les machines et les produits. En une
troisime phase, ils ont applique une double classification de la matrice dincidence selon
les lignes puis selon les colonnes.
(Cheng et al. 2001) proposent des rgles pour la classification des machines et des
produits et pour le traitement des lments exceptionnels. Ces rgles sont appliques dans
un ordre bien prcis en proposant des heuristiques
(Mukattash et al. 2002) ont propos une heuristique pour la rsolution du problme de
groupement des machines lorsquil existe des gammes alternatives (plusieurs scnarios de
fabrication possibles pour un mme produit). Lentre de cette heuristique est une matrice
dincidence avec des dures opratoires.
5. Conclusion
Dans ce chapitre, nous avons mis en avant plusieurs techniques et mthodes pour la
formation des cellules. Le nombre de travaux de recherche dans ce domaine a fortement
augment ces dernires annes, notamment par lutilisation de nouvelles approches. Ces
travaux sont de plus en plus complexes mais aussi de plus en plus efficaces. Les modles
utiliss permettent des optimisations statiques et dynamiques, voire les deux
conjointement. Toutefois, nous constatons certaines limites lapplication de ces
mthodes de formation de cellules. Dune part, la qualit dune solution est parfois
difficile valuer. Dautres part, le problme de prsence dlments exceptionnels dans
la solution finale nest pas totalement matris. Labsence doutils informatiques simples
et accessibles ne rend pas la majorit des mthodes pratique.

Dans le chapitre suivant, nous allons prsenter la mthode que nous avons dveloppe
pour la formation des cellules de production sans ou avec lintgration de paramtres de
production. La mthode propose consiste combiner le principe des mthodes de
classification automatique avec celui des mthodes hirarchiques en se basant sur une
dfinition originale de coefficients de similarit.

Chapitre 2
LA FORMATION DES CELLULES BASE

SUR LANALYSE DES CORRLATIONS
1. Introduction
Lobjet de ce second chapitre est de prsenter la mthode que nous avons dveloppe pour
la formation de cellules (FC) dans le cas o chaque produit est dfini par une et une seule
gamme. Cette mthode consiste appliquer une analyse des corrlations statistiques entre
les diffrentes machines et les diffrents produits. Elle en rsulte une formation simultane
des familles de produits et des groupes de machines. Cette approche consiste combiner
le principe des mthodes de classification automatique avec celui des mthodes
hirarchiques en se basant sur une dfinition dun nouveau coefficient de similarit.
La dmarche que nous avons propose se compose de trois tapes. Dans une premire
tape, la matrice de corrlation est utilise comme une matrice de similarit pour les
produits et les machines. Dans une seconde tape, lapplication de la mthode Analyse en
Composantes Principales (ACP) et lanalyse graphique du plan principal permettent dune
part, le groupement des machines en groupes et des produits en familles et dautre part,
lidentification machines et/ou produits exceptionnels. Le but de la troisime tape est
daffecter ces lments exceptionnels aux cellules tout en maximisant la corrlation entre
les diffrents lments (produits et machines).
Aprs avoir prsent les indicateurs de performances des solutions de formation des
cellules, ce chapitre sarticule autour de quatre autres parties. Dans une premire partie,
nous proposons une description des mthodes danalyse des donnes et principalement la
mthode ACP. Dans une seconde partie, dcrirons lapproche propose pour la formation
de cellules pour des matrices dincidence binaires (Hachicha et al. 2008a). En troisime
partie nous traitons lvaluation et la validation de lapproche propose travers des
exemples reconnus dans la littrature. Finalement, nous tudions lextension de cette
approche pour des problmes de formation de cellules qui prennent en considration des
paramtres de production comme les dures opratoires (Hachicha et al. 2006).



possible multiples
La formation de cellules Slection optimale des
base sur lanalyse des gammes en utilisant des plans
corrlations statistiques dexpriences
Chapitre 4

simulation
Chapitre 4
Figure 2.1 Place du deuxime chapitre dans les travaux de thse
Les hypothses retenues dans lapproche de formation de cellules propose sont :
Le problme de formation des cellules est pos sous forme dune matrice
dincidence binaire (0/1) traduisant pour chaque produit lutilisation ou non de chaque
machine. Cette hypothse est identique celle de grand nombre de mthodologies
existantes en littrature comme dans : (King, 1980), (Chandrasekharan, et Rajagopalan,
1987), (Kusiak, 1987), (Boctor, 1991), (Cheng et al. 2001), (Wang, 2003), (Wu, 2004),
(Albadawi et al. 2005), (Wu, et al. 2007) et dautres.
Le problme peut tre aussi pos sous forme dune matrice dincidence en dures
opratoires, comme dans (Gupta et Saifoddini, 1990), (Vohra et al.,1990), (Chen et
Guerrero,1994), (Sarker et Balan, 1996), et dautres.
Les machines seront considres comme diffrentes dans le modle propos, mme
si elles possdent un fonctionnement analogue.

Chaque produit est prsent par une seule gamme de fabrication.
Comme prsent dans le premier chapitre, il existe dans la littrature plusieurs mthodes
pour la formation de cellules. Pour pouvoir comparer deux ou plusieurs mthodes, il est
ncessaire de dfinir des critres de performance dune solution (Chan et Milner, 1982).
2. Les critres de performance des solutions
Plusieurs indicateurs sont proposs en littrature, nous allons citer les plus importants et
les plus utiliss. (Gupta et Saifoddini, 1990) ont not que ces indicateurs sont utiliss
principalement dans le cas o la matrice dincidence est binaire. En effet, ces indicateurs
sont indpendants des paramtres de production comme la dure des oprations, la
capacit des machines, la squence des produits, etc. Dans le cas o le problme est pos
sous forme dune matrice dincidence en dures opratoires.
2.1 Pourcentage dlments exceptionnels
Le pourcentage dlments exceptionnels (PEE) est dfini comme le rapport du nombre

des lments exceptionnels (NEE) avec le nombre dlments unitaires (UE) de la matrice
dincidence. Plus petite la valeur de PEE, donc la solution est meilleure.
NEE
PEE = 100 (15)
UE
Mathmatiquement, un lment aij de la matrice dincidence est un lment

exceptionnel si et seulement si (aij = 1) et ( k, x jk y ik ) . On peut crire NEE par
lquation (16)
1 F m p
NEE = a ij x if x jf
2 k =1 j=1 i =1
(16)
Il est vident quon peut crire UE selon lexpression (17)

p m
UE = a ij (17)
i =1 j=1

2.2 Taux moyen dutilisation des machines
Le taux dutilisation des machines (TUM) est dfini par (Chandrasekharan et Rajagopalan,
1986). Il indique le pourcentage de temps o les machines sont utilises dans leur cellule.
La solution est meilleure dans le cas o le TUM est grand.
N
TUM = F
100 (18)
m
k =1
k pk
Avec N : le nombre dlments unitaires dans les blocs diagonaux.

F : nombre de cellules formes
mk : nombre de machines regroupes dans la kime cellule
pk : nombre de produits affects la kime cellule
2.3 Premier indicateur defficience de groupement
Ce critre de performance intgre le NEE et le TUM. Il est dfini par (Chandrasekharan et

Rajagopalan, 1986) comme lindique lexpression (19)
UE - NEE NEE
EG 1 = F
+ (1 )(1 F
) (19)
m
k =1
k pk m p mkpk
k =1
Avec [0,1] un coefficient de poids choisir selon limportance quon veut attribuer
lun des deux termes.
2.4 Deuxime indicateur defficience de groupement
(Kumar et Chandrasekharan, 1990) ont propos une autre dfinition dun critre de
performance qui peut mesurer lefficacit de groupement (EG) et qui fait intervenir le
nombre dlments vides (NEV) :
UE - NEE
EG 2 = (20)
UE + NEV
Mathmatiquement, un lment aij de la matrice dincidence est un lment vide si et

seulement si (aij = 0) et ( k, x jk = y ik ) . On peut crire le NEV par lexpression (21)

F m p
NEV = (1 - a ij ) x if x jf (21)
k =1 j=1 i =1
3. Analyse de donnes
3.1 Objectifs de lanalyse des donnes
L'analyse de donnes est apparue dans les annes trente grce H. Hotteling, qui
initialisait le principe de l'analyse en composantes principales et de l'analyse canonique en
s'inspirant des travaux de C. Spearman et de K. Pearson datant du dbut du sicle
(Labordere, 1977).
La statistique classique ne s'intresse qu' un nombre limit de caractres mesurs sur un

ensemble restreint d'individus. Elle s'appuie sur des estimations ou des tests trs restrictifs.
Les hypothses mises sont souvent trs approximatives et les lois de distribution trs
thoriques. Dans la ralit, les individus sont le plus souvent dcrits par de trs nombreux
paramtres, qui n'obissent pas des lois connues priori. La diffrence essentielle de
l'analyse de donnes, par rapport la statistique classique, est qu'elle ralise une tude
globale du couple individus/caractres en s'appuyant sur des reprsentations graphiques
beaucoup plus lisibles que de volumineux tableaux de mesures (Gnanadesikan, 1997). Les
ressemblances ou les dissemblances entre individus ou entre caractres, leurs corrlations
positives ou ngatives sont la base de l'analyse, qui peut s'effectuer suivant plusieurs
points de vue.
3.2 Mthodes danalyse de donnes
Les donnes sont consignes dans une matrice rectangulaire appele matrice de
croisement, qui croise les individus et les variables. Le tableau 2.1 prsente une matrice de
croisement de m variables quantitatifs sur p individus distincts. Les lignes reprsentent les
individus Ii, et les colonnes reprsentent les variables Vj, i = 1,2,......, p et j = 1,2,......, m .
De plus, la mthode de modlisation sera ici linaire puisque chaque facteur synthtique
sera la combinaison linaire des caractres initiaux. Les principales mthodes issues de
cette dmarche seront :
l'analyse en composantes principales,

l'analyse factorielle des correspondances,

l'analyse factorielle discriminante.
Tableau 2.1 Modle de matrice de croisement pour des donnes multivaries
V1 V2 . . . Vj . . . Vm
I1 x11 x12 x1j x1m
I2 x21 x22 x2j x2m
. .
. .
Ii xi1 xi2 . . . xij xim
.
.
Ip xp1 xp2 xpj xpm
Les individus peuvent reprsenter des entits comme des personnes, des entreprises, des
pays, des journaux, etc. Sur ces individus nous allons raliser des observations ou des
mesures. Les individus peuvent reprsenter l'ensemble d'une population ou simplement
une partie qui n'est pas ncessairement sense tre. Les variables sont des caractres
relatifs ces individus. Elles peuvent tre quantitatives (elle prend des valeurs sur une
chelle numrique) ou qualitatives.
3.3 Mthode dAnalyse en Composantes Principales
Longtemps affaire de spcialistes, la mthode ACP sest rpandue principalement grce

la diffusion de linformatique dont les capacits actuelles permettent de raliser les calculs
importants quimplique le recours cette mthode. Toutes les entreprises disposent
maintenant, un cot abordable, d'une puissance de traitements informatiques sans
commune mesure avec celles dont disposaient les plus grosses entreprises, il y a une
vingtaine d'annes (Zohhad, 1998). Son usage sest tendu des domaines aussi divers
que la sociologie, la mdecine, la biologie, la mtrologie, lconomie ou la gestion
(Delagarge, 2000). De faon gnrale, lACP concerne les domaines ou les problmes
mettent en jeu une masse importante de donnes et de variables, dont les reprsentations
sous forme de tableaux ne permettent pas den cerner les principales caractristiques et
celles sous forme graphique sont le plus souvent impossibles.

Le principe de la mthode est dobtenir une reprsentation approche du nuage des p

individus dans un sous-espace de dimension plus faible. Ceci seffectue par projection. Le
choix de lespace de projection seffectue selon le critre suivant qui revient dformer le
moins possible les distances en projection : le sous-espace de dimension k recherch est tel
que la moyenne des carrs des distances entre projections soit la plus grande possible. (En
effet, en projection les distances ne peuvent que diminuer). Le but est d'obtenir une
reprsentation du nuage dans un espace de dimension rduite de telle manire que l'inertie
explique dans cet espace soit la plus grande possible. Pour cela, il est ncessaire dans un
premier temps de rechercher les plus grandes valeurs propres de la matrice et de
dterminer, par les vecteurs propres associs, les axes de plus forte inertie du nuage des
individus dans l'espace des paramtres. Ceci ralis, une carte factorielle permettra de
montrer les caractristiques essentielles du jeu de donnes tudi. Ceci pourra tre
complt par une carte reprsentant le cercle de corrlation des paramtres, afin de
pouvoir faire le lien entre la position des points (individus) dans l'espace et la cause
principale de cette position.
4. Description de lapproche propose
4.1 Cas des matrices dincidence binaires
Chaque entreprise gre des quantits dinformations, certaines lies la conception du

produit, aux moyens de fabrication, et dautres aux procds de fabrication. Les projets
industriels deviennent de plus en plus complexes. Rechercher et manipuler une
information parmi des masses de documents relve parfois de lexploit mme si on
dispose dun systme informatique performant. De ce fait, on a pens analyser la masse
de donnes prsente par la matrice dincidence et comprendre leurs ventuelles liaisons.
Une mthode danalyse de donnes pourra t-elle rpondre ce besoin ?
(Arvindh et Irani, 1994) ont rpondu cette question positivement. Ils sont les premiers
utiliser la mthode ACP pour tudier la faisabilit de formation de cellules. Ils proposent
dutiliser cette mthode comme une premire tape pour le classement de plusieurs
produits en familles. La deuxime tape consiste appliquer lune des mthodes de
diagonalisation de matrice pour rsoudre le problme de formation des cellules.
(Albadawi et al. 2005) ont propos une dmarche en deux tapes. La premire consiste
utiliser lACP en se basant sur lindice de similarit de Jaccard, pour la formation des

groupes de machines seulement. Dans une seconde tape, ils ont propos un algorithme
pour laffectation des produits aux cellules ainsi formes.
Dans ce travail de thse, nous avons propos une nouvelle dfinition du coefficient de
similarit qui nous a permis dappliquer la mthode ACP (Hachciha et al. 2008a) dune
autre manire que dans (Arvindh et Irani, 1994) et (Albadawi et al. 2005). Lintrt
consiste obtenir simultanment les familles de produits et les sous groupes de machines.
Lapproche propose se droule en trois phases comme lindique la figure 2.2.
4.1.1 Matrice des coefficients de similarit
Soit un atelier possdant m machines et p produits. Lobjectif est de former des cellules.
Soit A0 la matrice dincidence binaire du problme. Cette matrice p x m est reprsente
dans lquation 22.
a 11 a 12 . . . a 1m

a 21 a 22 a 2m
.
A = (22)
.

.
a a p2 a pm
p1
Avec a ij = 1 si le produit i passe dans la machine j sinon a ij = 0
Mj est le vecteur machine dduit de la matrice dincidence A: M Aj [a 1j , a 2j ,....., a pj ] . Dans la
mthode propose, chaque machine est considre comme une variable qui corresponde
un point de p coordonnes (dans un espace euclidien de dimension p) relatif au vecteur Mj.
La matrice dincidence obtenue prsente une masse dinformations difficilement

accessible telles quelles. Lapproche que nous avons dveloppe se base sur lanalyse de
cette matrice, pour savoir et expliquer la liaison ventuelle qui existe entre les diffrents
machines et produits.
Afin de rendre le rsultat indpendant des charges affectes pour chaque machine, un
prtraitement indispensable consiste centrer et rduire les variables machines (comme
lindique lquation 23). Cette opration permet de mieux voir les diffrences relatives. Le
centre de gravit des variables (points) machines sont alors confondus lorigine (Zohhad
et al. 1998).

M Aj E j
M =B
j (23)
j
Avec Ej est la moyenne des lments du vecteur machine Mj. Elle est donne par :
Matrice dincidence
Traitement de la matrice
(centrage & rduction)
Phase 1: Matrice des
coefficients de similarit
Construction de la matrice de
corrlation S
Application de la mthode
ACP Phase 2: Classification
des machines et des
Analyse graphique du plan produits
principal
Solution initiale : Groupes de machines, familles

de produits et lments exceptionnels
Phase 3: Algorithme
Algorithme daffectation Oui
Problme avec machines daffectation des
des machines
exceptionnelles lments exceptionnels
exceptionnelles
Non
Oui Algorithme
Problme avec produits
daffectation des
exceptionnels
produits exceptionnels
Non
Solution finale de formation de

cellules
Figure 2.2 Architecture de lapproche propose pour la formation de cellules

a kj
Ej = k =1
(24)
p
et
1 p
2j =
p k=1
(a kj -E j ) 2 (25)
La matrice de similarit propose est base sur la matrice de corrlation des vecteurs
machines.
1 '
Elle est dfinie par S = BB (26)
p
Un lment Sij de la matrice de dimension (m x m) est donn par :
1 p
Sij = bik b jk (en particulier Sii = 1 )
p k =1
(27)
4.1.2 Classification des machines et des produits
Nous avons utilis la mthode ACP qui permet une recherche des ressemblances et des
diffrences, une transformation des donnes initiales pour les visualiser et finalement,
une rduction sans trop perdre dinformations en liminant les redondances et en exhibant
des liaisons.
Le problme gnral de ACP est la rduction du nombre initial de dimension de manire

conserver le plus possible dinformation et rendre les donnes plus facilement
significatives lanalyse. Pour cela, on cherche de nouvelles variables, combinaisons
linaires des anciennes variables, et rsumant le mieux possible les anciennes
variables. Le principe de cette mthode se base sur la recherche des valeurs propres et des
vecteurs propres associs de la matrice de corrlation S. Cette matrice est par dfinition
symtrique, dfinie positive. Elle admet donc m valeurs propres relles (Ledauphin et al.
2004). Ces valeurs propres, (notes i) sont les solutions de lquation (28)
det(S i I d ) = 0 ; i < 1, m > (28)

Les valeurs propres sont prsentes dans un ordre croissant 1 2 ..... m et pour
chaque i est associ un vecteur propre not Ci. Id tant la matrice identit de dimension
(m x m).
Dans notre approche, les produits sont considrs comme les individus et les machines
sont considres comme les variables. Par la suite, lapproche consiste projeter les points
machines et les points produits dans le plan principal. Le plan principal form par
les premiers axes principaux des vecteurs unitaires respectifs (C1, C2). Le pourcentage
dinertie expliqu par le plan principal (pourcentage de conservation des donnes de la
matrice dincidence) est le pourcentage cumul (PC) des deux premires valeurs propres :
1 et 2.
1 + 2 1 + 2
PC = m
= (29)

m
k
k =1
Le plan principal donne les projections des produits et des machines. Il reflte les
distances entre les produits et les corrlations entre les machines.
On peut se demander quoi on aurait abouti si on avait effectu le calcul lenvers, c'est-
-dire au lieu de former la matrice S = B T B de dimensions (m, m), on avait form la
matrice W = BB T de dimensions (p, p) pour ensuite la diagonaliser. On montre dans
(Auray et al. 1990) et dans (Lagarge, 2000) que la rponse cette question est quon aurait
abouti au mme rsultat, car parmi les p valeurs propres de la matrice W, toutes sont
nulles lexception des m premires qui sont celles de la matrice S (il est noter que
gnralement m p ). Les matrices S et W qui sont totalement diffrentes au dpart se
prsentent aprs diagonalisation dune manire quasi-identique. Les matrices S et W
reprsentent deux images dune mme ralit.
Il existe donc une dualit entre les deux dmarches dutilisation des deux matrices S et W.
Lutilisation de la matrice W permet la reprsentation des produits et dutiliser la mme
dmarche pour les rassembler en famille. Le fait quil existe une dualit entre les deux
matrices, on peut dterminer simultanment les groupes de machines et les familles de
produits. Il suffit pour chaque produit, de tracer des flches reliant lorigine avec le point
correspondant et dappliquer les mmes rgles utilises dans lanalyse daffectation des
machines.

4.1.3 Algorithme daffectation des lments exceptionnels
Une solution de FC contient gnralement des lments exceptionnels (Prsence de 1 en

dehors des blocs diagonaux) quil faut les rduire pour amliorer les performances de
lAC. En effet, un lment exceptionnel engendre un ou plusieurs mouvements
intercellulaires (Singh et Rajamani, 1996). En littrature, un lment exceptionnel dsigne
principalement une machine exceptionnelle (ou machine goulot). Rciproquement, il
pourra dsigner un produit exceptionnel (Shafer et al. 1992). En effet, un produit
exceptionnel est vu comme un produit qui ncessite une ou plusieurs machines
exceptionnelles. Dans lapproche propose, nous avons distingu entre les machines
exceptionnelles et les produits exceptionnels.
Pour laffectation des machines exceptionnelles, nous avons propos un algorithme qui
doit affecter une machine exceptionnelle pour chaque itration. Soit em le nombre de
machines exceptionnelles.
Dbut
De k = 1 jusqu em faire
Etape 1 : calculer langle ik entre chaque machine Mi (diffrente de Mk et ne constitue pas
une autre machine exceptionnelle)
ik = min( i - k , 2- i - k ) (30)
Avec ik langle entre la machine Mi et le premier axe principal, i ]-, ]
Etape 2 : Trouver la petite valeur des ik et affecter, par consquence, la machine Mk la

cellule de la machine Mi
Fin
Pour laffectation des produits exceptionnels, nous avons tablit un autre algorithme qui
doit traiter un produit exceptionnel pour chaque itration. Soit ep le nombre de produits
exceptionnels.
Dbut
De k = 1 jusqu ep faire
Etape 1 : calculer la distance euclidienne entre chaque produit Pi (diffrente de Pk et ne
constitue pas un autre produit exceptionnel)
d(Pk , Pi ) = (x k x i ) 2 + (y k y i ) 2 (31)

Avec xi et yi sont les coordonnes de Pi dans le plan principal

Etape 2 : Trouver la petite valeur d (Pk, Pi) et affecter, par consquence, le produit Pk la
cellule du produit Pi
Fin
4.1.4 Exemple de rsolution
La mthodologie est bien explique travers un exemple simple. Le problme trait de

formation de cellules est celui qui a t prsent par (Boctor, 1991). Soit un atelier
disposant de 7 machines pour fabriquer 11 produits.
Phase 1 : Matrice des coefficients de similarit
La figure 2.3, prsente la matrice dincidence correspondante A. Aprs centrage et

rduction en utilisant les quations (23), (24) et (25) on obtient la matrice B qui est
prsente dans la figure 2.4.
M1 M2 M3 M4 M5 M6 M7
P1 1 1 0 0 0 0 0
P2 0 1 1 0 0 0 0

P3 1 0 0 0 1 1 0
A=
P4 0 0 0 1 0 1 0
P5 0 0 0 1 0 0 1

P6 0 1 1 0 0 0 0
P7 1 0 0 0 1 0 0

P8 0 0 0 0 0 0 1
P9 0 0 1 0 0 0 0

P10 0 0 0 1 0 0 1

P11 1 0 0 0 0 1 0
Figure 2.3 Matrice dincidence initiale du problme de Boctor
M1 M2 M3 M4 M5 M6 M7
P1 1 ,3 2 1 ,6 3 -0 ,6 1 -0 ,6 1 -0 ,4 7 -0 ,6 1 -0 ,6 1
P2 -0 ,7 6 1 ,6 3 1 ,6 3 -0 ,6 1 -0 ,4 7 -0 ,6 1 -0 ,6 1

P3 1 ,3 2 -0 ,6 1 -0 ,6 1 -0 ,6 1 2 ,1 2 1 ,6 3 -0 ,6 1
B=
P4 -0 ,7 6 -0 ,6 1 -0 ,6 1 1 ,6 3 -0 ,4 7 1 ,6 3 -0 ,6 1
P5 -0 ,7 6 -0 , 6 1 -0 ,6 1 1 ,6 3 -0 ,4 7 -0 ,6 1 1 ,6 3

P6 -0 ,7 6 1 ,6 3 1 ,6 3 -0 ,6 1 -0 ,4 7 -0 ,6 1 -0 ,6 1
P7 1 ,3 2 -0 ,6 1 -0 ,6 1 -0 ,6 1 2 ,1 2 -0 ,6 1 -0 ,6 1

P8 -0 ,7 6 -0 ,6 1 -0 ,6 1 -0 ,6 1 -0 ,4 7 -0 ,6 1 1 ,6 3
P9 -0 ,7 6 -0 ,6 1 1 ,6 3 -0 ,6 1 -0 ,4 7 -0 ,6 1 -0 ,6 1

P10 -0 ,7 6 -0 ,6 1 -0 ,6 1 1 ,6 3 -0 ,4 7 -0 ,6 1 1 ,6 3

P11 1 ,3 2 -0 ,6 1 -0 ,6 1 -0 ,6 1 -0 ,4 7 1 ,6 3 -0 ,6 1
Figure 2.4 Matrice dincidence centre rduite relative au problme de Boctor

La matrice S est une matrice carre (7,7) dont tous les lments ne sont autres que les
coefficients de corrlation des machines prises deux deux. En consquence, tous les
lments de la diagonale principale sont gaux 1 (ce sont les sommes des carrs de
chaque colonne). Tous les autres lments sont des sommes de produits croiss. Ces
lments sont calculs soit en application de lcriture matricielle de lquation (26), soit
lquation (27). La matrice de similarit est prsente dans la figure 2.5.
M1 M2 M3 M4 M5 M6 M7
1,00
M1
M2 - 0,04 1,00
- 0,46 0,54 1,00
M3
M4 - 0,46 -0,38 -0,38 1,00

M5 0,62 -0,29 -0,29 -0,29 1,00
M6
0,39 -0,38 -0,38 0,08 0,24 1,00
M7 - 0,46 -0,38 -0,38 0,54 -0,29 -0,38 1,00

Figure 2.5 Matrice S de similarit relative au problme de Boctor
Phase 2 : Classification des machines et des produits
Les points machines forment un cercle centr sur lorigine. Le rayon de ce cercle (o se
trouvent les points machines) est totalement arbitraire. La distance dun point-machine
lorigine ne signifie rien. En revanche, la direction de la machine (vecteur machine)
joignant lorigine ce point est trs significative en termes de corrlation. Leurs positions
respectives sur le cercle nous renseignent propos de leurs corrlations. En effet, le
coefficient de corrlation de deux machines (vecteurs machines) est gale au carr du
cosinus de langle quelles font entre elles.
Soit 1 , 2 ,..... 7 ces valeurs propres tel que 1 2 ..... 7 et C1, C2, , C7 les
vecteurs propres respectivement associs ces valeurs prises dans lordre. Les valeurs
propres et les vecteurs propres sont prsents dans le tableau 2.2. Algbriquement, la
matrice de S, dans la base forme de vecteurs propres (C1, C2, , C7), est une matrice
diagonale.

Tableau 2.2 Les valeurs propres relatives au problme de (Boctor, 1991)
Composant Valeur propre Taux dexplication (%) Pourcentage cumul (%)

1 2,53 36,11 36,11
2 2,35 33,54 69,65 = PC
3 0,92 13,17 82,83
4 0,61 8,77 91,59
5 0,38 5,46 97,05
6 0,16 2,27 99,32
7 0,05 0,68 100,00
Somme 7,00 100
Les deux premiers axes expliquent PC = 69,65 %. Le plan principal est schmatis par la
figure 2.6. Pour lanalyse du plan principal, quatre situations typiques peuvent exister :
Deux machines sont voisines sont corrles entre elles. Ceci explique leurs
appartenances une mme cellule. Cest le cas ici pour les couples de machines
(M2 et M3) et pour (M4 et M7) qui reprsentent une corrlation maximale par
rapport aux autres couples.
Deux machines pratiquement opposes () seraient aussi trs corrles, mais
ngativement. Elles ne doivent pas appartenir une mme cellule. Cest le cas ici
pour le couple de machines (M3 et M4).
Deux machines angle approximativement droit (/2) lun de lautre sur le cercle
sont indpendantes (corrlation nulle). Cest le cas ici pour les couples de
machines (M1 et M3) et (M4 et M6) qui ne doivent pas tre regroupes ensemble.
En appliquant la mme rgle, les deux axes principaux sont videmment
indpendants.
scatter plot (F1 and F2) PC = 69,65 %
2
1,5 P2
P6
1 M 3
M 2 P1
0,5
P9
M 1
0 P7
P 11
P8 P3
M 5
-0,5 M 7 M 6
P5 M 4 P4
-1 P 10
-1,5
-2
-2 -1,5 -1 -0,5 0 0,5 1 1,5 2
- - C o m po ne nt F 1 ( 3 6 , 11 %) - - >
Figure 2.6 Illustration du plan principal relatif au problme de Boctor

Si aucune des trois dernires situations nest pas applicable (hsitation), la machine
considre sera alors une machine exceptionnelle quil faut affecter lune des
cellules en appliquant lalgorithme de la troisime phase.
En tenant compte des rsultats danalyse de ces rgles, on affirme simplement que latelier
doit comporter trois cellules : une premire cellule comportant les machines M2 et M3 et
une seconde cellule comportant les machines M1, M5 et M6 et finalement une troisime
cellule comportant les machines M4 et M7.
De la mme manire, on groupe les produits en familles. Dans certains cas, on peut
rapidement dcider le groupage des produits. Pour les situations typiques suivantes :
Deux ou plusieurs produits sont trs proches les uns des autres. Ceci explique le grand
rassemblement de leurs gammes de production. Par la suite, il est impratif de les
rassembler dans une mme famille de produits. Cest le cas ici pour les couples de
produits (P2 et P6) et (P3 et P11).
Un produit est trs proche de laxe orient positivement dune machine. Ceci explique
sa forte utilisation de cette machine. Le produit sera affect la cellule qui compose la
machine correspondante. Cest le cas ici, par exemple pour les couples (P7 et M1) et
pour (P8 et M7).
Sil y a ambigut pour un produit, il sera considr comme produit exceptionnel. Cette
ambigut se manifeste quand les cellules former possdent des lments exceptionnels.
M2 M3 M1 M5 M6 M4 M7
P2 1 1
P6 1 1
P9 0 1
P3 1 1 1
P7 1 1 0
P11 1 0 1
P5 1 1
P8 0 1
P10 1 1
P1 1 1
P4 1 1
Figure 2.7 Solution initiale du problme de Boctor
Phase 3 : Algorithme daffectation des lments exceptionnels
Daprs la deuxime phase, on remarque lloignement des produits P1 et P4 dans la figure

2.6. Pour affecter ces deux produits, il est ncessaire dappliquer lalgorithme de la
troisime phase. Le produit P1 est plus proche aux produits de la premire cellule, par
consquent il sera affect cette cellule. De la mme manire le produit P4 sera affect

la troisime cellule. Le rsultat final du problme de formation de cellule est donn dans
figure 2.8.
M2 M3 M1 M5 M6 M4 M7
P1 1 0 1
P2 1 1
P6 1 1
P9 0 1
P3 1 1 1
P7 1 1 0
P11 1 0 1
P4 1 1 0
P5 1 1
P8 0 1
P10 1 1
Figure 2.8 Solution finale du problme de Boctor
4.2 Cas des matrices dincidence en dures
4.2.1 Cas des demandes identiques de produits
En littrature, il nexiste pas assez de travaux de recherche qui traitent le problme de

formation de cellules pour des matrices dincidence en dures opratoires (Gupta,
Saifoddini, 1990). Lobjectif de cette partie est de vrifier la validation de lapproche
propose pour ce type de problme (Hachicha et al. 2006). Prenons le cas de lexemple
prsent par (Chen, Guerrero, 1994) qui est donn par la figure 2.9. Ce problme consiste
rpartir 10 produits et 6 machines.
M1 M2 M3 M4 M5 M6
P1 0 7 8 1 0 0
P2 0 4 7 5 0 0

P3 0 6 4 1 0 0

P4 0 8 5 5 0 0
P5 2 0 0 4 3 1

P6 0 9 6 0 0 3
P7 0 1 0 0 0 0

P8 3 0 0 0 0 1
P9 0 0 0 0 7 6

P10 0 0 0 0 0 9
Figure 2.9 Matrice dincidence initiale du problme de Chen (Chen et Guerrero, 1994)
En appliquant la dmarche propose, on obtient en premire phase, la matrice des

coefficients de similarit prsente dans la figure 2.10.

M1 M2 M3 M4 M5 M6
1,00
M1 - 0,49
1,00
M2
- 0,47 0,87 1,00
M3
M4 0,00 0,28 0,37 1,00

M5 0,04 -0,45 -0,43 -0,09 1,00
M6 - 0,17 -0,41 -0,45 - 0,46 - 0,38 1,00

Figure 2.10 Matrice S de similarit relative au problme de Chen
On obtient en deuxime phase, le plan principal relatif au problme de (Chen et Guerrero,

1994) prsent par la figure 2.11.
Scatter Plot ( F1 and F2) PC= 70,26 %

1,5
P5
1
P8
M4
0,5 M1
P2
P4
0
M3
P7
P3 M2
P1
-0,5 M5
P9
M6 P6
-1
P 10
-1,5
-1,5 -1 -0,5 0 0,5 1 1,5
C o m po ne nt F 1 ( 4 7 ,3 5 %) - - >
Figure 2.11 Illustration du plan principal relatif au problme de Chen
En analysant le plan principal de la figure 2.11 et en appliquant lalgorithme daffectation

des produits exponentiels pour les produits P5 et P6, on obtient la solution finale donne
dans la figure 2.12

M2 M3 M4 M1 M5 M6 M4 M2 M3 M6 M1 M5
P1 7 8 1 P2 5 4 7
P2 4 7 5 P4 5 8 5
P3 6 4 1 P3 1 6 4
P4 8 5 5 P1 1 7 8
P6 9 6 0 3 P6 9 6 3 0 0
P7 1 0 0 P5 4 1 2 3
P5 4 2 3 1 P8 1 3 0
P8 3 0 1 P7 1 0 0 0
P9 0 7 6 P9 6 0 7
P10 0 0 9 P10 9 0 0
Figure 2.12 Solution finale propose du Figure 2.13 Solution finale du problme
problme de Chen (temps opratoire en de Chen par lapplication de la mthode
dehors des cellules = 3 + 4 = 7 UT) de King (temps opratoire en dehors des
cellules = 9 + 6 + 4 + 1 = 20 UT)
(Chen et Guerrero, 1994) ont appliqu la mthode de King pour le mme problme et ils
ont trouv le rsultat prsent dans la figure 2.13. En comparant les deux solutions des
figures 2.12 et 2.13, nous constatons que la solution de lapproche propose (figure 2.12)
est meilleure que celle de King en terme de nombre dlments exceptionnels et de dure
totale des oprations en dehors des cellules.
Il est rappeler que parmi les hypothses de rsolution de ce problme est : lgalit des
demandes des diffrents produits. La question qui se pose maintenant est dtudier
lefficacit de lapproche propose pour diffrentes demandes de produits.
4.2.2. Influence de la demande sur la solution de formation des cellules
Nous supposons en plus de la matrice dincidence donne par la figure 2.9, une demande
variable des produits comme lindique le tableau 2.3.
Tableau 2.3Demandes des diffrents produits du problme de (Chen et Guerrero, 1994)

Produits P1 P2 P3 P4 P5 P6 P7 P8 P9 P10
Production volume 10 10 10 10 100 10 60 10 10 10
De ce fait, on peut crire la nouvelle matrice dincidence en dures opratoire qui est
prsente dans la figure 2.14.

0 M1 M2 M3 M4 M5 M6
P1 0 70 80 10 0 0
P2 0 40 70 50 0 0
P3 0 60 40 10 0 0
P4 0 80 50 50 0 0
P5 200 0 0 400 300 100
P6 0 90 60 0 0 30
P7 0 60 0 0 0 0
P8 30 0 0 0 0 10
P9 0 0 0 0 70 60
P10 0 0 0 0 0 90
Figure 2.14 Matrice dincidence du problme de Chen avec demande variable
En appliquant la dmarche propose cette matrice dincidence, nous obtenons en

premire tape, le plan principal associ ce problme prsent par la figure 2.15. En
seconde tape, la solution finale du problme qui est prsente dans la figure 2.16. Nous
remarquons un changement radical dans le rsultat de formation des cellules.
Scatter plot ( F1 and F2) PC= 89,41 %
2,5
2
M3
1,5 M2
M4 P5
1 P1
P4
M1
0,5 P2 P6
M5
P3
0
P7
-0,5
P8 M6
-1 P9
P 10
-1,5
-2
-2,5
-2,5 -2 -1,5 -1 -0,5 0 0,5 1 1,5 2 2,5
C o m po ne nt F 1 ( 6 7 ,2 7 %) - - >
Figure 2.15 Illustration du plan principal du problme de Chen avec demande variable

M2 M3 M4 M1 M5 M6 M2 M3 M4 M1 M5 M6
P1 70 80 10 P1 70 80 10
P2 40 70 50 P2 40 70 50
P3 60 40 10 P3 60 40 10
P4 80 50 50 P4 80 50 50
P6 90 60 30 P6 90 60 0 30
P7 10 0 P7 10 0 0
P5 400 200 300 100 P5 400 200 300 100
P8 0 30 0 10 P8 30 0 10
P9 0 0 70 60 P9 0 70 60
P10 0 0 0 90 P10 0 0 90
Figure 2.16 Solution finale propose du Figure 2.17 Solution finale du problme de
problme de Chen avec demande variable Chen avec demande constante selon la figure
(temps opratoire en dehors des cellules = 150 2.12 (temps opratoire en dehors des cellules
UT) = 430 UT)
En comparant les solutions des figures 2.16 et 2.17, nous constatons leffet de lhypothse
de variabilit de la demande des diffrents produits. En effet, nous remarquons que si nous
prenons en considration cette hypothse aprs la formation de cellules, le temps
opratoire en dehors des cellules sera 430 UT et le nombre des EE est de 2. Par contre, si
nous prenons en considration cette hypothse avant la formation de cellules, la solution
finale change et le temps opratoire en dehors des cellules sera en consquence 150 UT et
le nombre des EE est de 5. Cest au concepteur de choisir entre ces alternatives de
conception.
5. Validation de lapproche propose
5.1 Premire tude comparative
Le tableau 2.4 rsume quelques tests qui ont t raliss en appliquant lapproche
propose sur des matrices dincidence binaires reconnues en littrature de taille diffrente.
La source de ces problmes est indique dans la colonne de droite.
Tableau 2.4 Les diffrents problmes de validation

No. Taille (m x p) F Rfrence
1 5x7 2 (Waghodekar et Sahu, 1984)
2 7 x 11 3 (Boctor, 1991)
3 8 x 20 3 (Chandrasekharan et Rajagopalan, 1986)
4 11 x 22 3 (Chan et Milner, 1982)
5 14 x 24 4 (King, 1980)
(King et Nakornchai, 1982) introduit initialement par
6 16 x 43 5
Burbidge en 1973 comme une tude de cas industriel

Problme 1 : exemple de problme de taille faible
Les rsultats de lapproche propose pour le problme (5x7) sont prsents dans les
figures 2.18, 2.19 et 2.20. Il est noter que la solution de deuxime phase indique que les
produits P1 et P4 sont des produits exponentiels
Scatter plot (axis F1 and F2)

PC= 85,63 %)
2
1,5 P1
1 P6 M4
0,5
P3 M3
0
P2 P7
M5
-0,5 M1
M2
P5 P4
-1
-1,5
-2
-2 -1,5 -1 -0,5 0 0,5 1 1,5 2
- - C o m po ne nt F 1 ( 6 2 ,7 2 %) - - >
Figure 2.18 Illustration du plan principal du problme (5 x 7)
M2 M4 M5 M3 M1
P3 1 1 1
P5 1 0 1
P6 0 1 1
P7 1 1
P2 1 1
P4 1 1 1
P1 1 1
Figure 2.19 Solution de deuxime phase du problme (5 x 7)
M2 M4 M5 M3 M1
P3 1 1 1
P5 1 0 1
P6 0 1 1
P1 1 1 0
P2 1 1
P4 1 1 1
P7 1 1
Figure 2.20 Solution finale du problme (5 x 7)

Problme 4 : exemple de problme de taille moyenne
Le problme est donn dans la figure 2.21. Les rsultats de lapproche propose pour le
problme (11x 22) sont prsents dans les figures 2.22, 2.23 et 2.24.
Scatter plot (F1 and F2 ) PC = 72,63 %

M1 M2 M3 M4 M5 M6 M7 M8 M9 M10 M11 2
P1 1 1 1 1
P5
P2 1 1 1 1 1,5
P 12
P3 1 1 1 1 P 19
P8
P4 1 1 1 1 M2
-- Component F2 (30,23 %) -->

M6
P5 1 1 1 1 1 M3
P 13
P6 1 1 1 0,5 M 10
P7 1 1 P 11
P8 1 1 1 P6
P 1 P 15 P 3
0
P9 1 1 1 1 M8 P 16
P 10 P7
P10 1 1 P 20 M4 M1
-0,5
M 11 M 5 P2
P11 1 1 1 1 M9 P 22 P 21
P 14 M7
P12 1 1 1 1 1 P 18
P13 1 1 -1 P9 P 17
P4
P14 1 1 1
P15 1 1 1 1 -1,5
P16 1 1 1 1
P17 1 1 1 -2
P18 1 1 1 1 1 -2 -1,5 -1 -0,5 0 0,5 1 1,5 2
P19 1 1 1 1 -- Com ponent F1 (42,40 %) -->

P20 1 1 1 1
P21 1 1 1
P22 1 1 1 Figure 2.22 Illustration du plan principal du
problme (11 x 22)
Figure 2.21 La matrice dincidence du
problme (11 x 22)
M1 M4 M5 M2 M3 M6 M7 M9 M11 M8 M10
M1 M4 M5 M10 M2 M3 M6 M7 M9 M11 M8
P1 1 1 1 1
P1 1 1 1 1
P2 1 1 1 1
P2 1 1 1 1
P3 1 1 1 1
P3 1 1 1 1
P15 1 1 1 1
P15 1 1 1 1
P16 1 1 1 1
P16 1 1 1 1
P20 1 1 1 1
P20 1 1 1 0 1
P21 1 1 1
P21 1 1 1 0
P22 1 1 1
P22 1 1 1 0
P7 0 0 1 1
P7 0 0 1 1
P5 1 1 1 1 1
P11 1 1 0 1 1
P8 1 0 1 1
P5 1 1 1 1 1
P12 1 1 1 1 1
P8 1 1 0 1
P19 1 1 1 1
P12 1 1 1 1 1
P13 0 1 0 1
P19 1 1 1 1
P4 1 1 1
P13 0 1 0 1
P9 1 1 1 1
P4 1 1 1 0
P10 0 0 1 1
P9 1 1 1 1
P14 1 1 0 1
P10 0 0 1 1
P17 1 1 1
P14 1 1 0 1
P18 1 1 1 1 1
P17 1 1 1 0
P11 1 1 0 1 1
P18 1 1 1 1 1
P6 1 1 0 0 1
P6 1 1 0 0 1
Figure 2.23 Solution de deuxime phase
du problme (11 x 22)

Problme 6 : exemple de problme de grande taille
Le plan principal relatif au problme (16 x 43) est prsent dans la figure 2.25.a. Lanalyse
de ce plan est un peu dlicate. Cest pourquoi, nous avons retir les produits pour faciliter
linterprtation.
Scatter plot ( F1 and F2) PC = 42,38 %

Machines (axis F1 and F2) PC= 37,74 %)
1,5 1
P5
M 15
1 P 21P 19 M4
P 14 M5
P 33 P 29 0,5
P 43 P 41 M6
0,5 M4
M5 P 23 P 38 P 10 P 42 M9
M 15 P 8 P 37 M1
M 1M M2 M 16
9 M2
P9 P 16 P 40 P 32
P 15 M 16
P7 P 28 P 18 M8
0 P4
0
M 14 P2
M
M 13 P 1112 M 3 P 36 P 6 M 14
M 11 P 39 P 35P 17
P 27 M 10MP73 P 34 M3
P 26
-0,5 P 24 P 12
P 3 P 25 P 31 M7
P 20 M 11
P 22 M 10
P1 -0,5
P 30 M 12
-1 M 13
-1,5 -1
-1,5 -1 -0,5 0 0,5 1 1,5 -1 -0,5 0 0,5 1
- - C o m po ne nt F 1 ( 2 4 ,6 7 %) - - >
- - C o m po ne nt F 1 ( 2 1,9 0 %) - - >
Figure 2.25.a Illustration du plan principal Figure 2.25.b Illustration du plan principal du
du problme (16 x 43) problme (16 x 43) pour les machines seulement.
Les rsultats de la seconde tape de lapproche propose pour le problme (16 x 43) sont
prsents dans la figure 2.26. La solution finale du problme (16 x 43) est prsente dans
la figure 2.27.

M M M M M M M M M M M M M M M M M M M M M M M M M M M M M M M M
1 2 9 1 3 1 1 1 1 1 7 4 5 1 6 8 1 2 9 1 4 5 1 6 8 1 1 1 3 1 1 7
6 4 1 2 3 0 5 6 5 1 2 3 4 0
P4 0 0 1 0 0 0 P2 0 1 1 1 1 1 1
P10 0 1 1 1 0 0 P4 0 0 1 0
P18 0 0 1 1 0 0 P10 0 1 1 1
P28 0 1 1 0 0 1 P18 0 0 1 1
P32 0 1 1 1 1 0 P28 0 1 1 0 1
P37 1 1 1 1 1 1 P32 0 1 1 1 1
P38 0 1 1 1 0 1 P37 1 1 1 1 1 1
P40 0 1 1 0 1 0 P38 0 1 1 1 1
P42 1 1 1 1 1 0 P40 0 1 1 0 1
P34 1 0 1 0 P42 1 1 1 1 1
P35 1 1 0 0 P5 1 1 1 0 0
P36 1 0 0 0 P14 1 1 1 1 0
P6 0 1 1 0 P19 1 1 1 1 1
P17 1 1 1 0 P21 1 1 1 0 1
P3 1 0 1 0 1 P23 1 1 0 1 1
P11 0 1 0 0 1 P9 1 1 0 0 1 1
P20 1 0 0 0 1 P29 1 1 0 0 0
P22 0 1 0 0 0 P43 0 1 1 1 1
P24 1 1 1 0 1 P41 0 1 1 0 1
P27 1 1 0 0 1 P8 0 1 0 1 1
P30 1 1 0 0 0 P15 0 0 0 1 1
P13 1 1 1 0 P16 0 1 0 0 0
P25 1 1 0 0 P31 0 0 0 0 1 1
P1 1 1 1 1 P33 0 1 1 1 0
P12 1 0 1 1 P3 1 1 0 1
P26 1 0 0 0 P11 1 0 1 0
P39 1 0 1 0 P20 1 1 0 0
P31 1 0 0 1 P22 0 1 0
P5 1 1 1 0 0 P24 1 1 1 1
P14 1 1 1 1 0 P27 1 1 1 0
P19 1 1 1 1 1 P30 1 1 0
P21 1 1 1 0 1 P34 1 1 0
P23 1 1 0 1 1 P35 1 1
P29 1 1 0 0 0 P36 1 0
P43 0 1 1 1 1 P6 1 0 1
P41 0 1 1 0 1 P7 1 1 1 0
P8 0 1 0 1 1 P17 1 1 1
P15 0 0 0 1 1 P13 1 1 1
P16 0 1 0 0 0 P25 1 1
P33 0 1 1 1 0 P1 1 1 1 1
P2 1 1 1 1 1 1 P12 1 1 1 0
P7 1 1 1 0 P26 1 0
P9 1 1 1 0 1 P39 1 1 0
Figure 2.26 Solution de deuxime phase

du problme (16 x 43)
Afin dvaluer lapproche propose et de la comparer avec les autres mthodes. Les
rsultats obtenus sont valus en se basant sur des indicateurs de performance que nous
avons prsents au dbut de ce chapitre. Le tableau 2.5 prsente les rsultats de lapproche
propose ainsi que les meilleurs rsultats connus dans les articles rcents qui ont propos
des mthodes plus efficaces que les mthodes connues de formation de cellules comme
ROC, DCA, BEA, GRAFICS, n-centre, ART1, etc.

Tableau 2.5 Les rsultats de lapproche propose pour la FC
Les rsultas de
Les meilleurs rsultas connu ce jour
No. Taille F lapproche propose
PEE TUM EG1 PEE TUM EG1 Rfrence du rsultat
1 5x7 2 12.50 82.35 85.61 12.5 82.35 85.61 (Wang, 2003)
2 7 x 11 3 09.52 76.00 86.10 09.52 76.00 86.10 (Stawowy, 2006)
(Albadawi et al.
3 8 x 20 3 14.80 100.00 95.80 14.80 100.00 95.80
2005)
4 11 x 22 3 14.10 80.72 86.90 14.10 80.72 86.90 (Cheng et al. 2001)
5 14 x 24 4 03.28 68.60 83.90 03.30 68.60 83.60 (Wang, 2003)
(Chan, F.T.S et al.
6 16 x 43 5 22.22 63.22 79.00 23.01 64.23 79.40
2006)
En examinant les rsultats du tableau 2.5, nous pouvons conclure que lapproche propose
donne les mmes rsultats que des approches rcentes proposes dans la littrature. Nous
constatons que lapproche propose est valable, simple appliquer et ne requiert pas un
temps de rsolution leve.
5.2 Deuxime tude comparative
Ces vingt dernires annes, lutilisation des mtaheuristiques pour la formation des
cellules de production a suscit un intrt grandissant de chercheurs. Les modles utiliss,
leur principe inspir de la nature, leur capacit prendre en compte un large spectre de
contraintes, la raisonnable complexit des algorithmes mis en uvre et les performances
atteintes ont indubitablement contribu leur succs.
Cest pourquoi nous avons choisi de comparer lapproche propose avec les approches
bases sur les mtaheuristiques. La comparaison concerne en particulier la technique de
recuit simul (Boctor, 1991) et la technique de la recherche Tabou (Adenso-Diaz et al,
2005). Ce choix est justifi, dune part, par ce que F. Boctor a propos dix problmes de
mme taille (30 produits et 16 machines), indiqus dans la figure 2.28, avec leurs solutions
optimales. Ceci pour mesurer lefficacit de la technique du recuit simul. Dautre part,
(Adenso-Diaz et al, 2005) ont repris les mmes problmes avec la technique de recherche
Tabou.

Problme 1 Solution du problme 1

Solution du problme 6
Problme 6


Solution du problme 10
Problme 10
Figure 2.28 Les solutions trouves pour les dix problmes de (Boctor, 1991)
5.2.1 Etude comparative avec la mthode de Recuit Simul
Pour la premire tude comparative, nous avons limit la comparaison aux pourcentages
des lments exceptionnels (PEE). En effet, Boctor (1991) a prsent seulement les NEE
de chaque problme.
Tableau 2.6 Tableau comparatif avec la mthode de Recuit Simul
Recuit simul Solution Optimale

N Approche propose
F (Boctor, 1991) (Boctor, 1991)
Problmes
UE NEE PEE UE NEE PEE UE NEE PEE
1 3 108 8 7,4 108 14 13,0 108 8 7,4
2 3 106 6 5,7 106 6 5,7 106 6 5,7
3 4 92 8 8,7 92 NA NA 92 NA NA
4 2 111 13 11,7 111 13 11,7 111 13 11,7
5 3 107 9 8,4 107 9 8,4 107 8 7,5
6 3 101 6 5,9 101 8 7,9 101 6 5,9
7 3 113 5 4,4 113 5 4,4 113 5 4,4
8 3 114 13 11,4 114 14 12,3 114 14 12,3
9 3 118 12 10,2 118 12 10,2 118 12 10,2
10 2 121 11 9,1 121 11 9,1 121 11 9,1
Avec F : le nombre de cellules former
Pour les problmes 1, 2, 4, 6, 7, 9 et 10, nous avons retrouv la solution optimale. En

dautre terme lapproche propose fournit la solution optimale dans 77,8 %. Par contre, la
mthode du recuit simul atteint la solution optimale seulement dans 66,7 % (problmes 2,

4, 7, 8, 9, 10). Pour les problmes 1, 6 et 8, lapproche propose a fourni un meilleur

rsultat que la mthode de recuit simul, et pour le problme 8 nous avons obtenu une
solution meilleure que celle propose par Boctor comme la solution optimale. Ceci met en
question la mthode utilise pour dterminer la solution optimale.
5.2.2 Etude comparative avec la mthode de Recherche Tabou
Pour la deuxime tude comparative, nous avons limit la comparaison aux pourcentages
des lments exceptionnels (PEE) et lefficacit de groupement (EG2).
Pour les problmes 1, 2, 5 et 8, lapplication de lACP a fourni un meilleur rsultat que la

mthode de Recherche Tabou en terme de pourcentage dlments exceptionnels. En effet
pour ces problmes, nous avons trouv respectivement 7,4 ; 5,7 ; 8,4 et 9,6 de pourcentage
dlments exceptionnels par contre (Adenso-Diaz et al, 2005) a trouv respectivement
9,3 ; 9,4 ; 10,3 et 13,2 de pourcentage dlments exceptionnels. Pour les problmes 3, 4,
6, 7 et 9, lapproche propose et la technique de recherche Tabou ont donne les mmes
rsultats. Seulement pour le problme 9, lapproche propose a fournit un PEE plus lev
que (Adenso-Diaz et al, 2005).
Tableau 2.7 Tableau comparatif avec la mthode de Recherche Tabou
Recherche Tabou
Approche propose
N
F (Adenso Diaz et al. 2005)
problmes
UE NVE NEE PEE EG2 UE NVE NEE PEE EG2
1 3 108 55 8 7,4 61 108 54 10 9,3 60
2 3 106 67 6 5,7 57 106 64 10 9,4 56
3 4 92 30 8 8,7 69 92 27 8 8,7 71
4 2 111 143 13 11,7 39 111 143 13 11,7 39
5 3 107 61 9 8,4 58 107 56 11 10,3 59
6 3 101 69 6 5,9 56 101 68 6 5,9 56
7 3 113 68 5 4,4 60 113 68 5 4,4 60
8 3 114 67 13 11,4 55,8 114 54 15 13,2 59
9 3 118 54 12 10,2 62 118 56 12 10,2 61
10 2 121 130 11 9,1 44 121 133 10 8,3 44
En faisant la comparaison laide de lindicateur de lefficacit de groupement,

lapproche propose a fournit un meilleur rsultat que la mthode de Recherche Tabou
pour les problmes 1, 2, et 9. En effet pour ces problmes, nous avons trouv
respectivement 61, 57 et 62 de EG2 par contre (Adenso-Diaz et al, 2005) a trouv
respectivement 60, 56 et 61 de EG2. Pour les problmes 3, 5 et 8, la technique de

recherche Tabou donne des meilleures efficacits de groupement que lapproche propose.
Pour les autres problmes (4, 6, 7 et 10) nous avons retrouv les mmes performances.
6. Conclusion
Lapproche propose prsente plusieurs points forts. Lavantage rside dans la simplicit,
la rapidit de rsolution et la considration du nombre de cellules former (F) comme une
variable dpendante ou indpendante. En plus, elle est accessible gratuitement pour les
industriels travers la disponibilit de plusieurs logiciels danalyses de donnes dans le
march comme SPSS, SPAD, S+, XLSTAT, etc. pour la formation et la configuration des
diffrentes cellules formes.
Durant ce second chapitre, nous avons constat pour nimporte quelle mthode utilise,
quil est rare de trouver des cellules compltement indpendantes. C'est--dire, il est trs
frquent de trouver des lments exceptionnels (EE) dans la solution finale. La majorit de
la littrature spcifique la conception des cellules de production suggre que le
traitement des EE est indispensable pour atteindre les avantages de la TG. Pour cela,
plusieurs scnarios de traitement sont ainsi proposs : la duplication des machines
exceptionnelles, la modification du routage des produits exceptionnels, la sous-traitance
des produits exceptionnels, etc. Tous ces scnarios exigent un changement dans la
structure du systme cellulaire, sauf la modification du routage des produits exceptionnels.
Cette dernire est possible si par hypothse il existe au dpart, plusieurs gammes possibles
pour chaque produit. Dans ce cas, le problme serait donc comment slectionner la
meilleure gamme pour chaque produit qui permet dliminer les EE dans la solution
finale. Ceci nous amne une autre problmatique reconnue en littrature par le problme
de formation de cellules avec gammes alternatives que nous allons tudier dans le chapitre
suivant.

Chapitre 3
EXTENSION POUR LA FORMATION DES

CELLULES AVEC GAMMES
ALTERNATIVES
1. Introduction
Comme nous lavons dj signal, la formation des cellules de production se traduit par le
groupement des produits en familles et le partage des machines en sous groupes. Le
traitement de ce problme devient plus complexe en prsence de gammes alternatives,
cest dire lorsquil existe plusieurs scnarios de fabrication possibles pour un mme
produit. Le choix des gammes va influencer certainement les performances des cellules
formes.
Lapproche que nous proposons ici porte sur le choix de la gamme optimale pour chaque
produit qui engendre une meilleure mise en cellules, en se basant sur la technique des
plans dexpriences (Hachicha et al. 2008b, 2008c). Ce qui nous a permis dintroduire une
analyse de sensibilit de la solution optimale selon les diffrentes gammes possibles. Ceci
nous amne la premire catgorie des problmes de formation de cellules prsentes
dans les deux chapitres prcdents comme lindique la figure 3.1.
Dans ce chapitre, nous allons prsenter dans une premire partie, un tat de lart spcifique
aux mthodes de formation de cellules avec gammes alternatives. Lobjectif de la seconde
partie est de faire une prsentation succincte de la mthode des plans dexpriences (plan
factoriel, plan fractionnaire, mthode Taguchi) afin de pouvoir prsenter leur mise en
uvre dans le cadre de la formation de cellules. Afin de valider lapproche propose,
quelques problmes reconnus en littrature ont t rsolus et compars avec les rsultats
antrieurs.

2. Etat de lart
De nombreux auteurs proposent diffrentes approches pour la rsolution du problme de

FC avec gammes alternatives depuis Kusiak (Kusiak, 1987) qui a propos le terme
Technologie de Groupe gnralise pour ce type de problmes.


possible multiples
Chapitre 4

simulation
Chapitre 4
Figure 3.1 Place du troisime chapitre dans les travaux de thse
Ces approches peuvent tre classes en trois catgories principales comme lindique
(Adenso-Diaz et al, 2001) : mthodes squentielles, mthodes itratives et mthodes
simultanes. Dans (Gupta, 1993) et (Ho et Moodie, 1996), les auteurs ont propos des
mthodes de la premire catgorie en deux tapes. Pendant la premire tape, une gamme
est dtermine dfinitivement pour chaque produit en respectant les contraintes de
capacit des machines. Dans cette tape les produits seront groups en familles selon les
gammes choisies. Dans la deuxime tape, les machines seront affectes aux familles de

produits ainsi obtenus. Linconvnient de cette mthode rside dans son caractre
purement squentiel. La slection des gammes nest amliore quune fois au dbut du
traitement et la flexibilit donne par les gammes alternatives nest plus utilise pour
rduire le trafic intercellulaire. En plus, une fois la solution optimale trouve, les donnes
des diffrentes gammes possibles ne seront pas exploitables ultrieurement.
(Nagi et al, 1990) proposent une mthode itrative rsolvant deux sous problmes distincts
: le sous problme de la FC laide dune heuristique et le sous problme concernent la
slection des gammes par lalgorithme du Simplex. Cette mthode est limite par
lutilisation de la mthode du Simplex car le nombre de contraintes devient trs important
quand la taille des problmes augmente. De plus, lutilisation dune heuristique ne garantit
pas la convergence vers un optimum global. (Rajamani et al .1990) ont propos trois
programmes linaires en nombres entiers pour la rsolution simultanne du problme de
FC avec gammes alternatives. Dautres auteurs tels que (Kusiak, 1987, Caux et al, 2000;
Adenso-Diaz et al, 2001; Vin et al, 2003 et Chan, F.T.S et al, 2006) ont propos aussi des
mthodes de rsolution simultane pour la FC en prsence de gammes alternatives.
Diverses techniques sont ainsi proposes, (Kusiak, 1987) a gnralis le programme n-
centre pour former simultanment les cellules en choisissant pour chaque produit la
gamme qui donne la meilleure mise en cellules. (Caux et al, 2000) ont combin une
approche base sur la technique du recuit simul et sur lalgorithme de Sparation et
Evaluation branch-and-bound pour amliorer simultanment la slection des gammes et
la minimisation du flux intercellulaire.
Dans la dernire dcennie, la tendance des chercheurs sest oriente vers le dveloppement
des mthodes mathmatiques exactes ou approches pour rsoudre le problme de FC
avec gammes alternatives. Pour les mthodes exactes (Won, 2000), (Malkooti et al. 2004),
(Defersha et Chen, 2006), (Subramaniam et al. 2006) et (Jabalameli et Arkat, 2008) ont
propos des mthodes bases sur la programmation linaire. Pour les mthodes
approches et plus particulirement les mtaheuristiques (Adenso-Diaz et al, 2001) et (Wu
et al. 2004) ont propos des algorithmes bass sur la technique de type recherche Tabou,
(Zhao et Wu, 2000), (Uddin et Shanker, 2002), (Vin et al.2005), (Chan, F.T.S et al. 2006),
(Nsakanda et al. 2006) et (Pattanaik, et al. 2007) ont propos divers algorithmes
gntiques et enfin, (Caux et al. 2000), (Wu et al. 2008) ont utilis la technique du recuit
simul pour rsoudre ce problme. (Mukattash, et al. 2002) ont propos des heuritiques
pour la formation des cellules sans ou avec gammes alternatives.

Comme indiqu par les auteurs eux-mmes, les diffrentes mthodes itratives ou
simultanes, ne sont pas pratiques pour rsoudre des problmes de FC de grandes tailles.
Nous suggrons pour rsoudre, dune manire efficace, ce type de problme une approche
squentielle modifie comme recommand par (Gangan et al.1987), (Hwang et Ree 1996),
(Kazerooni et al. 1997), (Kizil et Ozbayrak, 2004), etc. Dans cette catgorie dapproches
non indique par (Adenso-Diaz et al, 2001), le problme de FC avec gammes alternatives
est subdivis en deux sous problmes en cascade. Le premier sous problme porte sur le
choix pour chaque produit une gamme prfrentielle qui assure une meilleure mise en
cellules ultrieurement. Le second sous problme consiste appliquer lune des mthodes
classiques (chaque produit possde une seule gamme) de FC.
Dans ces travaux de thse, nous avons propos, pour la premire fois en littrature,
dutiliser la mthode doptimisation base sur les plans dexpriences pour rsoudre le
premier sous problme. Nous allons dcrire brivement dans la section suivante le
principe, la dmarche et quelques notions relatives aux mthodes des plans dexpriences.
3. La mthode des plans dexprience
La mthode des plans dexprience propose une approche exprimentale pour tudier le
comportement dun systme considr comme une bote noire et en dduire un modle
empirique approximatif dfaut dun modle formel plus prcis. Ils ont t formaliss par
le statisticien Fisher (Box et al. 1978) puis dvelopps et adapts ensuite par Taguchi au
domaine de la qualit (Taguchi, 1987). Leur premire utilisation concernait le domaine
agronomique. Ils ont t ensuite appliqus dans une multitude de domaines : la gestion de
la qualit comme (Montgomery, 1991), (Montgomery, 1997), (Pillet, 1994), etc. Le choix
optimale des paramtres des procds technologiques telque le procd de soudage, les
procds chimiques, etc. (Macodiyo et Soyama, 2006), (Hou et al. 2007). Lvaluation
des performances par simulation (Law et Kelton, 2000), (Tsai, 2002), etc.
3.1 Gnralits
Les plans dexpriences permettent dorganiser, de planifier et doptimiser la ralisation

dexpriences dans un domaine quelconque. Ils rpondent au besoin de comprendre et de
modliser un systme considr, comportant des entres, appeles facteurs, notes Xi sur
la figure 3.2 et des sorties, appeles rponses, notes Yi. En labsence de mthode
structure, lapproche empirique et intuitive consiste faire varier un seul facteur la fois.

Cette mthode est simple mais inefficace car elle suppose que les effets des facteurs sur la
rponse sont indpendants, ce qui est trs rare dans la pratique.
Entre Xi Systme analyser Rponses Yi
Figure 3.2 Systme tudi Bote noire

Dans le contexte des plans dexpriences, il est ncessaire que la rponse sexprime de
manire quantitative et que les facteurs soient des grandeurs contrlables. En outre, un
facteur est de type quantitatif ou qualitatif, dans ce dernier cas, il doit tre discrtis pour
tre exploitable.
Trois types de problmatique sont abords par les plans dexpriences (Pillet,1994) :
Quantification ou valuation : le but est de quantifier et hirarchiser linfluence
des facteurs. La question de la signification des effets peut galement tre prise en
compte par les plans dexpriences. Il sagit alors de dcider si les variations de la
rponse sont dues aux variations des facteurs ou des fluctuations alatoires
provoques par la variabilit naturelle des facteurs. Lanalyse de la variance et les
tests statistiques sont utiliss pour rpondre ce type de question ;
Optimisation : elle vise ajuster un modle de rgression qui permet de prdire le
comportement du systme. Ce modle est dans le cas le plus courant un modle
linaire du premier ordre. La recherche dun rglage optimal des facteurs est alors
possible ;
Robustesse : lobjectif vise rendre la rponse insensible aux perturbations
bruits . La particularit de cette approche dveloppe par Taguchi consiste
prendre en compte non seulement le comportement moyen du systme mais aussi
la variabilit de celui-ci.
3.2 Vocabulaire
Trois termes propres au vocabulaire des plans dexpriences sont dvelopps ci-dessous :
Niveaux : ce sont les valeurs possibles dun facteur ;
Effet : dun facteur A sur une rponse R, est la variation de R en fonction des
niveaux du facteur A. Soit, par exemple, un facteur A deux niveaux nots 1 et 2,
leffet de ce facteur sur la rponse note R est reprsent en figure 3.3;

R
R1
Effet moyen de A
(R1 + R 2 )/2
R2
A
1 2
Figure 3.3 Graphe des effets du facteur A
Leffet de A au niveau i, not par EAi est par dfinition la diffrence entre la moyenne des
rponses lorsque A est au niveau i et la moyenne gnrale des rponses.
Interaction : deux facteurs A et B sont en interaction si leffet de A dpend du
niveau de B. A titre dexemple, lajout dun catalyseur dans une raction chimique
reprsente une interaction qui engendre un effet additif. La figure 3.4 reprsente
graphiquement une interaction entre deux facteurs A et B, chacun deux niveaux
(1 et 2). Dans la figure 3.4 (a), les droites reprsentant les effets sont parallles, il
ny a donc pas dinteraction entre A et B. Par contre, dans la figure 3.4 (b), ces
droites se croisent, les facteurs A et B sont en interaction.
R R
B au niveau 2
B au niveau 2
B au niveau 1
B au niveau 1
A A
1 2 1 2
(a) Absence dinteraction (b) Interaction forte
Figure 3.4 Interactions entre deux facteurs A et B
Linteraction IAiBj sera recherche partir des rsultats moyens des essais raliss lorsque
le facteur A se trouve au niveau i et le facteur B au niveau j. Mais dans tous ces essais,
leffet principal EAi joue sur la rponse, de mme que leffet EBj.
3.3 Type de plans
Un plan dexpriences est un tableau ou une matrice dont les colonnes reprsentent des
facteurs et les lignes des essais. La dernire colonne reprsente la rponse mesure du

systme en se fixant un seul niveau de chaque facteur tudi. Il existe trois proprits
importantes des plans dexpriences :
Complet : ils contiennent toutes les combinaisons des facteurs dans tous les
niveaux possibles. Le nombre dessais raliser devient rapidement non
matrisable c'est--dire quil correspond au produit du nombre de niveaux de
chaque facteur. Cest linconvnient majeur qui justifie la thorie de construction
des plans.
Fractionnaire : cest une fraction du plan complet. Le nombre dessais est rduit
par rapport au plan complet. En contrepartie il ne permet danalyser quun sous-
ensemble du modle complet car des effets peuvent tre mlangs. Les plans
dexpriences de Taguchi font partie de ces plans fractionnaires, mais avec un
avantage important, la facilit de mise en pratique de ces plans grce quelques
astuces qui simplifient la tche de lexprimentateur.
Orthogonal : tous les niveaux de chaque facteur sont associs avec le mme
nombre de fois tous les niveaux des autres facteurs. Cette proprit entrane que
chacun des effets peut tre estim sans que les autres biaisent cette estimation.
Autrement dit, la contribution sur la rponse de chaque facteur du plan est
indpendante des autres. De ce fait, un plan orthogonal devra tre le plus petit
commun multiple (PPCM) du produit du nombre de niveaux de toutes les actions
disjointes prises deux deux.
Un plan complet est ncessairement orthogonal. Cependant, un plan dexpriences

fractionnaire doit tre conu de manire respecter la proprit dorthogonalit pour
quilibrer les effets des diffrents facteurs considrs et permette ainsi une exploitation
non biaise des expriences ralises sur le systme. La construction dun plan
fractionnaire orthogonal nest pas vidente ds que le nombre dessais dpasse quatre.
Cest pourquoi, des tables standards et des techniques dadaptation des situations
spcifiques ont t labores pour simplifier la mise en uvre des plans dexpriences : il
sagit principalement des tables de Taguchi.
3.4 Mthode Taguchi
Le docteur Genichi Taguchi a travaill dans le domaine de la qualit, il a notamment mis

au point une mthode nomm mthode Taguchi qui permet de matriser la qualit ds

la conception des produits. Lutilisation du plan fractionnaire permet de diminuer

considrablement le nombre dexpriences raliser pour identifier les coefficients dun
modle. La mise au point de plans fractionnaires adapts un modle est une procdure
longue et peut savrer complexe. Taguchi a mis au point une mthode originale
permettant, partir de quelques tables standard, de rsoudre facilement la plupart des
problmes industriels en matire de plan dexpriences (Taguchi, 1993). Ces tables
standards de Taguchi considrent que les interactions entre deux facteurs sont ngligeables
sauf quelques-unes parfaitement identifies. Et les interactions dordre suprieur deux
seront toujours considres comme ngligeables (Pillet, 2005).
3.4.1 La dmarche de la mthode Taguchi
La dmarche de Taguchi se prsente en six phases (Taguchi, 1987) :
Phase 1 : dcrire le problme rsoudre en essayant de quantifier lobjectif atteindre.
Phase 2 : slectionner les paramtres les plus influents aprs un recensement exhaustif.
Les paramtres lists non retenus seront maintenus constants au cours des essais.
Phase 3 : construire le plan en utilisant des tables ayant des proprits dorthogonalit
pour configurer les combinaisons des facteurs tester. La proprit dorthogonalit permet
de faire varier dans une srie dessais plusieurs facteurs en mme temps sans que leffet
influe sur les autres facteurs. Cette proprit a pour consquence de diminuer le nombre
dessais.
Phase 4 : raliser les essais en reproduisant sur le produit ou le processus chaque

combinaison du plan et en consignant les rponses dans un tableau.
Phase 5 : analyser les rsultats. Il existe deux mthodes complmentaires : lanalyse

graphique mise au point par Taguchi et lanalyse de la variance statistique (AVOVA).
Phase 6 : conclure partir de la synthse des rsultats obtenus et dcider des actions
mener (rglages des paramtres, remise en cause de la conception du produit ou du
processus, etc.).

3.4.2 Le choix dune table de Taguchi
Afin de choisir une table existante, il faut calculer le nombre dessais minimum
effectuer. Ce calcul est bas sur la notion de degr de libert (ddl) qui est dfini
mathmatiquement comme suit :
9 le ddl dun facteur est gal au nombre de ces niveaux moins un ;

9 le ddl dune interaction est gal au produit des ddl des facteurs la composant ;
9 le ddl dun modle est gal la somme des ddl des facteurs et des interactions ;
9 le ddl dun plan est gal au nombre dessais moins un.
Il sagit alors de choisir la plus petite matrice dexpriences compatible avec le modle
choisi, c'est--dire le nombre de ddl du plan doit tre suprieur ou gal celui du modle.
Les tableaux de Taguchi sont dsigns par trois symboles. Par exemple, la table L8 (27)
comporte 8 essais pour tudier un problme possdant au maximum 7 facteurs avec deux
niveaux chacun. La table L36 (211x312) comporte 36 essais pour tudier 11 facteurs deux
niveaux et 12 autres facteurs trois niveaux.
4. Approche propose
4.1 Architecture de lapproche propose
Lapproche propose considre le problme de la FC avec gammes alternatives comme un

ensemble de plusieurs sous problmes dont le traitement est bas sur la matrice
dincidence Produits-Machines.
La dmarche de lapproche propose est illustre dans la figure 3.5 en deux phases. La
premire phase porte sur lapplication de la mthode des plans dexpriences. En effet,
chaque combinaison du plan (exprience) constitue une solution possible du problme de
la FC avec gammes alternatives. La rponse du modle du plan dexpriences est le
pourcentage cumul (PC) prsent dans le chapitre prcdent qui permet de mesurer une
solution de la FC. La seconde phase de la dmarche propose consiste appliquer la
mthode de FC base sur lanalyse des corrlations statistiques que nous avons propose
dans le chapitre prcdent.

Problme de la FC avec des

gammes alternatives
Dterminer les configurations possibles

selon un plan dexpriences (affecter
chaque produit une seule gamme)
Calculer lindice de performance PC pour

chaque configuration
Dterminer la configuration optimale

(celle qui maximise PC)
Appliquer la technique de FC base

sur les corrlations (chapitre 2)
Analyse de Solution optimale

sensibilit + du problme
Figure 3.5 Architecture de lapproche propose pour la FC avec gammes alternatives

4.2 Application du plan factoriel
4.2.1 Slection des gammes
La mthodologie de lapproche propose est applique un exemple de formation de

cellules. Soit un atelier disposant de 8 machines pour fabriquer 6 types de produits :
Le produit P1 peut avoir deux gammes possibles.

Le produit P3 possde trois gammes alternatives
Le produit P5 dispose de deux gammes alternatives.
Les produits P2, P4 et P6 possdent chacun une seule gamme.
Le tableau 3.1 prsente la matrice dincidence de ce problme. La prsence dun 1

dans la matrice dincidence dsigne que la gamme du produit demande la machine
correspondante. Dans le cas contraire, on met 0 .

Tableau 3.1 Les donnes de lexemple illustratif
Produit Gamme M1 M2 M3 M4 M5 M6 M7 M8
1 0 0 1 0 1 0 1 0
P1
2 0 0 1 0 1 1 0 1
P2 1 1 0 1 0 0 0 1 0
1 1 0 0 0 1 0 0 1
P3 2 1 0 1 1 0 0 1 0
3 1 1 0 0 1 0 1 1
P4 1 0 1 0 0 0 1 0 1
1 0 1 0 0 0 0 0 0
P5
2 0 1 0 1 0 1 0 1
P6 1 0 1 0 1 0 1 0 1
Le problme consiste choisir pour chaque produit la gamme qui donnera le meilleur
groupement des machines en cellules. En appliquant la dmarche de la figure 3.5, ltude
du plan complet consiste tudier toutes les combinaisons possibles des gammes de
chaque produit. Le nombre dexpriences ncessaires pour lensemble des combinaisons
quon note par N, est simplement le produit du nombre de gammes de chaque produit,
c'est--dire N = 2 x 3 x 2 = 12 expriences.
Pour chaque exprience et comme lindique le tableau 3.2, nous avons valu par
lintermdiaire du logiciel XLSTAT (version 7.5.3) lindice PC. Pour faciliter
linterprtation des rsultats du plan dexpriences, nous avons utilis le logiciel
MINITAB (version 14). La figure 3.6 reprsente lensemble des effets qui permet de
visualiser leffet des facteurs (P1, P3 et P5). La figure 3.7 reprsente lensemble des
interactions entre les diffrents produits.
Tableau 3.2 Les rsultats du plan factoriel complet de lexemple illustratif
Exprience P1 P3 P5 PC
1 1 1 1 76,1
2 1 1 2 85,6
3 1 2 2 92,5
4 1 3 2 85,6
5 1 2 1 83,9
6 1 3 1 76,1
7 2 1 1 73,3
8 2 1 2 80,2
9 2 2 1 82,1
10 2 3 1 69,1
11 2 3 2 78,4
12 2 2 2 91,6

Nous pouvons constater partir des figures 3.6 et 3.7 quil faut tenir compte des seuls
effets des produits P1 et P3, c'est--dire retenir la gamme G1 pour le facteur P1 et la
gamme G2 pour le produit P3. Daprs la figure 3.7, le produit P5 nest pas li par une
interaction (les segments sont parallles), il suffit donc de retenir la gamme de ce produit
qui donne le maximum de PC, c'est--dire la gamme G2. En plus, le produit P5 ne doit pas
tre fabriqu dans la mme cellule que les produits P1 et P3 car il ne possde aucune
interaction avec les produits P1 et P3.
Figure 3.6 Graphique des effets moyens de Figure 3.7 Graphe des interactions de
lexemple lexemple
La figure 3.6 montre aussi que le produit P1 possde le minimum deffet moyen. Par
consquent, la solution finale est peu sensible un changement de la gamme prfrentielle
du produit P1. En plus, la solution optimale est plus sensible aux changements de la
gamme de traitement du produit P5 en la comparant au produit P3. Nous voyons les
intrts supplmentaires de lutilisation de la mthode des plans dexprience pour la
conception des systmes de production cellulaires.
Cette premire phase nous a conduit choisir la premire gamme pour le produit P1 et la
deuxime gamme pour les produits P3 et P5. Cette configuration constitue la configuration
optimale. Il est noter que cette solution (1, 2, 2) correspond aussi la valeur maximale
de PC prsente dans le tableau 3.2 (PC = 92,5 %).

4.2.2 Formation de cellules
La deuxime phase consiste la rsolution du problme classique de formation des

cellules. Cette approche se base sur une matrice dincidence binaire (Produits-Machines)
avec une seule gamme par produit. La figure 3.8 prsente le plan principal de la troisime
configuration retenue la fin de la premire phase en appliquant la dmarche propose au
deuxime chapitre.
Plan Principal (axes C1 et C2)

PC= 92,53 %
2
1.5
1 P3
M1 P6
M4
0.5 P5
M3 P2 M6
0 M2
M7 M8
-0.5
P4
M5
-1
P1
-1.5
-2
-2 -1.5 -1 -0.5 0 0.5 1 1.5 2
- - a xe C 1 ( 7 6 ,3 8 %) - - >
Figure 3.8 Illustration du plan principal de la

configuration optimale de lexemple
En tenant compte des rgles danalyse du plan principal, que nous avons prsent dans le
deuxime chapitre, nous affirmons simplement que latelier doit comporter deux cellules :
une premire cellule comprenant les machines M1, M3, M5 et M7 qui traitent les produits
P1, P2 et P3 et une seconde cellule comprenant les machines M2, M4, M6 et M8 qui
traitent les produits P4, P5 et P6. La solution finale est prsente dans le tableau 3.3.
Tableau 3.3 Solution finale de lexemple illustratif
Produit Gamme M1 M5 M3 M7 M2 M4 M6 M8
P1 1 0 1 1 1
P2 1 1 0 1 1
P3 2 1 0 1 1 1
P4 1 1 0 1 1
P5 2 1 1 1 1
P6 1 1 1 1 1

4.3 Validation de lindice PC
Lobjectif de ce paragraphe est de justifier la proposition de PC comme un nouvel indice

de performance dune mthode de FC. Pour cela, nous avons appliqu la mthode FCC
pour chaque configuration du tableau 3.2. Toutes les solutions finales sont prsentes dans
la figure 3.10. A laide de ces solutions, nous avons calcul pour chaque configuration les
indices de performances : PE, MU, EG1 et EG2 laide des quations (8), (9), (10) et (11)
prsentes dans le chapitre prcdent.
Tableau 3.4 Rsultats des diffrents indices de performances

Exp. PC NEE NVE UE PEE MU EG1 EG2
1 76,1 1 8 17 5,9 66,7 68,8 64,0
2 85,6 1 5 20 5,0 79,2 81,3 76,0
3 92,5 1 4 21 4,8 83,3 85,4 80,0
4 85,6 2 4 22 9,1 83,3 87,5 76,9
5 83,9 1 7 18 5,6 70,8 72,9 68,0
6 76,1 2 7 19 10,5 70,8 75,0 65,4
7 73,3 3 9 18 16,7 62,5 68,8 55,6
8 80,2 3 5 21 14,3 75,0 81,3 69,2
9 82,1 3 8 19 15,8 66,7 72,9 59,3
10 69,1 4 8 20 20,0 66,7 75,0 57,1
11 78,4 4 5 23 17,4 79,2 87,5 67,9
12 91,6 2 4 22 9,1 83,3 87,5 76,9
La figure 3.9 prsente les rsultats des diffrents indices de performances pour les 12
configurations. Nous remarquons bien que tous ces indices voluent pratiquement de la
mme manire et ils confirment que la troisime configuration est la solution optimale. En
effet, cette configuration donne le maximum de MU, EG1, EG2 et PC et le minimum de
PEE. Nous remarquons aussi, la forte corrlation des diffrents indices de performance
proposs en littrature avec lindice PC que nous avons propos.
Indices de performance
100,0
80,0 PC
60,0 PE
MU
40,0
EG2
20,0
EG1
0,0
0 1 2 3 4 5 6 7 8 9 10 11 12
Configuration
Figure 3.9 Comparaison de PC aux indices de performances : PE, MU, EG1 et EG2

Lindice PC nexige pas la confection des diffrentes cellules pour tre calcul, comme le
cas des autres indices de performances qui ncessitent davoir toutes les solutions de la
figure 3.10. Il est dtermin dune manire simple et automatique travers la multitude
des logiciels danalyses de donnes aisment disponibles.
Exp. 1 (1, 1, 1) Exp. 2 (1, 1, 2)
Exp. 3 (1, 2, 2) Exp. 4 (1, 3, 2)
Exp. 5 (1, 2, 1) Exp. 6 (1, 3, 2)
Exp. 7 (2, 1, 1) Exp. 8 (1, 1, 2)
Exp. 9 (2, 2, 1) Exp. 10 (2, 3, 1)
Exp. 11 (2, 3, 2) Exp. 12 (2, 2, 2)
Figure 3.10 Les solutions finales de toutes les configurations possibles

4.4 Application de la mthode de Taguchi
Dans ce qui suit, nous allons dtailler lapplication de la mthode Taguchi de trois
problmes reconnus en littrature : problme dvoil par (Kusiak, 1987), Problme
prsent par (Sankaran et Kasilingam, 1990) et problme abord par (Nagi et al. 1990)

4.4.1 Problme de Kusiak (4 x 5 x 11)
Dans le problme de Kusiak (Kusiak, 1987), chacun des produits P2, P3, P4 et P5 peut
tre ralis par deux gammes alternatives et le produit P1 par trois gammes alternatives.
Ce qui engendre donc 4 facteurs 2 niveaux et un facteur trois niveaux. La matrice
dincidence relative au problme de Sankaran est prsente dans le Tableau 3.5.
Tableau 3.5 La matrice dincidence (4 x 5 x 11) du problme de Kusiak
Ligne Produit Gamme M1 M2 M3 M4

1 P1 1 0 0 1 1
2 2 0 1 0 1
3 3 1 1 0 0
4 P2 1 0 1 1 0
5 2 1 0 1 0
6 P3 1 1 0 0 1
7 2 0 1 0 1
8 P4 1 1 0 0 1
9 2 1 0 1 0
10 P5 1 0 0 1 1
11 2 1 0 0 0
De ce fait, le nombre minimum de ddl du modle est 6. La table L8 (41 x 24) ayant un
nombre de ddl suffisant a t slectionne pour raliser cette premire application de la
mthode de Taguchi. Nous ne recherchons pas un modle expliquant la liaison entre les
produits, nous recherchons simplement slectionner la meilleure gamme de chaque
produit de telle sorte que PC soit maximum. Par consquent, nous choisirons de ne pas
tudier les interactions et de se limiter aux 5 colonnes prsentes dans le tableau 3.6.
A partir des rsultats du tableau 3.6, il est possible dtablir le graphe des effets de la
figure 3.11. Ce graphe permet de visualiser la diffrence entre les effets de chacun des
produits. En abscisse, nous avons successivement lensemble des produits et en
ordonnes, la rponse adopte PC. Linclinaison de la pente permet didentifier
rapidement les facteurs les plus influents. Lobjectif est de maximiser PC et de
slectionner pour chaque produit la gamme prfrentielle qui nous conduit ce maximum.
Pour cela, nous devons choisir le niveau des facteurs tel que leffet accrot le PC. Nous
choisissons les points les plus haut du graphe des effets de la figure 3.11.

Tableau 3.6 Table de Taguchi L8 (41 x 24) relative au problme de Kusiak
Exprience P1 P2 P3 P4 P5 CP
1 1 1 1 1 1 72,4
2 1 2 2 2 2 66,3
3 1 2 2 1 1 50,0
4 2 1 1 2 2 51,6
5 2 2 2 1 1 64,4
6 2 2 2 2 2 88,2
7 3 1 2 1 2 53,3
8 3 2 1 2 1 50,0
La configuration optimale consiste affecter la deuxime gamme pour chacun des

produits. En revenant lapproche dveloppe dans le second chapitre, nous affirmons
simplement que latelier doit comporter deux cellules : une premire cellule comportant
les machines M1 et M3 et une deuxime cellule comportant les machines M2 et M4. La
solution finale obtenue est indique dans le tableau 3.7. Cette solution est identique celle
propose par plusieurs auteurs comme Kusiak lui mme (Kusiak, 1987), (Sharker et
Balan, 1996) et (Mukattach et al. 2002).
Figure 3.11 Graphique des effets moyens relatifs au problme de Kusiak
Tableau 3.7 La solution finale obtenue du problme de Kusiak
Line Produit Gamme M2 M4 M1 M3

2 P1 2 1 1
7 P3 2 1 1
5 P2 2 1 1
9 P4 2 1 1
11 P5 2 1 0

4.4.2 Problme de Sankaran (6 x 11 x 20)
Dans le problme de Sankaran (Sankaran et Kasilingam, 1990), chacun des produits P1,
P2, P4, P6, P8, P9 et P10 peut tre ralis par deux gammes alternatives et le produit P5
par quatre gammes alternatives. Ce qui engendre donc 7 facteurs 2 niveaux et un facteur
quatre niveaux. La matrice dincidence relative au problme de Sankaran est prsente
dans le Tableau 3.8.
Tableau 3.8 La matrice dincidence (6 x 11 x 20) du problme de Sankaran
Ligne Produits Gammes M1 M2 M3 M4 M5 M6

1 1 0 1 0 0 1 1
P1
2 2 0 1 1 0 0 1
3 1 0 1 0 1 1 1
P2
4 2 0 1 0 1 0 1
5 P3 1 1 0 0 1 0 0
6 1 0 1 0 1 1 0
P4
7 2 0 1 0 1 0 1
8 1 1 0 1 1 0 0
9 2 1 0 1 0 1 0
P5
10 3 0 0 1 1 0 0
11 4 0 0 1 1 1 0
12 1 0 1 0 1 0 0
P6
13 2 0 0 0 1 0 1
14 P7 1 1 0 1 0 0 0
15 1 0 1 0 1 1 1
P8
16 2 1 1 0 1 0 1
17 1 0 1 0 1 0 1
P9
18 2 0 1 0 0 1 1
19 1 0 0 1 1 0 0
P10
20 2 0 0 0 1 1 0
nombre de ddl suffisant a t slectionne pour raliser cette deuxime application de la
mthode de Taguchi. Nous ne recherchons pas un modle expliquant la liaison entre les
produits, nous recherchons simplement slectionner la meilleure gamme de chaque
produit de telle sorte que PC soit maximum. Par consquent, nous choisirons de ne pas
tudier les interactions et de nous limiter aux 8 colonnes prsentes dans le tableau 3.9.
A partir des rsultats du tableau 3.8, il est possible dtablir le graphe des effets de la
figure 3.12. Ce graphe permet de visualiser la diffrence entre les effets de chacun des
produits. En abscisse, nous avons successivement lensemble des produits et en ordonne,
la rponse adopte PC. Linclinaison de la pente permet didentifier rapidement les
facteurs les plus influents. Lobjectif est de maximiser PC et de slectionner pour chaque

produit la gamme prfrentielle qui nous conduit ce maximum. Pour cela, nous devons
choisir le niveau des facteurs tel que leffet accrot le PC, cest dire les points les plus
hauts du graphe des effets de la figure 3.12. La configuration optimale consiste affecter
la premire gamme pour chacun des produits P1, P2, P5, P6, P8 et P10 et affecter la
seconde gamme pour les produits P4 et P9.
Tableau 3.9 Table de Taguchi L16 (41 x 27) relative au problme de Sankaran
Exprience P1 P2 P4 P5 P6 P8 P9 P10 PC
1 1 1 1 1 1 1 1 1 78,0
2 1 1 1 1 1 2 2 2 77,5
3 2 2 2 1 2 1 1 1 79,5
4 2 2 2 1 2 2 2 2 69,2
5 1 1 2 2 2 1 1 2 78,7
6 1 1 2 2 2 2 2 1 77,6
7 2 2 1 2 1 1 1 2 76,1
8 2 2 1 2 1 2 2 1 71,0
9 1 2 1 3 2 1 2 1 74,4
10 1 2 1 3 2 2 1 2 64,4
11 2 1 2 3 1 1 2 1 75,0
12 2 1 2 3 1 2 1 2 68,6
13 1 2 2 4 1 1 2 2 70,1
14 1 2 2 4 1 2 1 1 70,8
15 2 1 1 4 2 1 2 2 70,9
16 2 1 1 4 2 2 1 1 63,1
Figure 3.12 Graphique des effets moyens relatifs au problme de Sankaran

Daprs la figure 3.12, nous pouvons conclure que les produits P5 et P8 sont les plus
significatifs. Pour sassurer de ce rsultat, il est ncessaire de faire une analyse de
variance (ANOVA) comme lindique la littrature relative aux mthodes des plans
dexpriences. Ce qui sort du cadre de notre problmatique de recherche. En effet,
lobjectif majeur de ce travail est de slectionner la gamme optimale pour chaque produit.
Lexamen du graphe des effets principaux est largement suffisant pour atteindre cet
objectif.
En rsum, lapplication de la mthode Taguchi nous a permis de dterminer les produits

influents, et de dterminer les niveaux optimaux pour chacun dentre eux (Hachicha et al.
2008c). Lorsque nous revenons au plan dexpriences du tableau 3.9, nous nous
apercevons que cette configuration optimale na pas t teste dans celui-ci. Il faut
maintenant vrifier la reproductibilit des rsultats en effectuant un essai de validation
dans les conditions optimales. Lessai de confirmation de la rponse thorique de la
configuration optimale nous donne une valeur de 82,1 % (voir figure 3.13). Dans ce cas le
modle est trs satisfaisant, la rponse est proche de la rponse prdite daprs le modle
83,3 %, les interactions sont probablement nulles ou trs faibles.
En revenant lapproche dveloppe dans le second chapitre tout en analysant le plan

principal indiqu dans la figure 3.13, nous affirmons simplement que latelier doit
comporter deux cellules : une premire cellule comportant les machines M2, M5 et M6 et
une deuxime cellule comportant les machines M1, M3 et M4. La solution finale obtenue
est indique dans le tableau 3.10. En appliquant la mthode de Kusiak, (Hwang et Ree,
1996) ont indiqu la solution du tableau 3.11. Il est remarquer que la solution obtenue
comporte seulement 4 lments exceptionnels par contre lautre solution en comporte 6.
Scatter Plot ( F1 et F2 ) PC= 82,13 %

1,5
M4
P6
1
P4
0,5 P2 P8
P3 P 10
M2
P5
0
M1
M6
-0,5
M3 M5
P7 P1
-1 P9
-1,5
-1,5 -1 -0,5 0 0,5 1 1,5
- - a xe F 1 ( 6 2 ,7 2 %) - - >
Figure 3.13 Plan principal de la configuration optimale du problme de Sankaran

Tableau 3.10 La solution finale obtenue du problme de Sankaran
Lign Produit Gammes M2 M5 M6 M1 M3 M4

1 P1 1 1 1 1
3 P2 1 1 1 1 1
7 P4 2 1 0 1 1
15 P8 1 1 1 1 1
18 P9 2 1 1 1
5 P3 1 1 0 1
8 P5 1 1 1 1
12 P6 1 1 0 0 1
14 P7 1 1 1 0
19 P10 1 0 1 1
Tableau 3.11 La solution du problme de Sankaran par la mthode de Kusiak
Lign Produit Gammes M2 M5 M6 M1 M3 M4

1 P1 1 1 1 1
4 P2 2 1 0 1 1
7 P4 2 1 0 1 1
16 P8 2 1 0 1 1 1
17 P9 1 1 0 1 1
5 P3 1 1 0 1
8 P5 1 1 1 1
13 P6 2 1 0 0 1
14 P7 1 1 1 0
19 P10 1 0 1 1
La solution finale obtenue est identique celle prsente par (Hwang et Ree, 1996)
4.4.3 Problme de Nagi (20 x 20 x 51)
Le problme propos par Nagi (Nagi et al. 1990) est lun des problmes les plus trait en
littrature tels que (Joines et al. 1995), (Hwang and Ree, 1996), (Adenso-Diaz et al. 2001)
(Uddin et Shanker 2002), (Malakooti et al. 2004), (Chan F.T.S et al. 2006), (Nsakanda et
al. 2006), etc. Ce problme est de grande taille, en effet, il comporte 20 machines
grouper en cinq cellules pour la production de 20 produits dcrits par 51 gammes. Seuls
les produits P17, P18, P19 et P20 ont une seule gamme possible. Par contre les produits
P5, P7, P9, P11, P12, P13, P14, P15 et P16 pouvant tre chacun ralis par trois gammes
alternatives et les autres produits par deux gammes alternatives. Ce qui engendre donc 9
facteurs 3 niveaux et 7 facteurs 2 niveaux. La matrice dincidence relative au problme
de Nagi est prsente dans le Tableau 3.12.

Tableau 3.12 La matrice dincidence (20 x 20 x 51) du problme de Nagi
Ligne Produits Gammes M1 M2 M3 M4 M5 M6 M7 M8 M9 M10 M11 M12 M13 M14 M15 M16 M17 M18 M19 M20
1 P1 1 0 0 0 0 0 1 0 0 1 0 0 1 0 0 0 0 0 0 0 0
2 2 0 0 0 0 0 0 1 0 1 0 0 1 0 0 0 0 0 0 0 0
3 P2 1 1 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 0 0 0
4 2 1 0 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 0 0 0
5 P3 1 1 0 0 0 0 1 0 0 1 0 0 1 0 0 0 0 0 0 0 0
6 2 1 0 0 0 0 0 1 0 1 0 0 1 0 0 0 0 0 0 0 0
7 P4 1 1 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 0 0 0
8 2 1 0 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 0 0 0
9 P5 1 1 0 0 0 0 0 0 0 1 0 0 1 0 0 0 0 0 0 1 0
10 2 1 0 0 0 0 0 0 0 1 0 0 1 0 0 0 0 0 1 0 0
11 3 1 0 0 0 0 0 0 0 1 0 0 1 0 0 0 0 0 0 0 1
12 P6 1 0 1 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0
13 2 0 1 0 0 1 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0
15 P7 1 0 0 0 0 1 0 1 0 0 0 0 0 0 0 0 1 0 1 0 0
17 2 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 1 0 0 1 0
19 3 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 1 0 0 0 1
20 P8 1 0 1 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0 0
21 2 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0 1 0 0 0 0
23 P9 1 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0 1 0 0 1 0
25 2 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0 1 0 1 0 0
27 3 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0 1 0 0 0 1
28 P10 1 0 1 0 0 1 1 0 0 0 0 0 0 0 0 0 1 0 0 0 0
29 2 0 1 0 0 1 0 1 0 0 0 0 0 0 0 0 1 0 0 0 0
30 P11 1 0 0 1 0 0 0 0 1 0 0 1 0 0 0 0 0 0 1 0 0
31 2 0 0 1 0 0 0 0 1 0 0 1 0 0 0 0 0 0 0 1 0
32 3 0 0 1 0 0 0 0 1 0 0 1 0 0 0 0 0 0 0 0 1
33 P12 1 0 0 1 0 0 0 0 1 0 0 0 0 0 0 0 0 0 1 0 0
34 2 0 0 1 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 1 0
35 3 0 0 1 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 1
36 P13 1 0 0 1 0 0 0 0 1 0 0 1 0 0 0 0 0 0 1 0 0
37 2 0 0 1 0 0 0 0 1 0 0 1 0 0 0 0 0 0 0 1 0
38 3 0 0 1 0 0 0 0 1 0 0 1 0 0 0 0 0 0 0 0 1
39 P14 1 0 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0 1 1 0 0
40 2 0 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0 1 0 1 0
41 3 0 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0 1 0 0 1
42 P15 1 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 1 1 0 0
43 2 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 1 0 1 0
44 3 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 1 0 0 1
45 P16 1 0 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 1 0 0
46 2 0 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 0 1 0
47 3 0 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 0 0 1
48 P17 1 0 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 0 0 0
49 P18 1 0 0 0 1 0 0 0 0 0 0 0 0 1 0 1 0 0 0 0 0
50 P19 1 0 0 0 1 0 0 0 0 0 0 0 0 1 0 1 0 0 0 0 0
51 P20 1 0 0 0 1 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0
nombre de ddl suffisant a t slectionne pour appliquer lapproche propose. Nous ne
recherchons pas un modle expliquant la liaison entre les produits, nous recherchons
simplement slectionner la meilleure gamme de chaque produit de telle sorte que PC soit
maximum. Par consquent, nous choisirons de ne pas tudier les interactions et de nous
limiter aux 16 colonnes prsentes dans le tableau 3.13.

Tableau 3.13 Table de Taguchi L36 (39 x 27) relative au problme de Nagi
Exprience P1 P2 P3 P4 P5 P6 P7 P8 P9 P10 P11 P12 P13 P14 P15 P16 PC

1 1 1 1 1 1 1 1 2 1 2 1 2 2 1 2 3 36,9
2 1 1 1 1 2 1 2 2 2 2 2 3 3 3 3 2 37,8
3 1 1 1 1 3 1 3 2 3 2 3 1 1 2 1 1 37,9
4 1 1 2 2 1 2 1 1 2 1 3 1 2 3 3 2 36,5
5 1 1 2 2 2 2 2 1 3 1 1 2 3 2 1 1 35,8
6 1 1 2 2 3 2 3 1 1 1 2 3 1 1 2 3 36,5
7 1 2 1 2 1 2 1 1 3 2 2 1 3 1 3 1 36,2
8 1 2 1 2 2 2 2 1 1 2 3 2 1 3 1 3 36,5
9 1 2 1 2 3 2 3 1 2 2 1 3 2 2 2 2 36,4
10 1 2 2 1 1 2 2 2 3 1 1 3 2 2 3 3 37,6
11 1 2 2 1 2 2 3 2 1 1 2 1 3 1 1 2 36,4
12 1 2 2 1 3 2 1 2 2 1 3 2 1 3 2 1 36,2
13 1 2 2 2 1 1 2 2 3 2 2 1 1 3 2 3 37,9
14 1 2 2 2 2 1 3 2 1 2 3 2 2 2 3 2 37,5
15 1 2 2 2 3 1 1 2 2 2 1 3 3 1 1 1 37,3
16 2 1 2 2 1 1 2 1 1 2 3 3 3 2 2 1 39,7
17 2 1 2 2 2 1 3 1 2 2 1 1 1 1 3 3 38,3
18 2 1 2 2 3 1 1 1 3 2 2 2 2 3 1 2 39,2
19 2 1 2 1 1 2 2 2 2 2 3 3 1 1 1 2 37,3
20 2 1 2 1 2 2 3 2 3 2 1 1 2 3 2 1 37,4
21 2 1 2 1 3 2 1 2 1 2 2 2 3 2 3 3 36,3
22 2 1 1 2 1 2 3 2 2 1 1 2 3 3 1 3 36,0
23 2 1 1 2 2 2 1 2 3 1 2 3 1 2 2 2 36,0
24 2 1 1 2 3 2 2 2 1 1 3 1 2 1 3 1 36,1
25 2 2 2 1 1 1 3 1 2 1 2 2 1 2 3 1 37,5
26 2 2 2 1 2 1 1 1 3 1 3 3 2 1 1 3 37,0
27 2 2 2 1 3 1 2 1 1 1 1 1 3 3 2 2 38,8
28 2 2 1 2 1 1 3 2 3 1 3 2 3 1 2 2 38,8
29 2 2 1 2 2 1 1 2 1 1 1 3 1 3 3 1 37,5
30 2 2 1 2 3 1 2 2 2 1 2 1 2 2 1 3 38,7
31 2 2 1 1 1 2 3 1 1 2 2 3 2 3 1 1 35,9
32 2 2 1 1 2 2 1 1 2 2 3 1 3 2 2 3 37,4
33 2 2 1 1 3 2 2 1 3 2 1 2 1 1 3 2 37,4
34 2 2 2 2 3 1 3 2 3 1 2 2 2 2 1 2 42,7
35 2 2 2 2 1 1 3 2 3 1 1 1 1 1 2 1 43,9
36 2 2 2 2 2 1 2 2 1 1 1 1 1 3 3 3 42,4
Le graphe des effets principaux relatif au plan dexpriences du tableau 3.16 est prsent
dans la figure 3.14. A partir de cette figure, nous pouvons conclure dune part, que les
produits P5 et P8 sont les plus significatifs. Ces produits auront la plus grande influence
sur la formation des cellules. Dautre part en choisissant les points les plus hauts, la
configuration optimale consiste affecter :
la premire gamme pour chacun des produits P5, P6, P10, P11, P12 et P13,
la deuxime gamme pour les produits P1, P2, P3, P4, P8, P14, P15 et P16,
la troisime gamme pour les produits P7 et P9.

La solution finale est indique dans la deuxime et la troisime colonne du tableau 3.14.
Figure 3.14 Graphique des effets moyens relatifs au problme de Nagi
En revenant lapproche dveloppe dans le deuxime chapitre tout en analysant le plan

principal indiqu dans la figure 3.15, nous assurons simplement que latelier doit
comporter cinq cellules comme lindique le tableau 3.14. Nous avons consult les
solutions proposes en littrature du problme de Nagi. Le tableau 3.15, tableau 3.16,
tableau 3.17 et tableau 3.18 indiquent la solution finale indique respectivement par
(Joines et al. 1995), (Uddin et Shanker 2002), (Malakooti et al. 2004), (Chan F.T.S et al.
2006). Scatter Plot (axes F1 et F2) PC = 43,91 %)
2,5
P 13 P 11
M3
2
M 18 P 12
1,5 M 11
M8
1
M 16 M 6
P6 P7 M2
0,5
P8
M 20
0 P9 P 10
P 18 P 19 M5
M 15 P 20
-0,5 P 17
M4 P 15
M 13 P4
P 16 P1
-1
P3 P2
-1,5 M 10 P4 P5
M 14 M9 M 12
M 19 M1
-2 M7
M 17
-2,5
-2,5 -2 -1,5 -1 -0,5 0 0,5 1 1,5 2 2,5
- - a xe F 1 ( 2 2 ,3 7 %) - - >
Figure 3.15 Plan principal de la configuration optimale pour le problme de Nagi

Tableau 3.14 La solution finale obtenue du problme de Nagi

12 P6 1 1 1 1 0 0
19 P7 3 0 1 1 1 1
21 P8 2 1 0 1 1 0
27 P9 3 1 0 1 1 1
28 P10 1 1 1 1 1 0
40 P14 2 1 1 1 1
43 P15 2 1 0 1 1
46 P16 2 1 1 0 1
48 P17 1 1 1 0 0
30 P11 1 1 1 1 1
33 P12 1 1 1 0 1
36 P13 1 1 1 1 1
2 P1 2 0 1 1 1
4 P2 2 1 1 0 1
6 P3 2 1 1 1 1
8 P4 2 1 1 0 1
9 P5 1 1 1 0 1 1
49 P18 1 1 1 1
50 P19 1 1 1 1
51 P20 1 1 0 1
Tableau 3.15 La solution du problme de Nagi propose par (Joines et al. 1995)
39 P14 1 1 1 1 1
42 P15 1 1 0 1 1
45 P16 1 1 1 0 1
48 P17 1 1 1 0 0
12 P6 1 1 1 1 0 0
19 P7 3 0 1 1 1 1
21 P8 2 1 0 1 1 0
27 P9 3 1 0 1 1 1
28 P10 1 1 1 1 1 0
49 P18 1 1 1 1
50 P19 1 1 1 1
51 P20 1 1 0 1
2 P1 2 0 1 1 1
4 P2 2 1 1 0 1
6 P3 2 1 1 1 1
8 P4 2 1 1 0 1
11 P5 3 1 1 0 1 1
31 P11 2 1 1 1 1
34 P12 2 1 1 0 1
37 P13 2 1 1 1 1

Tableau 3.16 La solution du problme de Nagi propose par (Uddin et Shanker, 2002)
49 P18 1 1 1 1
50 P19 1 1 1 1
51 P20 1 1 0 1
32 P11 3 1 1 1 1
35 P12 3 1 1 0 1
38 P13 3 1 1 1 1
2 P1 2 0 1 1 1
4 P2 2 1 1 0 1
6 P3 2 1 1 1 1
8 P4 2 1 1 0 1
9 P5 1 1 0 1 1 1
40 P14 2 1 1 1 1
43 P15 2 1 0 1 1
46 P16 2 1 1 0 1
48 P17 1 1 1 0 0
12 P6 1 1 1 1 0 0
18 P7 1 0 1 1 1 1
21 P8 2 1 0 1 1 0
25 P9 2 1 0 1 1 1
28 P10 1 1 1 1 1 0
Tableau 3.17 La solution du problme de Nagi propose par (Malakooti et al. 2004)
2 P1 2 0 1 1 1
4 P2 2 1 1 0 1
6 P3 2 1 1 1 1
8 P4 2 1 1 0 1
9 P5 1 1 0 1 1 1
12 P6 1 1 1 1 0 0
19 P7 3 0 1 1 1 1
21 P8 2 1 0 1 1 0
27 P9 3 1 0 1 1 1
28 P10 1 1 1 1 1 0
30 P11 1 1 1 1 1
33 P12 1 1 1 0 1
36 P13 1 1 1 1 1
49 P18 1 1 1 1
50 P19 1 1 1 1
51 P20 1 1 0 1
40 P14 2 1 1 1 1
43 P15 2 1 0 1 1
46 P16 2 1 1 0 1
48 P17 1 1 1 0 0

Tableau 3.18 La solution du problme de Nagi propose par (Chan F.T.S et al. 2006)
41 P14 3 1 1 1 1
44 P15 3 1 0 1 1
47 P16 3 1 1 0 1
48 P17 1 1 1 0 0
12 P6 1 1 1 1 0 0
17 P7 2 0 1 1 1 1
21 P8 2 1 0 1 1 0
23 P9 2 1 0 1 1 1
28 P10 1 1 1 1 1 0
49 P18 1 1 1 1
50 P19 1 1 1 1
51 P20 1 1 0 1
2 P1 2 0 1 1 1
4 P2 2 1 1 0 1
6 P3 2 1 1 1 1
8 P4 2 1 1 0 1
10 P5 2 1 0 1 1 1
30 P11 1 1 1 1 1
33 P12 1 1 1 0 1
36 P13 1 1 1 1 1
Toutes les solutions prsentes engendrent les mmes critres de performances. Une
analyse comparative portant sur les gammes slectionnes dans les diffrentes solutions
est indique dans le tableau 3.19. La solution obtenue est identique celle propose par
(Malakooti et al. 2004). Outre la simplicit de rsolution, lapport de lapproche propose
consiste tablir un aspect danalyse de sensibilit comme indiqu dans la figure 3.14.
Tableau 3.19 Comparaison entre la solution propose et celles proposes en littrature
La solution finale propose du problme de Nagi

Produit 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Gamme 2 2 2 2 1 1 3 2 3 1 1 1 1 2 2 2 1 1 1 1
La solution du problme de Nagi propose par (Joines et al. 1995)
Produit 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Gamme 2 2 2 2 3 1 3 2 3 1 2 2 2 1 1 1 1 1 1 1
La solution du problme de Nagi propose par (Uddin et Shanker, 2002)
Produit 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Gamme 2 2 2 2 2 1 2 2 2 1 1 1 1 3 3 3 1 1 1 1
La solution du problme de Nagi propose par (Malakooti et al. 2004)
Produit 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Gamme 2 2 2 2 1 1 3 2 3 1 1 1 1 2 2 2 1 1 1 1
La solution du problme de Nagi propose par (Chan F.T.S et al. 2006)
Produit 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Gamme 2 2 2 2 2 1 2 2 2 1 1 1 1 3 3 3 1 1 1 1

4.5 Validation de lapproche propose
Le tableau 3.20 rsume quelques tests qui ont t raliss en appliquant lapproche
propose sur des matrices dincidence binaires avec gammes alternatives reconnues en
littrature de taille diffrente. La source de ces problmes est indique dans la dernire
colonne de droite.
Tableau 3.20 Les diffrents problmes avec gammes alternatives
No. Taille (m x p x r) F Rfrence

1 5 x 7 x 11 (exemple 1) 2 (Kusiak, 1987)
2 6 x 10 x 20 (exemple 2 2 (Sankaran et Kasilingam, 1990)
3 7 x 14 x 32 3 (Logendran et al. 1994)
4 9 x 6 x 13 3 (Mukattach et al. 2002)
5 20 x 20 x 51 (exemple 3) 5 (Nagi et al. 1990)
Afin dvaluer lapproche propose et de la comparer avec les autres mthodes. Les
rsultats obtenus sont valus en se basant sur des indicateurs de performance que nous
avons prsents au dbut du deuxime chapitre. Le tableau 3.21 prsente les rsultats de
lapproche propose ainsi que les meilleurs rsultats connus dans les articles rcents. Ces
travaux ont utiliss des techniques bases sur la programmation mathmatique que se soit
avec rsolution exacte comme dans (Sankaran et Kasilingam, 1990), (Hwang et Ree,
1996) et (Malakooti et al. 2004) ou avec rsolution approche comme dans (Mukattach et
al. 2002), (Uddin et Shanker 2002) et (Chan F.T.S et al. 2006). Chacun a affirm quil a
trouv une solution meilleure que celle propose en littrature. Les rsultats de lapproche
propose sont identiques ceux prsents dans ces rcents papiers en terme dindicateurs
de performance (PEE, EG1 et EG2) que nous avons prsents au dbut du deuxime
chapitre.
Tableau 3.21 Les rsultats de lapproche propose

Les rsultas de
Les meilleurs rsultas connu ce jour
No. Taille F lapproche propose
PEE EG1 EG2 PEE EG1 EG2 Rfrence du rsultat
(Sharker et Balan, 1996)
1 4 x 5 x 11 2 0 95,0 90,0 0,0 95,0 90,0 (Mukattach et al. 2002)
(Sankaran et Kasilingam,
2 6 x 10x 20 2 14,3 83,3 70,6 22,2 75,0 60,0 1990)
3 7 x 14 x 32 3 16,7 85,7 67,6 16,7 85,7 67,6 (Hwang et Ree, 1996)
4 9 x 6 x 13 3 0,0 97,2 94,4 0,0 97,2 94,4 (Mukattach et al. 2002)
(Uddin et Shanker 2002)
5 20 x 20 x 51 5 1,52 89,5 78,3 1,52 89,5 78,3 (Malakooti et al. 2004)
(Chan F.T.S et al. 2006)

5. Conclusion
Dans ce chapitre, nous proposons une nouvelle approche de deux phases pour la formation
des cellules avec gammes alternatives. La premire phase porte sur lutilisation de la
mthode des plans dexpriences (factoriel ou fractionnaire). Lobjectif tant de choisir,
pour chaque produit, la gamme prfrentielle qui permettra doptimiser la mise en cellules
en terme de trafic intercellulaire. La deuxime phase consiste appliquer la mthode de
formation des cellules base sur lanalyse des corrlations statistiques que nous avons
prsente dans le deuxime chapitre.
Lavantage de lapproche propose rside dans la simplicit et lanalyse de sensibilit

propose. En plus, elle est accessible gratuitement pour les industriels travers la
disponibilit de plusieurs logiciels de statistique applique la qualit (Minitab, Optimum
(TDC software), Qualitek-4, etc.). Malheureusement, la restriction de lutilisation des
plans dexpriences fractionnaires aux tables de bases de Taguchi limite parfois
lutilisation de lapproche propose. Une perspective de recherche est ainsi envisageable
qui consiste la gnralisation de lapproche propose par lapplication des plans
fractionnaires ordinaires qui corresponde au problme trait. Autre perspective
intressante consiste appliquer loutil ANOVA pour une meilleure analyse de sensibilit.
Durant le deuxime et le troisime chapitre, nous avons constat pour nimporte quelle
mthode de formation de cellules (avec ou sans gammes alternatives), quil est rare de
trouver des cellules compltement indpendantes. Cest dire la prsence dlments
exceptionnels (EE) dans la solution finale. Lapplication de lun des scnarios ou
stratgies de traitement des EE (duplication de machines exceptionnelles, sous-traitance de
produits exceptionnels, etc.) est ncessaire pour atteindre les objectifs de la TG. Ainsi et
pour atteindre ces objectifs, il est ncessaire de dfinir une dmarche de conception
globale des amnagements cellulaires. Autrement dit, la problmatique discute dans le
chapitre suivant consiste identifier puis ordonner les diffrentes tapes de conception.
C'est--dire proposer une dmarche de conception des amnagements cellulaires. Nous
allons, dune part, cadrer les approches que nous avons proposes dans les deux derniers
chapitres. Dautre part, proposer une approche par simulation pour le choix conomique
entre les stratgies possibles de traitement des EE.

Chapitre 4
DMARCHE GLOBALE POUR LA

CONCEPTION DES CELLULES DE
PRODUCTION
1. Introduction
Toutes les mthodes de formation des cellules proposes en littrature, de mme que les
mthodes que nous avons proposes dans les chapitres prcdents, rpondent une seule
exigence fonctionnelle relative un problme global de conception des AC. Par exemple,
plusieurs mthodes de formation des cellules ngligent leffet engendr par la prsence de
machines ou de produits exceptionnels dans leurs solutions. Cette dpendance inter
cellules peut mettre en question les avantages de lAC comme indiqu par (Wemmerlv et
Hyer, 1986), (Reisman et al. 1997), etc.
Il existe rarement, dans la littrature, des travaux qui traitent le problme de conception
des AC dune manire globale, c'est--dire une dmarche qui touche tout les aspects de
lAC. Dans ce contexte, (Silveira, 1999) a propos une approche squentielle et base sur
lintgration des concepts techniques. Cependant, son approche est fonde sur l'exprience
antrieure mais elle ne montre pas les principes dtaills pour l'excution. (Cabrera-Rios et
al. 2002) et (Chiadamrong, 2003) ont propos aussi des approches squentielles bases sur
lutilisation de la simulation avec la mthode de Taguchi pour optimiser une certaine
fonction cot. Nanmoins, ces approches se focalisent seulement sur lamlioration des
performances et ne tiennent pas compte dautres aspects de conception comme le
problme de base de formation de cellules. Dans un autre contexte, (Kulak et al. 2005) ont
propos une dmarche de conception base sur la conception axiomatique (CA) valable
seulement lors de transformation dun amnagement fonctionnel en un amnagement
cellulaire.
Il est noter que, plusieurs chercheurs prconisent la proposition de dmarches globales

de conception car ils ont trait, avec le problme de formation de cellules, dautres aspects

relatifs la conception cellulaire, comme dans (Choobineh, 1988), (Rajamani et al. 1990),
(Ferreira Ribeiro et, Pradin, 1993), (Harish et Peihua, 1997), (Cheng et al. 2001), (Giri, et
al. 2007), etc.
Daprs notre recherche bibliographique dans le domaine des systmes de production

cellulaires, nous avons constat quil est ncessaire davoir une dmarche globale pour la
conception des AC. Cest pourquoi, nous allons commencer ce chapitre par prsenter les
diffrents processus de conception (conception systmatique, conception axiomatique et
conception robuste). Aprs avoir justifi notre choix, nous allons prsenter lapplication de
la conception axiomatique des AC inspire du travail de (Kulak et al. 2005). La dmarche
de conception que nous proposions (Hachicha et al. 2008b) se caractrise par lintgration
de la notion de robustesse (plan dexprience).
Pour plus de clart, la figure 4.1 schmatise le droulement et lemplacement de ce

quatrime chapitre.


possible multiples
Chapitre 4

simulation
Chapitre 4
Figure 4.1 Place du quatrime chapitre dans des travaux de thse

Finalement, et pour mettre en relief la dmarche de conception propose nous allons

revoir, en premier lieu, la problmatique tudie dans le chapitre prcdent qui porte sur la
formation de cellules avec gammes alternatives. En second lieu, nous allons prsenter une
tude de cas relative au problme de traitement des EE. En partant dune solution initiale
de rpartition des machines en cellules comportant des EE, nous avons utilis la
simulation permettant dvaluer puis damliorer la performance des cellules de
production. Deux stratgies, bases sur loptimisation des cots de transfert et
dinvestissement, ont t tudies: la premire consiste admettre les machines
exceptionnelles et la seconde traite le cas de dupliquer ces machines pour liminer les
transferts entre cellules (Hachicha et al. 2007). Pour la cohrence de ce chapitre, nous
avons intgr une description des diffrentes mthodes dvaluation des performances et
plus particulirement la mthode par simulation, un tat de lart relatif lutilisation de la
CA et aux problmes de traitement des EE.
2. Le choix dune approche de conception
2.1 Les processus de conception
Concevoir un produit c'est passer de l'expression d'un besoin la dfinition des

caractristiques d'un objet permettant de le satisfaire et la dtermination de ses modalits
de fabrication. Le futur produit passe par une srie d'tats (Jeantet, 1998).
La conception en tant qu'activit est une transformation provoquant un changement d'tat

du produit. Pour (Mistree et al. 1990), il s'agit d'un procd de conversion d'information
qui caractrise les besoins et exigences pour un artefact, en connaissance sur le produit.
(Suh, 1990) dfini la conception comme l'interaction entre ce que nous voulons raliser, et
comment nous voulons le raliser; c'est--dire la transformation d'exigences fonctionnelles
en paramtres de conception. Enfin, selon (Ullman, 2003) la conception est l'volution
technique et sociale de l'information, ponctue par des prises de dcision. Les
reprsentations abstraites voluent vers un artefact physique.
(Wood et Greer, 2001) indiquent que la conception peut tre galement vue comme un
processus. Un processus de conception est une squence d'activits de conception,
ncessaires pour crer une ou plusieurs reprsentations du produit. L'objectif d'un
processus de conception est de synthtiser des systmes qui ralisent les fonctions et les
performances dsires. Il existe d'une part des modles descriptifs, qui dcrivent le

droulement du travail. Les modles prescriptifs d'autre part, l'image de celui de (Pahl et
Beitz, 1996), proposent une approche plus algorithmique et une procdure systmatique
suivre. Mais dans les deux cas, la conception est conduite au travers de phases
diffrencies par le niveau d'abstraction de la reprsentation du produit.
Il existe plusieurs descriptions de processus de conception, nous retiendrons les plus

caractristiques et plus rpandues (Scaravetti, 2004) : conception systmatique, conception
axiomatique (CA) et la conception robuste. Il est remarquer quil existe aussi plusieurs
outils et mthodes abordables dans ces approches tels que la thorie TRIZ (Theory of
Inventive Problem Solving), lanalyse fonctionnelle, le diagramme FAST (Functional
Analysis System Technique), etc.
2.1.1 La conception systmatique (ou algorithmique)
Selon lapproche systmatique dcrite par (Pahl et Beitz, 1996), le but de la conception est
de mettre en place une mthodologie comprhensive, pour toutes les phases de conception
et dveloppement de systmes techniques. Ce modle prescriptif est issu des directives
VDI. (Socit des ingnieurs Allemands) (VDI, 1987).
Le processus de conception que ces auteurs dcrivent est divis en phases :

1- Clarification de la tche : phase de spcification d'informations dans une liste
d'exigences.
2- "Conceptual design", recherche de concepts : phase de recherche de la structure
fonctionnelle et de solutions de principe, combines ensuite en concepts; puis
dfinition du concept, exploration, valuation et slection. Cette phase dtermine une
solution de principe.
3- "Embodiment design" ou "Layout design", conception architecturale : les concepts
sont traduits en architectures. Pendant cette phase sont dtermins les choix
structuraux, les choix de composants et de leurs paramtres pertinents, ainsi que les
principales dimensions du systme. Outre l'arrangement de composants, les formes et
matriaux sont galement dtermins, avec la prise en compte de critres
conomiques.
4- "Detail design", conception dtaille : phase de production de plans et
spcifications dtaills, de mise en place du process de fabrication et contrle.

2.1.2 La conception axiomatique
Au MIT (Massachusetts Institute of Technology, tats-Unis), Suh (Suh, 1990) a dvelopp

la conception axiomatique (axiomatic design) qui se base sur des axiomes pour prendre de
bonnes dcisions dans le processus de conception. La CA repose sur l'existence de
principes de conception (axiomes), de domaines, de structure hirarchique. Selon (Suh,
1990), il existe, comme lindique la figure 4.2, quatre domaines dans le monde de la
conception :
Le domaine client o sont listes ses attentes (attentes des Clients : AdC).
Le domaine fonctionnel o sont listes les Exigences Fonctionnelles (EFs) et des
contraintes.
Le domaine physique o sont lists les Paramtres de Conception (PCs) : dans
les niveaux hirarchiques les plus bas, les PCs sont des pices, des spcifications
prcises de gomtrie, de matriaux, de tolrance. Au plus haut niveau, les PCs ne
sont pas ncessairement physiques mais peuvent reprsenter des solutions de
principe ou des concepts. Le domaine procd , o sont listes les Variables du
Procd de fabrication (VPs). Lorsque les ACs sont identifies, elles sont exprimes
sous forme de fonctionnalits (EF) dans le domaine fonctionnel. Les PCs satisfaisant
les EFs sont dfinis dans le domaine physique, ainsi que les VPs dans le domaine
procd . Il y a ainsi un traitement continu d'information entre et dans les
domaines distincts (Engelhard, 2000).
Attentes Contraintes
Clients
Besoin des clients

Exigences Paramtres de Variables du
Spcifications
fonctionnelles conception procd
Tolrances (EFs) (PCs) (VPs)
Rgles
Etc.
Domaine Domaine Domaine Domaine

Client Fonctionnel Physique Procd
Figure 4.2 Relation entre les domaines de conception (Suh, 2001)
La description de chaque domaine volue de concepts en informations dtailles, d'une

manire descendante, en zigzagant entre deux domaines (voir la figure 4.3). Les

hirarchies fonctionnelles et physiques sont interdpendantes, et il n'est pas possible de

construire la hirarchie fonctionnelle complte sans se rfrer au domaine physique
chaque niveau. La dfinition des PCs de niveau systme est ncessaire pour que les EFs
du niveau infrieur puissent tre dfinies. Cette nature hirarchique des problmes de
conception est le concept le plus important de la CA.
(Domaine fonctionnel) (Domaine physique)
Exigences fonctionnelles Paramtres de conception
Niveau 1 EF 1 PC 1
Niveau 2 EF11 EF12 PC11 PC12
Niveau 3 EF121 EF122 PC121 PC122
Niveau ...
Figure 4.3 Zig-Zag entre les domaines selon la conception axiomatique (Suh, 2001)
Suh propose de dtecter les conceptions couples (dpendances des EFs),

inacceptables au sens de CA. Toutefois, ltape de matrialisation des exigences
fonctionnelles en paramtres de conception nest pas trs dtaille.
La figure 4.4 reprsente le processus de conception selon le point de vue de la CA. Ce

processus de dfinition est dune part itratif, il est centr sur la dfinition et loptimisation
des EFs. Dautre part, il est squentiel entre les quatre domaines comme nous lavons
prsent dans la figure 4.2.
Reformuler
Recherche Produit
Besoins Identifier et Comparer dides et Prototype
formuler crativit
EFs et Procd
contraintes
Analyser /
Attributs tester
produit
Figure 4.4 Processus de la conception axiomatique (Suh, 1990)

La CA est base sur deux axiomes qui permettent l'valuation et le choix des meilleures
alternatives de solution :
(1) L'axiome d'indpendance : les EFs doivent tre indpendantes les unes des autres.
Ainsi on vite l'amlioration d'une fonction en dgradant une autre.
Les conceptions qui ne satisfont pas l'axiome d'indpendance sont dites couples. Le
couplage fonctionnel ne doit pas tre confondu avec le couplage physique (qui est souvent
dsirable pour satisfaire l'axiome suivant).
Selon Suh, les EFs doivent tre indpendantes. Toutefois, il y a forcment des liens entre
les PCs satisfaisants des EFs indpendantes. L'axiome d'indpendance permet de
dcomposer un problme complexe en sous problmes indpendants, de complexit
acceptable. La dcomposition rduit la complexit d'un problme de conception et aide le
concepteur se concentrer sur un plus petit nombre d'exigences fonctionnelles (Suh,
1990).
(2) L'axiome d'information : une bonne conception correspond un minimum

d'information et une complexit minimale. Suh donne l'exemple de l'aile d'oiseau : les
tentatives de l'homme pour reproduire cette aile ont chou ; il y a en effet trop
d'exigences fonctionnelles. Les frres Wright ont eu le gnie de minimiser les EFs, en ne
retenant que celles ncessaires au dcollage presque horizontal, au vol lent et des
changements de direction limits. Mathmatiquement, la relation entre les EFs et les PCs
est exprime laide de lquation (32)
(EF) = A (PC) (32)
Avec :
(EF) : le vecteur des exigences fonctionnelles
(PC) : le vecteur des paramtres de conception
A : la matrice de conception
Pour satisfaire laxiome de dindpendance, la matrice de conception doit tre diagonale

ou triangulaire. Dans le cas o la matrice est diagonale, la conception est dite non couple.
Dans le deuxime cas, elle est couple.

2.1.3 La conception robuste
La conception robuste (robuste design) dveloppe par Genichi Taguchi, met l'accent sur
l'obtention d'une conception robuste : Un plan d'exprience portant sur des paramtres
de conception et des facteurs de bruit (simulant les perturbations que le systme risque de
rencontrer) permet de dterminer les valeurs affecter aux paramtres afin de minimiser la
sensibilit ces bruits. Pour plus de dtails, nous invitons le lecteur revenir la
troisime section du chapitre prcdent. Il est noter que rcemment (Xiao et Cheng,
2008) ont prouv analytiquement une forte relation entre la CA et la conception robuste.
2.2 Comparaison des processus de conception et justification du choix
Dans le conceptual design des directives VDI, adaptes par (Palh et Beitz, 1996), l'accent
est mis sur les fonctions. Cette phase doit permettre d'obtenir un concept, ou un ensemble
de concepts combins, capable de remplir les fonctions. L'tude du comportement
nergtique est galement utile dans cette phase. La ralisation d'une fonction induit une
transformation d'nergie, de matire et d'information (des objectifs d'ordre esthtique par
exemple ne peuvent donc pas tre traits). La fonction globale est dcompose en sous
fonctions principales (qui contribuent directement la fonction globale) ou auxiliaires.
Cette distinction n'est toutefois pas forcment facile faire (Oosterman, 2001). Elle
affecte l'ordre de rsolution de problme. Il est judicieux de commencer traiter le flux
principal entre les fonctions principales. La structure fonctionnelle mise en place facilite la
dcomposition du problme et la mise en vidence de parties pour lesquelles des solutions
existent.
L'approche systmatique favorise d'abord une dcomposition descendante de la fonction

principale (domaine des EFs), avant d'approcher de manire ascendante la solution finale
dans le domaine des PCs. Toutefois, il apparat qu'une fonction ne peut pas tre
dcompose sans considrer sa traduction physique chaque niveau.
Contrairement avec la CA, il existe un processus ncessaire d'itration entre les exigences
fonctionnelles et les attributs de conception physiques. Il n'est pas suffisant de dfinir un
jeu d'EFs et de procder leur traduction en paramtres de conception. Ces PC doivent
pouvoir influencer la forme et le contenu des EFs. La dfinition des PC de niveau systme
est ncessaire pour que les EFs du niveau infrieur puissent tre dfinies, etc. Chaque
niveau doit tre achev pour passer au niveau infrieur.

Les hirarchies fonctionnelles et physiques sont interdpendantes, et il n'est pas possible

de construire la hirarchie fonctionnelle complte sans se rfrer au domaine physique
chaque niveau.
La CA soppose ainsi dautres approches considrant que la conception requiert de

lexprience et ne peut tre enseigne ou modlise (Lossack et Grabowski, 2000).
Lapproche axiomatique de la conception a pour objectif de gnraliser les rgles de
conception par des thormes et des corollaires.
3. Proposition dune dmarche de conception
3.1 Etat de lart relatif la conception axiomatique
La CA est utilise dans plusieurs disciplines tel que systmes mcaniques, systmes de
production, les systmes dinformation, logiciels, etc. Suh (1990) est le premier qui a avoir
propos les principes de la CA. (Gebala et Suh, 1992) et (Albano et Suh, 1992) ont
propos plusieurs modles pour laide en conception des structures en gnie civil. (Kim et
al. 1991) ont appliqu la CA pour le dveloppement dun logiciel de conception. Les EFs
sont les sorties de ce logiciel et les PC sont les entres clefs qui caractrise ces EFs.
(Babic, 1999) propose un systme daide la dcision pour limplantation des machines
pour les systmes flexibles de production. (Chen et al. 2001) ont modlis un systme
base de connaissance laide de la CA pour amliorer les performances dune cellule de
production. (Houshmand et Jamshidnezhad, 2002) propose lutilisation de la CA pour la
conception dun systme de production en juste temps. Plusieurs autres travaux rcents
ont trait lutilisation de la CA pour la conception des systmes de production comme
(Cochran et al. 2000), (Gonalves-Coelho et Mourao, 2007) et (Durmusoglu et Kulak,
2008). En particulier, pour la conception des systmes de production cellulaires, (Kulak et
al. 2005) ont propos une dmarche de conception pour transformer un amnagement
fonctionnel en un amnagement cellulaire. En conclusion, toutes ces tudes montrent
lintrt que porte la CA qui lie indpendamment les EFs aux PCs correspondants.
3.2 Application de la conception axiomatique
En appliquant, la dmarche de la conception axiomatique, le diagramme de conception

propos est indiqu dans la figure 4.5. Chacune des tapes consiste dfinir les exigences

fonctionnelles du systme concevoir dans le domaine fonctionnel. Il est remarquer que,

chaque exigence fonctionnelle tablie ce stade peut mener une conception
compltement diffrente de lAC. Pour chacune des EFs identifie, il est ncessaire de
laffecter un seul paramtre de conception. Les principes de la CA recommandent de
revenir, chaque fois, au domaine fonctionnel pour dcomposer encore le(s) EFs en
dautre(s) EF(s) du niveau plus bas.
Dans ce travail, nous avons choisi comme exigence fonctionelle du niveau le plus leve :
EF0 : Grouper les produits et les machines pour une performance optimale tout en
respectant la demande des clients.
EF0
Niveau 1
PC0
Niveau 2 EF 1 EF 2 EF 3
PC 1 PC 2 PC 3
Niveau 3 EF 31 EF 32 EF 33
PC 31 PC 32 PC 33
Figure 4.5 Diagramme de dcomposition en EFs et PCs
Un seul paramtre de conception a t slectionn pour satisfaire lexigence fonctionelle

EF0 : PC0 : Procdure pour grouper les machines ncessaires et les produits en familles
Le couple (EF0, PC0) est dcompos en trois couples (EF1-PC1), (EF2, PC2) et (EF3,
PC3) :
EF1 : Slectionner la gamme prfrentielle pour chaque produit.

FR2 : Partage des produits en familles et groupement des machines en cellules.
FR3 : Dimensionner, implanter les machines ncessaire et amliorer les performances du
systme de production cellulaire.
PC1 : Machine dincidence produitsmachines avec toutes les gammes alternatives.

PC2 : Technique de regroupement des types de machines et des produits.
PC3 : Paramtres de production et de cot et indicateurs de performance.
La matrice de conception correspondante qui fournit les quations linaires entre les
diffrentes EFs et les PCs associs est indique dans lquation (33). Il est ncessaire de

sassurer que la matrice de conception construite satisfait les principes de la CA (Suh,

1990). Le symbole X indique une valeur non nulle. La matrice identifie est de type
triangulaire infrieure ce qui affirme le respect de laxiome dindpendance. En plus, cette
configuration permet davoir une dmarche de conception squentielle.
EF1 X 0 0 PC1

EF2 = X X 0 PC2 (33)
EF3 X X X PC3

En appliquant ces tapes chacune des paires identifies, nous avons constat que la paire
(EF3-PC3) doit tre encore dcompose en trois couples (EF-PC) :
FR31 : dterminer le nombre de machines ncessaire de chaque type de machine

FR32 : grouper les machines dans les cellules
FR33 : liminer ou traiter les EE
DP31 : donnes de production

DP32 : mthode dimplantation des machines
DP33 : les stratgies de traitement des EE
De la mme manire que prcdemment, la matrice de conception relative cette
deuxime dcomposition est de type triangulaire infrieure, comme prsente dans
lquation (34). Toutes les EFs et les PCs identifis pour la conception des AC sont
rcapituls dans la figure 4.5.
EF31 X 0 0 PC31

EF32 = X X 0 PC32 (34)
EF33 X X X PC33

Lapproche de conception que nous avons propose consiste rsoudre les paires
dextrmit dans leurs ordres : EF1-PC1, EF2-PC2, EF31-PC31, EF32-PC32 et EF33-
PC33. Il est remarquer que, parmi ces cinq paires identifies, il y a des paires, comme
EF1-PC1, ncessite un choix entre plusieurs configurations possibles. Cest ce stade l,
que nous avons recommand dutiliser les mthodes de plan dexpriences.

3.3 Intgration de la mthode des plans dexpriences
La figure 4.6 indique la procdure dintgration des mthodes des plans dexpriences
pour les diffrentes paires dextrmit (EF-PC) identifies et qui prvoient plusieurs
configurations possibles appliquer.
Prenant la premire paire identifie (EF1 - PC1) qui correspond au problme de formation
des cellules avec gammes alternatives. Lexigence fonctionnelle est EF1 : Slectionner la
gamme prfrentielle pour chaque produit et le paramtre de conception est PC1 :
Machine dincidence produitsmachines avec toutes les gammes alternatives. Daprs la
figure 4.5, cette paire ncessite le recours lutilisation dune mthode de plan
dexpriences pour choisir la configuration optimale. Nous revenons ainsi mettre en
relief lapproche que nous avons propose dans le chapitre prcdent. Une fois les
gammes prfrentielles slectionnes, il suffit dappliquer lune des mthodes de
formation de cellules et revenir par la suite la paire (EF2-PC2).
Dbut Pour chaque paire EF-

PC
Utiliser une mthode de plan Non Une seule

dexpriences configuration
Slectionner les facteurs et les Oui

niveaux correspondants Appliquer une technique de
rsolution satisfaisante
Appliquer une mthode de plan
dexpriences
Choisir la configuration Fin

optimale (Prise de dcision)
Figure 4.6 Intgration des mthodes des plans dexpriences
4. Traitement des lments exceptionnels
Dans cette section, nous allons tudier le couple (FR33, PC33) qui correspond en
littrature au problme de traitement des EE. Plusieurs mthodes de traitement de cellules
sont possibles, cest pourquoi, il est possible denvisager lutilisation de la mthode des
plans dexpriences.

4.1 Etat de lart
Plusieurs travaux de recherches tels que (Wemmerlv et Hyer, 1986), (Slim et al. 1998)
prsente un tat de lart des mthodes de formation de cellules de production. Il indique,
pour nimporte quelle mthode utilise, quil est rare de trouver des cellules compltement
indpendantes.
La littrature spcifique la conception des cellules de production peut tre scinde en

trois catgories. La premire grande catgorie ignore compltement le problme de
traitement des EE. La deuxime catgorie expose limportance de lindpendance des
cellules juste titre de recommandations ou de perspectives. Enfin, la troisime catgorie
suggre que le traitement des EE est indispensable pour atteindre les objectifs encourus de
la TG. De cette tude bibliographique, nous remarquons dune part, lexistence de
quelques scnarios de traitement. Dautre part, nous distinguons aussi quelques mthodes
de rsolution.
(McAuley, 1972) est le premier qui a avoir incorpor le problme de traitement des EE
la solution finale de formation des cellules. Il propose le scnario de duplication des
machines exceptionnelles. Autrement dit, il suppose que chaque machine goulot ou
exceptionnelle doit tre dupliquer pour liminer les mouvements intercellulaire.
(Seifoddine, 1989) a prsent une mthodologie pour la duplication des machines
exceptionnelles mais il est clair que ce scnario nest pas toujours le plus conomique.
(Burbidge, 1975), (King, 1980) et (Chan et Milner, 1982) ont propos, en plus de la
duplication des machines exceptionnelles, trois autres scnarios tel que :
(1) la modification du routage des produits exceptionnels
(2) la construction dune cellule spcifique qui traite des EE, appel remainder
Cell
(3) lacceptation des mouvements intercellulaires.
(Kusiak, 1987) propose la sous-traitance des produits exceptionnels comme une

alternative pour llimination des EE. Dautres auteurs comme (Slim et al. 1998) et
(Foulds et al. 2006) indiquent quil est trs important en pratique industrielle de modifier
les options techniques ou technologiques des machines cls pour liminer les EE. Ce
problme connu en littrature par the sustainable cell formation problem nest pas
trait dans ce travail de thse car il suppose que les machines peuvent tre conues ou
modifiables pour les cellules ainsi formes.

En rsum, nous pouvons conclure que la seule stratgie possible dlimination des EE est
la duplication des machines exceptionnelles. Cette stratgie doit tre compare celle qui
autorise les mouvements intercellulaires. Dans ce contexte de choix, (Shafer et al. 1992)
prsentent un modle bas sur une programmation linaire pour choisir entre la
duplication des machines exceptionnelles, la sous-traitance des produits exceptionnels et
lautorisation des EE.
4.2 Evaluation des performances
Le recours lvaluation des performances dun systme de production est ncessaire

avant toute prise de dcision, lobjectif tant loptimisation de sa performance. Cette
valuation reprsente la mesure de limpact dune dcision sur le systme ou linfluence
de perturbations modifiant son tat. Les acteurs de la productique saccordent sur le fait
que, dornavant, lanalyse, la conception et lexploitation des systmes de production ne
peuvent tre menes bien sans une assistance mthodique.
La performance dun systme de production peut sanalyser selon trois points de vue : le
niveau physique, le niveau marchand ou commercial et le niveau financier (Burlat, 2001).
Dans ce travail de thse, nous focalisons notre tude sur le niveau physique. Dans ce
dernier trois types de mesures sont frquemment retenus : les cycles de fabrication, le taux
dutilisation des ressources et les niveaux de stock et den-cours. Pour valuer ces
indicateurs de performance, plusieurs mthodes et modles dvaluation sont possibles.
Evaluer signifie dterminer une quantit par le calcul sans avoir recours la mesure
directe (Burlat, 2001). Ceci suppose que lvaluation soit effectue laide dun modle
qui peut tre exprimental, mathmatique, de simulation, etc. Evaluer implique galement
le recours un objectif et un indicateur de performance qui fournit une donne quantifie
mesurant lefficacit du systme, donc son aptitude gnrer une performance.
4.2.1 Les indicateurs de performance
Une distinction fondamentale entre les notions de mesure et d valuation doit tre
faite lors de lapprhension de la performance. En effet, la mesure conserve un rle
important, mais sen tient aux effets. Lvaluation est de porte plus gnrale : on tente de
remonter aux causes et on se prononce galement sur les objectifs et leur mise en
uvre. valuer, cest assigner une valeur bonne ou mauvaise, meilleure ou pire, une
entit ou un vnement. Ce nest donc pas simplement mesurer la valeur intrinsque des

objets, cest tablir un ordre de prfrence, autrement dit, certains rapports des sujets aux
objets (Burlat et al. 2003).
Les entreprises sont des organismes assez complexes pour que la performance soit perue
de diffrentes manires selon les acteurs. Cependant, des objectifs dits stratgiques
peuvent tre considrs et matrialiss par des objectifs oprationnels. Pour chacun de ces
objectifs, on peut dfinir un ou plusieurs critres de performance. La cohrence entre les
critres de performance assure la bonne performance globale du systme.
Par ailleurs, dans le contexte caractris par une forte comptitivit et une production en
petites sries, il serait intressant de considrer le respect des dlais de livraison comme
objectif principal. Ainsi, il faudrait minimiser les retards par rapport aux dlais de
livraison et galement les avances qui peuvent entraner des cots additionnels de
stockage. Pour des raisons de simplification, ces derniers cots sont supposs
gnralement ngligeables et les dlais de livraison sont considrs serrs. De ce fait,
lindicateur de performance principal appropri serait donc le temps de sjour moyen
(TSM) ou encore en anglais Mean Flow Time. Le temps de sjour d'un lot est la diffrence
entre l'instant o le lot quitte le systme et l'instant o il a t introduit dans ce mme
systme. L'objectif serait donc de minimiser ce temps de sjour moyen.
Un autre indicateur est frquemment cit est lencours WIP (Work In Process). Cet
indicateur caractrise la fluidit du flux des produits dans le systme. Il a t mesur de
diffrentes manires :
- Quantit de stock dencours : cest le nombre de produits en cours de production
par le systme : les produits en attente dans les stocks tampons, ceux en cours de
transfert, produit en contrle qualit etc.
- Nombre moyen de produits se trouvant dans le systme entrain dtre fabriqu,
pondr par le temps pass par ces produits dans le systme.
- La somme des temps de rglage ainsi que les temps de production passs par les
produits qui sont actuellement en production dans le systme.
Dautres indicateurs sont ncessaires pour localiser les goulots dtranglement :

- Lutilisation moyenne dune machine : Elle est dfinie comme tant la somme des
temps de production effective et des temps de rglage de cette machine divise par le
temps de travail disponible (Faizul et al. 2001).
- Lattente : Avant dtre traits, les lots de produits peuvent passer beaucoup de
temps dans les files dattente. (Flynn et Jacobs, 1986) ont valu lattente de diffrentes

manires : le nombre moyen de lots ou de produits en attente dans la file dattente

(average number waiting) ou le temps moyen dattente pass par chaque lot ou par chaque
produit (average waiting time).
4.2.2 Les modles dvaluation des performances
Les trois approches classiques dvaluation des performances des systmes de production
sont: les mesures directes, les mthodes analytiques et la simulation informatique. Trois
types de modles dcoulent des grandes approches de modlisation : modle analytique
avec rsolution analytique, modle analytique avec rsolution numrique et modle de
simulation avec rsolution numrique.
4.1.2.1 Modle analytique avec rsolution analytique
Le modle du systme tudi est une fonction dont on peut calculer directement
loptimum. Ce cas est trs rare dans le domaine des systmes de production et demande
des hypothses extrmement restrictives. Toutefois, il prsente lavantage doffrir une
rsolution directe. Les modles de ce type les plus connus dans le domaine de la gestion
industrielle sont le modle de Wilson pour la gestion de stock et les thormes de files
dattente issus des travaux de Jackson.
4.1.2.2 Modle analytique avec rsolution numrique
Le modle est exprim via une fonction mathmatique plus ou moins complexe.
Lvaluation de cette fonction en chacun des points donns ne pose gnralement que trs
peu de problmes mais lexpression de son optimum est inconnue. Soit par dichotomie,
soit par mthode numrique ou soit par heuristique, des campagnes dessai-erreur sont
ncessaires, o lon espre que la ou les solutions suivantes seront meilleures. Il sagit de
la plupart des mthodes et problmes du domaine de la recherche oprationnelle classique.
4.1.2.3 Modle de simulation avec rsolution numrique
Le modle nest plus analytique et implique souvent une approche stochastique, des
phnomnes de file dattente et des dcisions prendre en temps rel en fonction de ltat
du systme. Dans ce cas, nous avons recours la simulation pour valuer la performance
du systme. En ce qui concerne loptimisation elle-mme, des campagnes dessai-erreur
sont ncessaires cette fois encore. La difficult est accrue du fait que certaines proprits
de continuit que lon pouvait esprer lors dutilisation de modles analytiques nont plus

lieu dtre. De plus, des variables non numriques ou des choix structurels peuvent
intervenir.
Evaluer les performances des

systmes de production
Mesures directes Mthodes analytiques Mthodes par simulation

(analyse statique) (RFA, RdP, Markov, etc.) vnements discrets
Modles Modles de
mathmatiques simulation
Simple rsolution Rsolution Rsolution Rsolution

analytique analytique numrique numrique
Figure 4.7 Mthodes dvaluation des performances des systmes de production.
La figure 4.7 indique les trois classes de mthodes possibles pour lvaluation des
systmes de production qui se rsument comme suit :
Mesure directes (Analyse statique des flux) : elle consiste tablir un
dimensionnement statique c'est--dire appliquer des rgles simples (rgle de trois,
bons sens, rgles issue de la pratique). Cette mthode est largement applique
notamment dans les petites entreprises.
Mthodes analytiques exactes ou approches : elles se basent sur la modlisation
du systme et permet deffectuer des calculs et dappliquer des algorithmes. Les
outils utiliss dans cette mthode sont gnralement : chane de Markov, rseaux
de Ptri, rseaux de file dattente, etc. Lordonnancement est un outil pour piloter
les flux au quotidien.
Mthode par simulation : la simulation des flux (simulation des systmes
dynamiques vnements discrets) consiste modliser le systme, le traduire
dans un programme informatique qui sexcute pas pas, amliorer les
performances du systme. Cest un outil daide la dcision.
(Ait Hassain, 2000) indique que lutilisation de la mthode de simulation pourra tre la
seule possible pour lamlioration des performances des systmes de production et ceci
pour les raisons suivantes :

Aspect complexit : dans un modle de simulation, on peut traiter lintgralit des

problmes ensemble : ordonnancement, pilotage des flux, dimensionnement,
implantation, etc.
Aspect stochastique : modlisation raliste du systme de production, en permettant
de tenir compte des diverses incertitudes qui pourrons affect le fonctionnement du
systme : panne machines, absentisme, fluctuation des demandes, non qualit, etc.
Aspect dynamique : la possibilit davoir des paramtres du modle qui voluent
dans le temps tels que les temps opratoires, temps de rglages, etc.
4.3 Lvaluation des performances par simulation
Selon (Banks et al. 2001), Shannon a dfini la simulation comme la procdure de

conception du modle dun systme rel et son exprimentation laide de ce modle
afin de soit de comprendre le comportement de ce systme, soit dvaluer les stratgies de
contrle de ce systme .
Une synthse de diffrentes dfinitions de la simulation est propose dans (Bakalem,

1996) : la simulation est une mthode de mesure et dtude consistant remplacer un
phnomne ou un systme tudier par un modle informatique plus simple mais ayant un
comportement analogue. Ce modle permet de raliser des tests afin de cerner le
comportement dynamique du systme tudi. Il est implment sur ordinateur, et volue
dun tat vers un autre en fonction de certaines rgles de changement dtat bien dfinies.
La simulation est une technique exprimentale approprie ltude des systmes de
grande taille composs de plusieurs lments en interaction. Elle permet ainsi de rpondre
certains problmes chaque fois que lexprimentation en grandeur nature se rvle
impossible et/ou trop coteuse (Bel et Kieffer, 2001). Il est ncessaire de mentionner que
la simulation permet de rpondre des questions de type Qu'obtiendra-t-on si l'on fait
ceci ? , mais ne permet pas de rpondre des questions de type Que faut-il faire pour
obtenir cela ? .
4.3.1 Utilisation de la simulation
Lutilisation la plus frquente de la simulation, en entreprise permet dvaluer les effets

suivants : suppression/adjonction de machines/de main d'uvre, modification du
processus de fabrication (gammes, temps de prparation, etc.), prsence d'alas de
fabrication (pannes machines, rupture des stocks, commandes urgentes, etc.), capacit des

stocks, ordonnancement (politiques de lancement, rgles de gestion des files d'attente,

affectation des ressources, etc.), insertion de nouveaux produits / suppression de produits
existants, etc.
Son potentiel est encore plus vaste, permettant de reprsenter tous les niveaux
hirarchiques de l'entreprise, tous ses flux, mais galement toutes les phases du cycle de
vie d'un systme de production (figure 4.8). Cette technique est une aide la prise de
dcision puissante pour rpondre aux diffrentes questions que se pose les industriels
(Habchi et Berchet, 2003). En effet, la simulation peut tre aussi utilise pour tudier un
systme durant le stade de conception, et avant qu'il soit construit. Ainsi, la simulation
peut tre seulement utilise comme outil d'analyse pour prdire l'effet des changements sur
la performance d'un systme existant, mais aussi comme un outil daide la conception
pour prdire la performance d'un nouveau systme sous diffrentes configurations et
modes dexploitations.
Potentiels de la
simulation
Tous les niveaux Tous les flux de Toutes les phases du

hirarchiques lentreprise cycle de vie
Oprationnel Physiques Conception

Tactique Informationnels Ralisation
Stratgique Dcisionnels Exploitation
Figure 4.8 Les domaines dapplication de la simulation
Concernant le domaine de lAC, la simulation a t utilise dans plusieurs situations :

Le dimensionnement des cellules et plus particulirement la dtermination du nombre
de machines ncessaires comme dans (Bullinger et Sauer, 1987), (Kamrani et al.
1998), (Chen et al. 2001), (Irizarry et al. 2001), (Feyzioglu et al. 2005), (Chtourou et
al. 2005), (Masmoudi, 2006), etc.
La comparaison entre lamnagement fonctionnel, amnagement cellulaire et les
amnagements hybrides, comme dans (Shafer et Meredith, 1993), (Burgess et al.
1993), (Shambu et Suresh, 2000), (Faizul et al. 2001), etc.

Lanalyse et lamlioration des performances des amnagements cellulaires comme

dans (Polajnar et al. 1995), (Selen et Ashayeri, 2001), (Masmoudi et al. 2006),
(Elleuch et al. 2007), etc.
4.3.2 Dmarche classique dutilisation de la simulation
La mise en uvre dune simulation comprend les tapes suivantes (Law et Kelton, 2000)
(figure 4.9) :
1. Analyse du systme tudier et formulation du problme
Ds la conception, il faut analyser le systme, dterminer les tapes cl du processus

que nous souhaitons tudier, dfinir les objectifs, et se poser des questions du type
comment : dimensionner latelier ? Organiser latelier ? Grer le flux de produits ?
Grer les ressources ? Piloter la production en temps rel ? etc.
2. Collecte des donnes ncessaires la simulation
Les donnes physiques: il faut cerner lorganisation du systme, avec le nombre de

machines, doprateurs, de chariots, les temps douverture, le partage des ressources,
le nombre de produits, leur type, leur gamme, etc.
Les donnes de gestion: le carnet de commandes, les quantits commandes, les tailles
des sries, les dates, les types de flux (pouss, tir ou tendu).
Les donnes de pilotage: les rgles dordonnancement et de priorit, les alas de
fonctionnement (pannes, absentisme, drglage, etc.) avec leur manire de les reprer
(indicateurs de performance) et leurs rgles de dcision et de plans daction
correspondants, rgles dusure des outils, etc.
3. Construction du modle de simulation
Cette tape a pour objectif de construire le modle sur la base duquel va seffectuer la
simulation. Il sagit de retranscrire la ralit sous forme de modles comprhensibles par
les utilisateurs. Ce modle peut tre sous forme graphique, sous forme de schmas, etc.
4. Vrification et validation du modle
Quand un modle est traduit en un programme et que lexcution de celui-ci fournit des
rsultats, alors deux types de questions se posent (Ait Hssain, 2000). Ces rsultats sont-ils
conformes aux attentes de lanalyste programmeur ? Correspondent-ils vraiment au
systme rel et sont-ils crdibles pour lutilisateur final (manager ou dcideur)? Le
premier type de questions correspond la vrification du modle et le deuxime sa
validation.

5. Dfinition des expriences effectuer
On dfinit les conditions dutilisation du modle, la stratgie (nombre dexpriences,

dure, plans dexprience,...) et la tactique (conditions initiales, types de rsultats, etc.).
Dans cette tape, on fait appel gnralement, aux techniques des plans dexpriences pour
guider les expriences et interprter les rsultats.
6. Simulations et enregistrement des rsultats
La plupart des modles de simulation contiennent des variables alatoires (stochastique).

Les rsultats gnrs pour une rplication sont alors semblables des mesures sur un
chantillon statistique. Pour pouvoir utiliser les rsultats dune simulation dans le
processus de prise de dcision, il est indispensable den faire une analyse statistique
approprie.
Etant donn que, dans une simulation, on cherche effectuer des observations tout en
rduisant le plus possible lerreur dchantillonnage, ce rsultat pourrait thoriquement
tre obtenu :
en faisant un trs grand nombre dexpriences (longueur de la simulation) pour
sassurer davoir atteint un tat de rgime permanent ;
en rptant la simulation avec des suites indpendantes de nombres alatoires, chaque
observation constituant une observation. En introduisant des suites indpendantes de
nombres alatoires, nous obtenons des observations indpendantes. Lerreur
dchantillonnage peut tre rduite en prenant la moyenne de ces observations.
7. Evaluation des performances, interprtation des rsultats, et recommandations
L'analyse personnelle des rsultats est possible laide des indicateurs de performance
sous forme de tableaux, courbes, graphiques, histogrammes, etc. Le recours des outils
danalyse statistiques est parfois ncessaire (analyse de la variance). Cette interprtation
permet soit:
Dans le cas de rsultats non satisfaisants, d'mettre des recommandations, comme la
remise en question des paramtres ou le cas chant, des objectifs (Habchi et Labrune
1995). Dans ce cas, ces recommandations (hypothses de plans d'actions) sont encore
tester et donc rintroduire dans le modle de simulation. Il faut ensuite effectuer
des expriences de simulation avec ce nouveau paramtrage jusqu' satisfaction des
rsultats en terme derreur statistique (rgime permanent).
Dans le cas de rsultats satisfaisants, de mettre en uvre les plans d'action sur le
systme rel (nous passons alors l'tape suivante).

8. Mise en uvre des plans d'actions sur le systme rel
Les plans d'actions, suite aux divers tests sont appliquer sur le systme rel en fin de
simulation, lorsque les diffrents acteurs dcideurs sont d'accord sur les rsultats et
sur le choix d'application. Cette application s'effectue toujours en rfrence aux
diffrentes simulations qui ont d tre documentes. Le cycle de cette dmarche
d'utilisation de la simulation nest donc pas linaire. Le schma de la figure 4.9 illustre
la faon dont ces diffrentes tapes sarticulent dans la pratique classique
1. Analyse du systme
tudier
2. Collecte des donnes
3. Construction du modle
4. Vrification et validation du
modle
5. Dfinition des expriences

effectuer
6. Simulation
7. Evaluation des
performances et interprtation
Rsultats Non Recommandations (dans le

satisfaisant modle de simulation)
Oui
8. Mise en uvre des actions

sur le systme rel
. Figure 4.9 Processus de la simulation
4.4. Application de la simulation
Partant dune solution initiale de rpartition des machines en cellules et des produits en

familles en prsence dEE, nous proposons une approche par simulation permettant
dvaluer puis damliorer la performance des cellules de production (Hachicha et al.
2007). Deux stratgies ont t tudies, la premire consiste admettre les EE dans les
diffrentes cellules (S1), la seconde traite le cas de dupliquer les machines exceptionnelles
(S2). Il est noter que dans cette application, nous pouvons considrer le choix entre ces
stratgies comme un plan dexprience deux expriences seulement.
4.4.1 Prsentation du problme
Ce cas pratique traite un systme cellulaire initialement propos par (Shafer et al. 1992). Il
est compos de trois cellules : la 1re cellule note C1 comporte les machines M1, M2 et
M3 pour la fabrication des produits P1, P2 et P3. La 2me cellule note C2 comporte les
machines M4 et M5 pour la fabrication des produits P4, P5 et P6. Finalement, la 3me
cellule note C3 regroupe les machines M6, M7, M8 et M9 pour la fabrication des
produits P7, P8 et P9, P10. Nous supposons que la capacit de chaque machine type est
suffisante pour fabriquer toute la demande annuelle. Lentreprise travaille en deux postes
par jour (15h/jour) durant 330 jours ouvrables.
Le tableau 4.1 prsente les dures opratoires de chaque produit et le cot de transfert
unitaire du produit i en dehors de sa cellule originale (CTUi). On suppose que toutes les
machines ont le mme cot dacquisition annuel (A =10 000 DT).
Tableau 4.1 Solution initiale de formation des cellules
P1 P2 P3 P4 P5 P6 P7 P8 P9 P10
M1 2,95 0 2,20 4,61
M2 2,76 5,18 1,89 3,89 5,14
M3 5,54 4,29 0
M4 2,91 1,97 2,59 4,01 2,7
M5 4,28 0 4,51
M6 1,92 2,23 0 5,2 0
M7 3,4 1,16 4,72 0 2,49
M8 5,32 0 3,75 3,5 0
M9 4,04 0 0 1,83
CTUi (DT) 6,8 7,5 5,8 5,4 6,5 6,5 4,5 6,2 5,1 6,8
Le tableau 4.2 indique la gamme de production de chaque produit. On note par TTi le
temps de transfert du produit i, BSi la taille du lot du produit i, et par Di la demande
annuelle du produit i. Les commandes arrivent dune manire alatoire en respectant la

proportion pi de chaque produit i. De ce fait, lexpression de pi est indique dans

lquation 35.
Di
pi = 10
D
k =1
k
(35)
Leffet de la taille de lot sur la performance des systmes de production est largement
discut en littrature comme dans (Burgess et al. 1993), (Law et Kelton, 2000), (Faizul et
al. 2001), etc. Cest pourquoi nous avons choisi une taille de lot fixe (5 pices) pour tous
les produits.
Tableau 4.2 Les donnes du processus de production et de transfert
Produits Gamme de production TTi BSi Di pi NTi

P1 M1-M2-M4-M3-M6 21 5 2 439 0,08 3
P2 M2-M3-M8 21,5 5 4 189 0,15 1
P3 M2-M1 17,5 5 3 135 0,11 0
P4 M4-M5-M2 22 5 861 0,03 1
P5 M4-M7 25 5 2 808 0,10 1
P6 M4-M2-M5 19,5 5 2 587 0,09 2
P7 M6-M7-M9 22 5 3 506 0,12 0
P8 M4-M7-M8 23 5 3 445 0,12 1
P9 M6-M8 25 5 2 491 0,09 0
P10 M7-M9-M1 25 5 3 339 0,11 1
Somme 28 800 1,00 10
Il est noter que le nombre de transferts intercellulaire (NTi) est non seulement dtermin
par le nombre d'EE, mais galement par la squence des produits. Une opration
intermdiaire pour un produit excut en dehors de sa cellule ncessite deux transferts
intercellulaires. Prenons titre dexemple, le produit P6 qui appartient la cellule C2 et
qui a comme squence M4-M2-M5. Deux transferts entre les cellules C1 et C2 sont
ncessaires pour fabriquer le produit P6, en effet la machine M2 est implante dans la
cellule C1 et les machines M4 et M5 dans la cellule C2. Dans le cas o lEE constitue la
premire ou la dernire opration (le cas des produits P2, P4, P5, P8 et P10) un seul
transfert entre cellule est ncessaire. En consquence, le nombre d'EE dans le systme est
huit alors que le nombre de transferts intercellulaire est de dix.

Le tableau 4.3 prsente le temps de rglage allou par type de cellule. C'est--dire si un
produit affect une cellule ncessite une machine implante dans une autre cellule, il sera
affect par un temps de rglage.
Nous supposons en plus, que les dures opratoires du tableau 4.1 sont dterministes, que
les dures des transferts intercellulaires suivent chacune une loi exponentielle de moyenne
(TTi), que la fabrication et le transfert des produits se fait par des lots gaux et identiques
pour tout les produits et que la rgle de priorit applique sur chacune des machines est
FCFS.
Tableau 4.3 Les temps de rglage
Cellule Famille de produits Groupes de machines Temps de rglage (min)

1 P1, P2 et P3 M1, M2 et M3 3,5
2 P4, P5 et P6 M4 et M5 3
3 P7, P8, P9 et P10 M6, M7, M8 et M9 4,5
4.4.2 Construction du modle de Simulation
Pour modliser et simuler le systme de production, nous avons utilis le logiciel

SIMAN/Arena (Arena standard users guide, 2002) dvelopp par Systemes Modeling
Corporation. Le logiciel SIMAN/Arena est notamment ddi la modlisation et la
simulation des systmes vnements discrets et en particulier, les systmes de
production. SIMAN est un langage de modlisation et de simulation des systmes
vnements discrets. Arena est un environnement (logiciel) de simulation qui englobe
SIMAN. Il intgre de nombreuses fonctions de modlisation (autres que celles de
SIMAN), danalyse statistique, doptimisation, danimation graphique etc. En effet,
Arena permet de mener un projet complet de simulation (programmation,
vrification/validation, interprtation des rsultats, optimisation, animation etc.).
La figure 4.10 montre une vue densemble du modle construit qui prsente trois parties.
La premire partie, situe gauche, sert modliser larrive alatoire des lots des
diffrents types de produits. La seconde partie sert modliser le fonctionnement des trois
cellules ainsi que les transferts intercellulaires. Enfin, la troisime partie situe droite,
sert modliser le dpart des lots des diffrents types de produits finis.
Lentre des lots de produits dans le systme cellulaire est assure par le module Create
1 . Ce module permet de dfinir l'intervalle de temps sparant deux lancements successifs
de lots. Ensuite, chaque lot est assign un ensemble d'attributs via le module Assign
1 . Autrement dit, pour chaque lot sont attribus un indice d'identification du type de

produit, la squence de fabrication de ce type de produit ainsi que les temps opratoires et
de transfert relatifs ce mme type de produit au niveau des diffrentes cellules.
Le transfert des lots dune station de travail (machine) une autre est assur par un
module appel Leave . Ce module permet de prescrire le temps ncessaire ce
transfert. Il dfinit galement la station de destination ou la squence des stations suivre.
Chaque station est dclare par un module Enter . Par ailleurs, dans le module de
donnes sequence , chaque routage dun produit est dfini par une suite de stations.
Chaque machine est modlise laide du triplet Enter Process - Leave .
Sortie des
produits finis
Enter M1 Process 1 Leave 1
Dispose 1
Create 1 Enter M2 Process 2 Leave 2
Assign C1
Assign 1 Enter M3 Process 3 Leave 3

Leave
Cellule 1
Decide 1
Mouvements intercellulaires
Arrive des
lots de MP Assign C2 Cellule 2
Mouvements intercellulaires
Assign C3 Cellule 3
Figure 4.10 Structure du modle de simulation construit
La production dun lot de produits ncessite son passage par les diffrentes machines
comme lindique sa squence. Il est noter que nous avons nglig les temps de transfert
intracellulaire (dplacement lintrieur dune mme cellule). Par contre, nous avons
attribu un temps de transfert exponentiel spcifique chaque type de produits (TTi). Une
fois les lots de produits ont subi lensemble des oprations ncessaires pour leur
transformation, ils quittent le systme via le module Dispose 1 .
Le modle de simulation que nous avons construit est stochastique car il contient des
variables alatoires. Les rsultats gnrs pour une rplication (indicateurs de
performance) sont alors semblables des mesures sur un chantillon statistique. Il est
ncessaire de faire une analyse statistique approprie pour la collecte et linterprtation des
rsultats de simulation. Comme nous lavons dj mentionn, deux mthodes sont

possibles pour collecter les indices de performances : mthode de N rplications

indpendantes et mthode de grande rplication.
4.4.3 Analyse des rsultats
Le fonctionnement du systme est infini, cest pourquoi nous avons choisi dappliquer la
mthode dune seule longue rplication. Plusieurs chercheurs recommandent lutilisation
de cette mthode (Ait Hssain, 2000), (Banks et al. 2001). En effet, lavantage majeure est
le fait que la priode de rchauffement (dite encore, priode de dmarrage ou priode du
rgime transitoire) sera excute une seule fois ce qui rduit le temps dexprimentation.
En plus, leffet de cette priode sera ngligeable autant que la rplication est longue. Une
valuation visuelle des performances du systme de production est ncessaire pour
vrifier, juger puis liminer la priode du rgime transitoire (Law et Kelton, 2000). Dans
ce contexte, plusieurs auteurs, comme (Pidd, 1998), (Law et Kelton, 2000) et (Banks et al.
2004) indiquent que lindice de performance le plus significatif pour analyser
graphiquement la priode du rgime permanent est le WIP. La figure 4.11 prsente la
somme des WIP (des 10 diffrents produits) durant dix diffrentes longues rplications
laide de lapplication Output Analyser outil disponible avec le logiciel Arena (Kelton
et al. 2002) Lexamen de cette figure permet daffirmer quune priode de 18000 mn est
suffisante pour que le systme atteigne le rgime permanent.
Somme des WIP
Priode de
rchauffement
Figure 4.11 Lvolution de la somme des WIP durant dix

diffrentes longues rplications
Aprs avoir dtermin la priode de rchauffement du modle de simulation, il ne faut

considrer que les rsultats du rgime permanent du fonctionnement du systme cellulaire.
La configuration initiale consiste admettre touts les transferts intercellulaires dans le
systme. Les rsultats ainsi gnrs de cette configuration (stratgie S1) sont lists dans le
tableau 4.4 et le tableau 4.5.

Dans la littrature, plusieurs indices de performances sont proposs (Ait Hssain, 2000).
Dans chaque projet de simulation, le dcideur fait recours aux choix dindicateurs qui
convient le plus pour atteindre les objectifs escompts (Banks et al. 2001). Dans ce prsent
travail, nous avons choisi pour valuer les performances de chaque machine : le taux
dutilisation (TU) en % et le nombre de lots moyens en attente (NMA). Quand aux
produits, nous avons choisi quatre indicateurs de performances qui sont TTM : Temps de
Transfert Moyen (mn), TFM : Temps de Fabrication Moyen (mn), TAM : Temps dattente
Moyen (mn) et TSM : Temps de sjours moyen (mn).
Tableau 4.4 Les rsultats de la configuration initiale pour les machines
Machines NMA TU (%)

M1 0,35 54
M2 7,17 93
M3 0,10 25
M4 0,58 64
M5 0,03 30
M6 0,27 49
M7 1,26 74
M8 0,47 67
M9 0,24 52
Les rsultats du tableau 4.4 indiquent quil ny a aucune machine goulet dans le systme.
En plus la fabrication des lots demands (28 800 lots) ncessite une priode de 289560 mn
qui ne dpasse pas la capacit annuelle disponible de production (15 x 60 x 330 = 297000
mn). Ceci vrifie bien, lhypothse relative la suffisance des capacits des machines.
Le cot de transfert intercellulaire dun produit i est calcul partir de lquation (36).
CTi = Di TTM i CTU i (36)
Avec :
CTi : cot total de transfert intercellulaire du produit i
Di : demande annuelle du produit i (Tableau 4.2)
TTMi : temps de transfert moyen (mn) du produit i.
CTUi : cot unitaire de transfert du produit i (Tableau 4.1)

En appliquant lquation (36) sur les rsultats de simulation, nous obtenons les rsultats du
Tableau 4.5 qui indique pour chaque produit, le cot total de transfert intercellulaire.
Plusieurs expriences de simulation ont t ralises pour tudier deux stratgies :

- La premire stratgie (S1) consiste admettre des EE dans les diffrentes cellules,
cest dire la configuration initiale.
- La deuxime stratgie (S2) traite le cas de dupliquer les machines exceptionnelles.
Le tableau 4.6 prsente lvaluation conomique des deux stratgies et ceci pour chaque
produit exceptionnel.
Tableau 4.5 Les rsultats de la configuration initiale pour les produits
Produit TTM (mn) TFM (mn) TAM (mn) TSM (mn) CT (DT)
P1 63,61 90,90 195,11 349,63 17 583
P2 21,33 56,00 178,37 255,70 11 169
P3 0,00 20,45 171,71 192,16 0
P4 18,16 53,70 175,51 247,37 1 407
P5 25,29 32,95 43,22 101,46 7 693
P6 39,14 77,30 172,78 289,22 10 969
P7 0,00 37,15 45,09 82,24 0
P8 23,00 60,35 59,42 142,77 8 188
P9 0,00 46,85 15,75 62,60 0
P10 25,26 49,15 47,70 122,11 9 137
Total 215,80 512,80 1104,67 1845,27
Tableau 4.6 Les cots de traitement des EE
Produits Machines ncessaires Cot dacquisition

Initial CTi (DT)
exceptionnels dupliquer ncessaire
P1 17 583 M4 et M6 in C1 20 000
P2 11 169 M8 in C1 10 000
P4 1 407
M2 in C2 10 000
P6 10 969
P5 7 693 M7 in C2 10 000
P8 8 188 M4 in C3 10 000
P10 9 137 M1 in C3 10 000
A partir du tableau 4.6, nous remarquons que pour les produits P1, P5, P8 et P10, il nest
pas conomique de dupliquer les machines exceptionnelles correspondantes. En effet le

cot dacquisition de nouvelles machines est suprieur celui des mouvements

intercellulaires. Par contre, pour les produits P2, P4 et P6 le cot de duplication des
machines exceptionnelles est justifi. De ce fait lentreprise doit acqurir une nouvelle
machine M2 pour la placer dans la cellule C2 et une nouvelle machine M8 dans la cellule
C1. Elle ne doit pas investir en machines pour traiter les produits exceptionnels P1, P5, P8
et P10. Dans ce contexte, elle pourra envisager leurs sous-traitances suite une tude
conomique plus large.
Pour monter lintrt du point de vue pratique de lamlioration propose, nous avons
simul une autre fois, le systme tout en considrant une deuxime machine de chacune
des machines M2 et M8. Les rsultats de cette simulation relatifs aux produits sont
indiqus dans le tableau 4.7
Tableau 4.7 Les rsultats aprs acquisition des machines exceptionnelles
Parts TTM (mn) TFM (mn) TAM (mn) TSM (mn)

P1 64,44 90,90 40,62 195,96
P2 0.00 52,50 8,01 60,51
P3 0.00 20,45 14,16 34,61
P4 0.00 50,70 19,09 122,71
P5 25,90 32,95 43,03 69,79
P6 0.00 68,30 17,04 101,88
P7 0.00 37,15 47,54 85,34
P8 23,00 60,35 42,53 84,69
P9 0.00 46,85 15,77 125,88
P10 24.69 49,15 40,62 62,62
Total 138,03 509,30 296,66 943,99
Il est noter quen plus lentreprise gagnera en rduction de nombre de transferts

intercellulaires, elle rduira le temps de sjour total de 50 % (de 1845,27 943,99).
5. Conclusion
Ce chapitre a permis de dcrire la dmarche de conception des amnagements cellulaires

que nous avons propose. Cette dmarche consiste combiner la conception axiomatique
et la technique des plans dexpriences. En plus, nous avons prsent une approche base
sur la simulation pour valuer les stratgies dlimination des EE. Ce qui constitue la
phase finale pour la formation des cellules qui est souvent non considre dans les

solutions finales proposes par la littrature. Lapproche dveloppe permet dvaluer le

cot de duplication des machines exceptionnelles par rapport au cot engendr par les
mouvements intercellulaires, elle permet aussi dintgrer les paramtres de production
dans le modle dvelopp pour avoir le caractre dynamique et stochastique qui lui donne
plus de ralisme.

CONCLUSION GNRALE
Lobjet du travail prsent dans ce travail de recherche est la structuration et le

dveloppement dune dmarche pour la conception des amnagements cellulaires. Entre
autre, nous avons propos de nouvelles approches pour la rsolution du problme de
formation de cellules sous diverses hypothses. Dans ce que suit, nous prsentons une
synthse des principaux rsultats obtenus suivie de perspectives de recherche.
1. Une nouvelle approche base sur lanalyse des corrlations statistiques pour la
formation des cellules
1.1 Principe de lapproche propose
Cette approche se base sur trois tapes. Dans une premire tape, la matrice de corrlation
est utilise comme une matrice de similarit pour les produits et les machines. Dans une
deuxime tape, lapplication de la mthode Analyse en Composantes Principales et
lanalyse graphique du plan principal permettent dune part, le groupement simultan des
machines en groupes et des produits en familles et dautre part, lidentification des
machines et/ou des produits exceptionnels. Le but de la troisime tape est daffecter ces
lments exceptionnels aux cellules tout en maximisant la corrlation entre les diffrents
lments (produits et machines).
1.2 Avantages
Les avantages de cette approche rsident dans la simplicit, la rapidit de rsolution et la

considration du nombre de cellules former comme une variable dpendante ou
indpendante. Elle est valable aussi pour le cas dune matrice dincidence en dures
opratoires. En plus, elle est pratique pour les industriels, dune part, elle est accessible au
travers de la disponibilit de plusieurs logiciels danalyse de donnes du march. Dautre
part, elle ne requiert pas de connaissances approfondies en programmation comme les
approches volues de formation de cellules proposes en littrature.

1.3 Limites et perspectives
Dune part, le passage entre les diffrentes tapes de lapproche propose, et lexamen du
plan principal restent des oprations manuelles. Le dveloppement informatique de cette
approche, savre une perspective rapide. Dautre part, cette approche ne tient pas en
considration dautres paramtres intressants de production : telles que la squence des
oprations et la capacit des machines. Une perspective intressante serait dans
lintgration de ces aspects dans la matrice de similarit.
2. Une nouvelle approche base sur la technique des plans dexpriences (factoriel et
fractionnaire) pour le choix des gammes prfrentielles et par la suite la formation
des cellules avec gammes alternatives
Il consiste considrer le problme de formation de cellules avec gammes alternatives

comme une succession de deux sous problmes. Lapproche que nous proposons ici porte
sur le premier sous problme relatif au choix de la gamme prfrentielle pour chaque
produit et ceci en se basant sur la technique des plans dexpriences (factoriel ou
fractionnaire). Aprs avoir slectionn une seule gamme pour chaque produit, le deuxime
sous problme consiste revenir au problme classique de formation des cellules trait
prcdemment.
2.2 Avantages
Outre la dtermination de la solution optimale, lutilisation de la technique des plans

dexpriences nous a permis dintroduire une nouvelle notion danalyse de sensibilit de la
solution optimale selon les diffrentes gammes possibles ignores auparavant en
littrature. En plus, lapproche propose est pratique pour les industriels. En effet, elle est
accessible travers la disponibilit de plusieurs logiciels traitant la technique des plans
dexpriences. De ce fait, elle ne requiert pas de connaissances approfondies en
programmation mathmatique et informatique comme sollicit par les approches
antrieures de formation de cellules proposes en littrature.
Cette approche possde quasiment les mmes limites que la premire approche
dveloppe pour la formation des cellules. En plus, elle devient de plus en plus

complique en augmentant la taille du problme. Le besoin dinformatisation est trs

intressant pour surmonter ces limites.
3. Une nouvelle dmarche de conception des amnagements cellulaires base sur la

combinaison de la conception axiomatique et la technique des plans dexpriences
3.1 Principe de la dmarche propose
La dmarche de conception dveloppe consiste combiner la conception axiomatique

avec la conception robuste (plan dexprience). Elle permet de lister et dordonner les
diffrentes tches ncessaires pour concevoir un amnagement cellulaire. Lapproche que
nous avons dveloppe pour la formation de cellules avec gammes alternatives est valide
travers cette dmarche.
3.2 Avantages
Il existe rarement, dans la littrature, des travaux qui traitent le problme de conception
des amnagements cellulaire en tenant compte de tous ces aspects. La dmarche que nous
avons dveloppe est la premire de sa nature appliquer les deux principes de la
conception axiomatique pour la conception des amnagements cellulaires.
Durant ces travaux de thse, nous avons appliqu la dmarche propose aux problmes de
formation des cellules (avec ou sans gammes alternatives) et au problme de traitement
des lments exceptionnels. Une perspective intressante consiste traiter le problme de
dimensionnement des ressources (machines, oprateurs, etc.), dimplantation des
machines dans les cellules et damlioration des performances des amnagements
cellulaires. En fournissant cette premire vue densemble de la dmarche de conception,
de futurs dveloppements et perfectionnements seront plus faciles entreprendre.
4. Une nouvelle approche base sur la simulation vnements discrets pour choisir
entre les diffrentes stratgies de traitement des lments exceptionnels
Partant dune solution initiale de rpartition des machines en cellules et des produits en
familles en prsence dlments exceptionnels, nous proposons une approche par
simulation permettant dvaluer puis damliorer la performance des cellules de
production. Plusieurs stratgies pourront tre tudies, la duplication des machines

exceptionnelles, la sous-traitance des produits exceptionnels, lautorisation des transferts

intercellulaires, etc.
4.2 Avantages
Lapproche que nous avons dveloppe respecte bien la dmarche de conception

dveloppe. En plus lutilisation de la simulation permet dintgrer simplement les
diffrents paramtres de production en tenant compte du caractre dynamique et
stochastique. Ceci lui donne plus de ralisme.
Nous avons modlis et simul simplement un cas pratique dun systme cellulaire qui
comporte trois cellules. Le besoin de gnraliser automatiquement des modles de
simulation relatifs aux amnagements cellulaires savre pertinent comme lun des axes de
recherche future. Nous pouvons enrichir encore le modle de simulation en intgrant
dautres lments intressants comme les mthodes de pilotages des flux, les stratgies de
maintenance, etc.

RFRENCES BIBLIOGRAPHIQUES
A
Adenso-Diaz, B., S. Lozano, J. Racero, F. Guerrero., Machine cell formation in
generalized group technology , Computers and Industrial Engineering, Vol. 41,
2001, n 2, p. 227240.
Adenso-Diaz, B., Lozano, S., Eguira, I., Part-machine grouping using weighted
similarity coefficients , Computers and Industrial Engineering, Vol. 48, 2005, n 3,
p.553-570.
Adil, G.K., Rajamani, D., Strong, D., A mathematical model for cell formation
considering investment and operational cost , European Journal of Operational
Research, Vol. 69, 1993, n 3, p. 330-341
Agarwal, A., Sarkis, J., A review and analysis of comparative performance studies on
functional and cellular manufacturing layouts , Computers and Industrial
Engineering, Vol. 34, n 1, 1998, p. 77-89.
Ait Hssain, A., Optimisation des flux de production: mthodes et simulation, Ed. Dunod, ,
Paris, France, 2000.
Akturk, M.K., Balkose, H.O., Part-machine grouping using a multi-objective cluster
analysis , Int. J. of Production Research, Vol. 34, n 8, 1996, p. 2299-2315.
Albadawi, Z., Bashir, H.A., Chen, M., A mathematical approach for the formation of
manufacturing cell , Computers and Industrial Engineering, Vol. 48, 2005, n 1, p.
3-21.
Albano, L.D., Suh, N.P., Axiomatic approach to structural design , Research in
Engineering Design, Vol. 4, 1992, n 3, p.171-183.
Al-Quattan, I., Designing flexible manufacturing cells using a branch and bound
method , Int. J. of Production Research. Vol. 28, 1990, n 2, pp. 325-336.
Arena Standard Users Guide, Doc ID ARENAS-UM001C-EN-P, Rockwell Software
Inc., 2002.
Arnould, P., Renaud, J., Flux de production : les outils damlioration , Ed. Afnor, p.
51-52, Paris, France, 2003.

Arvindh, B., Irani, S.A., Principal components analysis for evaluating the feasibility of
cellular manufacturing without initial-part matrix clustering , Int. J. of Production
Research. Vol. 32, 1994, n 8, p.1909-1938.
Auray, J. P., Duro, G., Zighad, A., Analyse des donnes multidimensionnelles : les
mthodes de structuration , Ed. Alexandre Lacassagne, Lyon, France, 1990.
B
Babic, B., Axiomatic design of flexible manufacturing systems , Int. J. of Production
Research, Vol. 37, 1999, n 5, pp. 1159-1173.
Bakalem, M., Modlisation et simulation orientes objet des systmes manufacturiers,
Thse de Doctorat en Electronique Electrotechnique - Automatique, Universit de
Savoie, 1996
Banks, J., Carson J., Nelson, B., Discrete Event System Simulation , 3e edition,
Prentice-Hall, 2001.
Banks, J., Carson, J.L., Nelson, B., Nicaol, D., Discrete-Event System Simulation ,
Prentice-Hall International Series in Industrial and Systems, 4th Edition, 2004.
Baptise, P., Baboli, H., Limplantation datelier : Chapitre 3 . Matrise et organisation
des flux industriels, Trait IC2 Productique, Ed. Hermes Science, Paris, 2001.
Bel, G., Kieffer, J.P., Pilotage assist par la simulation discrte. Chapitre 3 .
Mthodes du pilotage des systmes de production, Trait IC2 Productique ; Ed
Herms Science, Paris, 2001.
Boctor, F., A linear formulation of the machine-part cell formation problem, Int. J. of
Production Research, Vol. 29, 1991, n 2, p. 343-356.
Box, G.E.P., Hunter, W.E., Hunter, J.S. Statistics for Experiments , New York: John
Wiley, 1978.
Bullinger, H.J., Sauer, H., Planning a flexible assembly system supported by
simulation , Int. J. of Production Research, Vol. 25, 1987, n 11, p.1625-1634.
Burbidge, J.L., The introduction of Group technology , New York: Halster Press and
John Wiley, 1975.
Burbidge, J.L., Change to group technology: process organization is obsolete , Int. J.
of Production Research, Vol. 30, 1992, n 5, p. 1209-1219.
Burgess, A.G., Morgan, I., Vollmann, T.E. Cellular manufacturing: its impact on the
total factory , Int. J. of Production Research, Vol. 31, 1993, n 9, p. 2059-2077.

Burlat, P., Les enjeux conomiques de la matrise des flux : Chapitre 1 . Matrise et
organisation des flux industriels, Trait IC2 Productique, Ed. Herms Science, Paris,
2001.
Burlat, P., Marcon, Snchal, O.E., Dupas, R. Berrah, L. Dmarches dvaluation et de
pilotage de la performance : Chapitre 3 . Evaluation des performances des
systmes de production, Trait IC2 Productique, Ed. Hermes Science, Paris, 2003.
C
Cabrera-Rios, M., Mount-Campbell, C.A, Irani, S.A. An approach to the design of a
manufacturing cell under economic consideration , Int. J. of Production Economics,
Vol. 78, 2002, n 3, p. 223-237.
Campagne, J.P., La problmatique de la matrise des flux : Chapitre 1 . Matrise et
organisation des flux industriels. Trait IC2 Productique, Ed. Hermes Science, Paris,
2001.
Cao, D., Chen, M., Using penalty function and Tabu search to solve cell formation
problems with fixed cell cost , Computers and Operations Research, Vol. 31, 2004,
n 1, p. 2137.
Carpenter, G.A., Grossberg, S. Rosen, D. B., Fuzzy ART: Fast stable learning and
categorization of analog patterns by an adaptive resonance system , Neural
Network. Vol. 4, 1991, n 6, p. 759-771.
Caux, C., Pierreval, H., Brunaux, R. Algorithmes volutionnistes pour la technologie de
groupe : application la formation dlots de fabrication , Revue dautomatique et
de productiques appliques, Vol. 8, 1995, n 2-3, p. 485-490.
Caux, C., Bruniaux, R., Pierreval, H. Cell formation with alternative process plans and
machine capacity constraints: A new combined approach , Int. J. of Production
Economics, Vol. 64, n 1-3, 2000, p. 279-284.
Chan, H., Milner, D., Direct clustering algorithm for group formation in cellular
manufacturing , Journal of Manufacturing Systems, Vol. 1, 1982, n1, p.6567.
Chan, F.T.S, Lau, K.W., Chan, P.L.Y, Choy, K.L. Two-stage approach for machine-
part grouping and cell layout problems , Robotics and Computer Integrate
Manufacturing. Vol. 22, 2006, n 3, p. 217-238.
Chandrasekharan, M.P., Rajagopalan, R., An ideal seed non-hierarchical clustering
algorithm for cellular manufacturing , Int. J. of Production Research, Vol. 24, n 2,
1986, p. 451464.

Chandrasekharan, M.P., Rajagopalan, R., Zodiac: an algorithm for concurrent

formation of part families and machines cells , Int. J. of Production Research, Vol.
25, n 6, 1987, p. 835850.
Chen, H.G., Guerrero, H.H., A general search algorithm for cell formation in group
technology , Int. J. of Production Research, Vol. 32, 1994, n 11, p. 2711-2724.
Chen, S.J., Chen, L.C, Lin, L. Knowledge-based support for simulation analysis of
manufacturing cells , Computers in Industry, Vol. 44, 2001, n 1, p. 33-49.
Cheng, C.H., Goh, C. H., Lee, A., Designing group technology manufacturing systems
using heuristic branching rules , Computers and Industrial engineering, Vol. 40,
2001, n 1-2, p. 117-131.
Chiadamrong, N., A Sequential Procedure for Manufacturing System Design ,
ScienceAsia, Vol. 29, 2003, p. 57-65.
Choobineh, F., A framework for the design of cellular manufacturing systems , Int. J.
of Production Research, Vol. 26, 1988, n 1, p.161-1172.
Chtourou, H., Masmoudi, W., Maalej, A. An expert system for manufacturing machine
selection , Expert system with application, Vol. 28, 2005, n 3, p. 461-467
Chtourou, H., Jerbi, A., Maalej, A. The cellular manufacturing paradox: a critical
review of simulation studies , Journal of Manufacturing Technology Management,
Vol. 19, 2008, n 5, p. 591 606.
Chu, C.H., Tsai, M., A comparison of three array-based clustering techniques for
manufacturing cell formation , Int. J. of Production Research, Vol. 28, 1990, n 8,
p. 1417-1433.
Cochran, D. S., Eversheim, W., Kubin, G., Sesterhenn, M.L., The application of
Axiomatic Design and Lean Management principles in the scope of production
system segmentation , Int. J. of Production Research, Vol. 38, 2000, n 6, p. 1377-
1396.
D
Defersha, F.M., Chen, M., A comprehensive mathematical model for the design of
cellular manufacturing systems , Int. J. of Production Economics, Vol. 103, 2006,
n 2, p. 767783.
Delagarge, J., Initiation lanalyse des donnes ; 3 ime dition, Ed Dunod, 2000.
Dolgui, A., Proth, J.M., Les systmes de production modernes (volume 1): conception,
gestion et optimisation , Ed. Herms Science, Paris, France, 2006.

Durmusoglu, M.B, Kulak, O., A methodology for the design of office cells using
axiomatic design principles , Omega, Vol. 36, 2008, n 4, p. 633-652.
E
Elleuch, M., Masmoudi, F., Ben Bacha, H., Maalej, A.Y., Simulation of manufacturing
cells with unreliable machines , Int. J. of Simulation Modelling, Vol. 6, 2007, n 1,
p. 5-12.
Engelhard, F., Improving products and systems by combining Axiomatic Design,
Quality Control-tools and Designed Experiments , First International Conference
on Axiomatic Design, 2000, Proceedings of ICAD, Cambridge, MA.
F
Faizul, H., Douglas, A.H., Zubair, M.M., A simulation analysis of factors influencing
the flow time and through-put performance of functional and cellular layouts ,
Integrated Manufacturing Systems, Vol. 12, 2001, n 4, pp. 285-295.
Falkenauer, E., A new representation and operators for GAs applied to grouping
problems , Evolutionary Computation, Vol. 2, 1994, n 2, p.123-144.
Ferreira Ribeiro, J. F, Pradin, B., A methodology for cellular manufacturing design,
Int. J. of production research, Vol. 31, 1993 ; no 1, p. 235-250.
Feyzioglu, O., Pierreval, H., Deflandre, D., A simulation-based optimization approach
to size manufacturing systems , Int. J. of Production Research, Vol. 43, 2005, n 2,
p. 247-266.
Flynn, B.B, Jacobs, F.R., A simulation comparaison of groupe technology with
traditional job shop manufacturing , Int. J. of Production Research, Vol. 24, n 5,
1986, p. 1171-1192.
Fould, L.R., French, A.P., Wilson J.M., The sustainable cell formation problem:
manufacturing cell creation with machine modification costs , Computers and
Operations Research. Vol. 33, 2006, n 4, p. 1010-1032.
G
Gangan, S., Khator, S., Babu, A.J.G. A within-cell utilization based heuristic for
designing cellular manufacturing systems , Computers and Industrial Engineering,
Vol. 13, 1987, n 1-4, p. 112-117.

Gebala, D. A., Suh, N.P., An application of axiomatic design , Research in

Engineering Design, Vol. 3, 1992, n 3, p.149- 162.
Geonwook, J., Leep, H.R., Parsaaei, H.R., A cellular manufacturing system based on
new similarity coefficient which considers alternative routes during machine
failure , Computers and Industrial engineering, Vol. 34, 1998, n 1, p 21-36.
Geonwook, J., Leep, H.R., Forming part families by using genetic algorithm and
designing machine cells under demand changes , Computers and Operations
Research, Vol. 33, 2006, n 1, pp. 263283.
Giri, R., Srinivas, J. Mouli, K.V.V.C., An optimal design approach for a cellular
manufacturing system, Journal of Engineering Manufacture, Vol. 221, 2007, n 6, p.
1101-1106.
Gnanadesikan, R., Methods for Statistical Data Analysis of Multivariate
Observations , Wiley, New York, 1997, pp. 715.
Gonalves-Coelho, A.M., Mouro, A.J.F., Axiomatic design as support for decision-
making in a design for manufacturing context: A case study , Int. J. of Production
Economics, Vol. 109, 2007, n 1-2, p. 81-89.
Gupta, T., Saifoddini, H., Production data based similarity coefficient for machine-
component grouping decisions in the design of a cellular manufacturing system ,
Int. J. of Production Research, Vol. 28, 1990, n 7, p. 1247-1269.
Gupta, T., Design of manufacturing cells for flexible environment considering
alternative routeing , Int. J. of Production Research, Vol. 31, 1993, n 6, p. 1259-
1273.
H
Habchi, G., Berchet, C., A model for manufacturing systems simulation with a control
dimension , Simulation Modelling Practice and Theory, Vol. 11, 2003, p. 21- 44.
Habchi, G., Labrune, C., Study of Lot sizes on Job Shop systems performance using
simulation , Simulation Modelling Practice and Theory, Vol. 2, 1995, p. 277-289.
Hachicha, W., Masmoudi, F., Haddar, M., A correlation analysis approach of cell
formation in cellular manufacturing system with incorporated production data , Int.
J. of Manufacturing Research, Vol. 1, 2006, n 3, p. 332353.
Hachicha, W., Masmoudi, F., Haddar, M., An improvement of a cellular manufacturing
systems design using simulation analysis , Int. J. of Simulation Modelling, Vol. 6,
2007, n 4, p. 193-205.

Hachicha, W., Masmoudi, F., Haddar, M., Formation of machine groups and part
families in cellular manufacturing systems using a correlation analysis approach ,
Int. J. of Advanced Manufacturing and Technology, Vol. 36, 2008a, n 11-12, p.
1157-1169.
Hachicha, W., Masmoudi, F., Haddar, M., Combining Axiomatic Design and Designed
Experiments for cellular manufacturing systems design framework , Int. J. of Agile
Systems and Management, Vol. 3, 2008b, n 3-4, p. 306-319.
Hachicha, W., Masmoudi, F., Haddar, M., A Taguchi method application for the
routing selection problem in generalized group technology , Int. J of Materials and
Structural Integrity, Vol. 2, 2008c, n4, p. 396-406.
Hamada, M., Wu, C.F.G., Analysis of Designed Experiments with complex aliasing ,
Journal of Quality Technology, Vol. 23, 1992, p. 130-137.
Harish A.R, Peihua G., Design methodology and integrated approach for design of
manufacturing systems , Integrated Manufacturing Systems, Vol. 8, 1997, n 3, p.
159-172.
Ho, Y.C., Moodie, C.L., Solving cell formation problems in a manufacturing
environment wih flexible processing and routing capabilities , Int. J. of Production
Research, Vol. 34, 1996, n 10, p. 2901-2923.
Hou, T.H., Su, C.H, Liu, W.L., Parameters optimization of a nano-particle wet milling
process using Taguchi method, response surface method and genetic algorithm ,
Powder Technology, Vol. 173, 2007, p.153-162.
Houshmand, M., Jamshidnezhad, B., Conceptual design of lean production systems
through an axiomatic design , Second International Conference on Axiomatic
Design, Proceedings of ICAD, 2002, Cambridge, MA
Hwang, H., Ree, P., Routes selection for the cell formation problem with alternative
part process plans , Computers and Industrial engineering, Vol. 30, 1996, n 3, p.
423-431.
I
Irizarry, A.M., Wilson, J., Trevin, J., A Flexible Simulation Tool for Manufacturing-
cell Design , Design and Manufacturing, Vol. 33, 2001, n 10, p. 837-846.

Jabalameli, M.S., Arkat, J., Cell formation with alternative process routings and
machine reliability consideration , Int. J. of Advanced Manufacturing Technology,
Vol. 35, 2008, n 7-8, p. 761-768.
Jeantet, A. Les objets intermdiaires dans la conception : lments pour une sociologie
des processus de conception , Sociologie du travail, Vol. 40, 1998, n 3, p. 291-
316.
Jensen, J.B., Malhotra, M.K., Philipoom, P.R., Machine dedication and process
flexibility in a group technology environment , Journal of Operations Management,
Vol. 14, 1996, p. 19-39.
Joines, J.A, Gulberth, C.T, King, R.E., A genetic algorithms based integer program for
manufacturing design , Proceeding of the International conference Flexible on
Automatic integrated manufacturing, 1995, Stuttgart, Germany.
Joines, J.A., King, R.E., Culbreth, C.T., A comprehensive Review of Production-
Oriented Manufacturing Cell Formation Techniques . Technical Report, NCSU-IE
Technical Report. Raleigh, 1996, NC: North Carolina State University.
K
Kamrani, A., Hubbard, K., Parsaep, H., Leew, H.R., Simulation-based methodology for
machine cell design , Computers and Industrial Engineering, Vol. 34, 1998, n 1, p.
173-188.
Kazerooni, M., Luong, L.H.S, Abhary, K., A genetic algorithm based cell design
considering alternative routing , Computer Integrated Manufacturing Systems, Vol.
10, 1997, n 2, p. 93-107.
Kelton, W.D., Designing Simulation Experiments , Proceedings of the 1999 Winter
Simulation Conference, Vol. 1, 1999, p. 33-38.
Kelton, W.D., Sadawski, R. P., Sadawski, D. A. Simulation with Arena , Mc Graw
Hill, New York, 2002.
Kern, M., Wei, C., The cost of elimining exceptional elements in group technologie cell
formation , Int. J. of Production Research, Vol. 29, 1991, p.1535-1547.
Kim, S.J., Suh, N.P., Kim, S.G., Design of software systems based on axiomatic
design , Robotics and Computer Integrated Manufacturing, Vol. 8, 1991, n 4, p.
243-255.

King, J.R. Machine-component grouping in production flow analysis: an approach

using a rank order clustering algorithm , Int. J. of Production Research, Vol. 18,
1980, n 2, p. 213-232.
King J.R., Nakornchai, V., Machine-component group formation in group technology:
review and extension , Int. J. of Production Research, Vol. 20, 1982, p. 117133.
Kitaoka, M., Nakamura, R., Seriza, S., Usuki, J., Multivariate analysis model for
machine-part cell formation problem in group technology , International Journal
Production Economics, Vol 60, 1999, p. 433-438.
Kizil, M., Ozbayrak, M., A tradeoff analysis between process plan selection and cell
formation in cellular manufacturing , Int. J. of Advanced Manufacturing and
Technology, Vol. 23, 2004, n 7-8, p. 501-506.
Kulak, O., Durmusoglu, M.B., Tufekci, S., A complete cellular manufacturing system
design methodology based on axiomatic design principles , Computers and
Industrial Engineering, Vol. 48, 2005, p. 765-787.
Kumar, K.R., Chandrasekharan, M.P., Grouping efficacy: a quantitative criterion for
goodness of block diagonal forms of binary matrices in group technology , Int. J. of
Production Research, Vol. 28, 1990, n 2, p. 23343.
Kusiak, A., The generalized group technology concept , Int. J. of Production
Research, Vol. 25, 1987, p. 561-569.
Kusiak, A., Boe, W.J., Cheng, C.H. Designing cellular manufacturing systems: branch-
and-bound and A* algorithm , IIE Transactions, Vol. 25, 1993, n 4, p. 46-56.
L
Labordere, A.H., Analyse de donnes : application et mthodes pratiques , Ed.
Masson, 1977.
Lagarge, J., Initiation lanalyse des donnes , 3 ime dition, Ed Dunod, 2000.
Law, M., Kelton, W.D., Simulation modeling and Analysis , Mc Graw Hill, New
York, 2000.
Ledauphin, S., Hanafi, M., Qannari, E., Simplification and signification of principal
components , Chemometrics and Intelligent Laboratory Systems, Vol. 74, 2004, p.
277-281.
Logendran, R., Ramakrishna, P., Striskandarajah, C., Tabu search-based heuristics for
cellular manufacturing systems in the presence of alternative process plans , Int. J.
of Production Research, Vol. 32, 1994, p. 273297.

Lossack, R., Grabowski, H., The Axiomatic Approach in the universal design theory ,
Actes du premier congrs international ICAD 2000, 2000, Cambdridge, MA,
Lozano, S., Dobado, Larraneta, D., Onieva, L., Modified fuzzy C-means algorithm for
cellular manufacturing , Fuzzy Sets and Systems, Vol.126, 2002, p. 2332.
M
Macodiyo, D.O., Soyama H., Optimization of cavitation peening parameters for fatigue
performance of carburized steel using Taguchi methods , Journal of Materials
Processing Technology, Vol. 178, 2006, p. 234 240
Mak, K.L., Wong, Y.S., Wang, X.X., An Adaptive Genetic Algorithm for
Manufacturing Cell Formation , Int. J. of Advanced Manufacturing Technology,
Vol. 16, 2000, n 7, 491-497.
Malkooti, B., Malakooti, N. R., Yang, Z., Integrated group technology, cell formation,
process planning, and production with application to the emergency room , Int. J. of
Production Research, Vol. 42, 2004, n 9, p. 17691786.
Masmoudi, F., Sizing manufacturing cell machines based on the simulation and an
expert system , Int. J. of Simulation Modelling, Vol. 5, 2006, n 2, p. 45-55.
Masmoudi, F., Masmoudi, Y., Maalej, Y. A., Optimization of product transfer with
constraint in robotic cell using simulation , Int. J. of Simulation Modelling, Vol. 5,
2006, n 3, p. 89-100.
McAuley, D., Machine grouping for efficient production , The Production Engineer,
Vol. 51, 1972, p. 5357.
Mistree, F., Smith, W.F., Bras, B.A., Allen, J.K., Muster, D., Decision-Based Design: A
Contemporary Paradigm for Ship Design , Transactions of the Society of Naval
Architects and Marine Engineers, 1990. p. 1-56.
Montgomery, D.C., Design and Analysis of Experiments , Ed. John Wily, 1991, New
York.
Montogomry, D.C., Introduction to statistical quality control , Ed. John wily, 3ime
dition, 1997, New York.
Moris, J. S., Tersine, R.J., A simulation analysis of factors influencing the
attractiveness of group technology cellular layouts , Management science, Vol. 36,
1990, n 12, p. 1567-1578.

Mukattash, A.M., Adil, M.B., Tahboub, K.K., Heuristic approaches for part assignment
in cell formation , Computers and Industrial Engineering, Vol. 42, 2002, n 3, p.
329-341.
N
Nagi, R., Harhalakis, G., Proth, J., Multiple routeings and capacity considerations in
Group Technology applications , Int. J. of Production Research. Vol. 28, 1990, n
12, p. 2243-2257.
Nollet, J., Klada, J., Diorio, M., La gestion des oprations et de la production: une
approche systmique , Ed. Gatan Morin, Paris, France, 1986.
Nsakanda, A.L., Diaby, M., Price, W.L., Hybrid genetic approach for solving large-
scale capacitated cell formation problems with multiple routings , European
Journal of Operational Research, Vol. 171, 2006, n 3, p.1051-1070.
O
Oosterman, B., Improving product development projects by matching product
architecture and organization , Thse de doctorat, Groningen University, 2001.
P
Pahl, G., Beitz, W., Engineering design - A systematic approach , 2nd edition,
Springer-Verlag, Londres, 1996.
Panchalavarapua, P., Chankong, V., Design of cellular manufacturing systems with
assembly considerations , Computers and Industrial Engineering, Vol. 48, 2005, p.
449-469.
Paris, J.L., Caux C., Pierreval, H., Les approches volutionnistes , Chapitre 12.
Evaluation des performances des systmes de production, Trait IC2 Productique,
Ed. Hermes Science, Paris, 2003.
Pattanaik, L.N., Jain, P.K., Mehta, N.K., Solving multi-objective cell design problem:
an evolutionary genetic algorithm approach , Int. J. of Manufacturing Technology
and Management, Vol. 11, 2007, n 2, p. 251-273.
Pidd, M., Computer Simulation in Management Science , John Wiley & Sons, 4 th
edition, 1998.

Pierreval, H., Caux, C., Paris, J.L, Viguier, F., Evolutionary approaches to the design
and organization of manufacturing systems , Computers and Industrial
Engineering, Vol. 44, 2003, pp. 339364
Pillet, M., Introduction aux plans dexpriences par la mthode Taguchi , Ed.
dorganisation, 2ime dition, Paris, France, 1994.
Pillet, M., Les plans dexpriences par la mthode Taguchi , Ed. dorganisation, 3ime
dition, Paris, France, 2005.
Polajnar, A., Buchmeister, B., Leber, M.A., Analysis of different transport solutions in
the flexible manufacturing cell by using computer simulation , Int. J. of Operations
and Production Management, Vol. 15, 1995, n 6, p. 5158.
R
Rajamani, R., Singh, R., Aneja, Y.P., Integrated design of cellular manufacturing
systems in the presence of alternative process plans , Int. J. of Production
Research, Vol. 28, 1990, p. 1541-1554.
Reisman, A., Kumar, A., Motwani, J., Cheng, C.H., Cellular Manufacturing: A
statistical review of the literature , Operations Research, Vol. 45, 1997, p. 508-
520.
S
Sankaran, S., Kasilingam, R., An integrated approach to cell formation and part
routing in Group Technology manufacturing system , Engineering Optimization,
Vol. 16, 1990, p. 235-245.
Sarker, B.R., Balan, C.V., Cell formation with operation times of jobs foe even
distribution of workloads , Int. J. of Production Research, Vol. 34, 1996, n 5, p.
14471468.
Scaravetti, D., Formalisation pralable dun problme de conception pour laide la
dcision en conception prliminaire , Thse de doctorat, Ecole Nationale
Suprieure dArts et Mtiers, 2004.
Seifoddine, H., Duplication process in machines cells formation in group technology ,
IIE Transactions, Vol. 21, 1989, n 4, p. 382-388.
Seifoddine, H., Djassemi, M., Merits of the production volume based similarity
coefficient in machine cell formation . Journal of Manufacturing Systems, Vol. 14,
1995, p. 35-44.

Selen, W.J., Ashayeri, J., Manufacturing cell performance improvement: a simulation

study , Robotics and Computer Integrated Manufacturing, Vol.17, 2001, p.69-176.
Shafer, S.M., Meredith, J.R., A comparison of selected manufacturing cell formation
techniques , Int. J. of Production Research, Vol. 28, 1990, n 4, p. 661-673.
Shafer, S.M., Kern, G., Wei, J.C., A mathematical programming approach for dealing
with exceptional elements in cellular manufacturing , Int. J. of Production
Research, Vol. 30, 1992, n 5, p. 1029-1036.
Shafer, S.M., Meredith, J.R., An empirically-based simulation study of functional
versus cellular layouts with operations overlapping , Int. J. of Operations and
Production Management, Vol.13, 1993, p. 47-62.
Shambu, G., Suresh, C., Pegels, Performance evaluation of cellular manufacturing
systems: a taxonomy and review of research , Int. J. of Operations and production
Management, Vol. 16, 1996, n 8, p. 81-103.
Shambu, G., Suresh, N.C., Performance of hybrid cellular manufacturing systems: A
computer simulation investigation , European Journal of Operational Research,
Vol. 120, 2000, 436-458.
Silveira, G., A methodology of implementation of cellular manufacturing , Int. J. of
Production Research, Vol. 37, 1999, p. 467-479.
Sinha, R.K., Hollier, R.H., A review of production control problems in cellular
manufacture , Int. J. of Production Research, Vol. 22, 1984, p. 773-789.
Singh, N., Rajamani, D., Cellular manufacturing systems: Design, Planning and
control , Chapman & Hall, New York. USA, 1996.
Slim, H.M., Askin, R.G., Vakharia, A.J., Cell formation in Group technology: review,
evaluation and directions for future research , Computers and Industrial
engineering, Vol. 34, 1998, n 1, p. 3-20.
Stawowy, A., Evolutionary strategy for manufacturing cell design , Omega, Vol. 34,
2006, p. 1-18.
Subramaniam, V., Wong, Y. S., Reddy, K. R. B. Cell formation with multiple process
plans and manufacturing attributes , Int. J. of Computer Applications in
Technology, Vol. 27, 2006, n 1, p. 38 50
Suh, N.P., The Principles of Design , Oxford University Press, New York, 1990
Suh, N.P., Axiomatic design: Advances and applications , Oxford University Press,
New York, 2001.

T
Taguchi, G., System of Experimental Design , Unipub/Kraus, International
Publication, 1987.
Taguchi, G., Taguchi on Robust technology development methods . ASME Press, New
York, 1993, p. 1 40.
Teghem, J., Pirlot, M., Optimisation approche en recherche oprationnelle : Chapitre
1 . Mtaheuristiques pour loptimisation combinatoire. Trait IC2 Productique, Ed.
Hermes Science, Paris, 2002.
Tsai, C.S., Evaluation and optimisation of integrated manufacturing system operations
using Taguchi experiment design in computer simulation , Computers and
Industrials Engineering, Vol. 43, 2002, p. 591-604.
U
Uddin, M.K., Shanker, K., Grouping of parts and machines in presence of alternative
process routes by genetic algorithm , Int. J. of Production Economics, Vol. 76,
2002, p. 219-228.
Ullman, D.G., The mechanical design process , 3rd edition, McGraw-Hill Higher
Education, New York, USA, 2003.
V
VDI-Verlag (Verein Deutscher Ingenieure). Systematic Approach to the Design of
Technical Systems and Products, VDI Guidelines 2221, 1987, Germany.
Venkumar, P., Noor ul Haq, A., Manufacturing cell formation using modified ART1
networks , Int. J. of Advanced Manufacturing Technology, Vol. 26, 2005, n 7-8, p.
909-916.
Vin, E., De Lit, P., Delchambre, A., Une approche intgre pour le problme de
formation de cellules de production avec des routages alternatives , Confrence
Internationale de Modlisation et Simulation (MOSIM03), 2003, Toulouse, France.
Vin, E., De Lit, P., Delchambre, A., A multiple-objective grouping genetic algorithm for
the cell formation problem with alternative routings , Journal of Intelligent
Manufacturing, Vol. 16, 2005, n 2, p. 189-205.

Vohra, T., Chen, D. Chang, J.C., Chen, H.C., A network approach to cell formation in
cellular manufacturing , Int. J. of Production Research, Vol. 28, 1990, p. 2075
2084.
W
Waghodekar, P.H., Sahu, S., Machine-component cell formation in group technology ,
Int. J. of Production Research, Vol. 22, 1984, p. 937948.
Wang, J., Formation of machine cells and part families in cellular manufacturing
systems using a linear assignment algorithm, Automatica, Vol. 39, 2003, p. 1607-
1615.
Wemmerlv, U., Hyer, N.L., The part family and machine group identification problem
in cellular manufacturing , Journal of Operation Management, Vol. 6, 1986, p.
125-147.
Won, Y., New p-median approach to cell formation with alternative process plans, Int.
J. of Production Research, Vol. 38, 2000, n 1, p. 229-240
Won, Y., Lee, K.C., Modified p-median approach for efficient GT cell formation ,
Computers and Industrial Engineering, Vol. 46, 2004, p. 495-510.
Wood, K.L., Greer, J.L., Function-based synthesis methods in engineering design ,
Cambridge University Press, 2001.
Wu, T. H., Chen, J., Yeh, J. A, decomposition approach to the cell formation problem
with alternative process plans , Int. J. of Advanced Manufacturing Technology, Vol.
24, 2004, n 11-12, p. 834-840.
Wu, T. H., Chung, S. H., Chang, C. C., Hybrid simulated annealing algorithm with
mutation operator to the cell formation problem with alternative process routings ,
Expert Systems with Applications, 2008, In Press.
X
Xambre, A.R., Vilarinho, P.M., A simulated annealing approach for manufacturing
cell formation with multiple identical machines , European Journal of Operational
Research, Vol. 151, 2003, p. 434-446.
Xiao, R., Cheng, X., An analytic approach to the relationship of axiomatic design and
robust design , Int. J. of Materials and Product Technology, Vol. 31, 2008, n 2-3-
4, p. 241-258.

Xu, H., Wang, H.P., Part family formation for GT applications based on fuzzy
mathematics , Int. J. of Production Research. Vol. 27, 1989, n 9, p.16371651.
Y
Yin, Y., Yasuda, K., Similarity coefficient methods applied to the cell formation
problem: A comparative investigation , Computers and Industrial Engineering,
Vol. 48, n 3, 2005, p. 471-489.
Yin, Y., Yasuda, K., Similarity coefficient methods applied to the cell formation
problem: A taxonomy and review , Int. J. of Production Economics, Vol. 101,
2006, n 2, p. 329352.
Z
Zhao, C., Wu, Z., A genetic algorithm for manufacturing cell formation with multiple
routes and multiple objectives , Int. J. of Production Research, Vol. 38, 2000, n 2,
p. 385-395.
Zohhad, R., Viviani, J.L., Bouffard, F. Mathmatiques appliques : Manuel et
Applications , DECF preuve n 5, Ed. Dunod, 1998.

Acp

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Acp

Transféré par

Droits d'auteur :

Formats disponibles

Nouvelles approches pour la formation des cellules de

production dans le cadre dune d

To cite this version:

HAL Id: tel-00430450

HAL is a multi-disciplinary open access Larchive ouverte pluridisciplinaire HAL, est

Lcole Nationale dIngnieurs de Sfax

NOUVELLES APPROCHES POUR LA FORMATION DES

Soutenu publiquement le 13 mars 2009, devant le jury compos de :

Prsident : M. Foued HALOUANI (Professeur lENIS)

Examinateur : M. Zoubeir BOUAZIZ (Matre de confrences lENIS)

Wafik Hachicha Page 1

Au moment o sachve lcriture de ce rapport de thse, jaurais pass Plus de

trois annes lUnit de Mcanique, Modlisation et Production (U2MP) de

lEcole Nationale dIngnieurs de Sfax (ENIS). Je remercie en premier lieu son

directeur, le Professeur Mohamed Haddar, de my avoir accueilli. Je tiens

galement lui exprimer ma profonde gratitude, en tant que directeur de thse,

possibles. Par ailleurs, je tiens remercier les membres du U2MP, chercheurs et

Je tiens remercier tout particulirement, mon encadreur Monsieur Faouzi

MASMOUDI associant des qualits pdagogiques des rapports conviviaux, son

encadrement a t prcieux et professionnel ce qui ma permis datteindre les

objectifs qui avaient t assigns cette thse. Encore un grand remerciement

pour son soutien sans faille.

Jexprime mon profond respect et mes remerciements chaleureux Monsieur

Foued HALOUANI, le prsident du jury et tous les membres de jury savoir

Monsieur Chedly BRADAI, Monsieur Samir LAMOURI et Monsieur Zoubeir BOUAZIZ

qui ont bien voulu juger ce travail.

mon indisponibilit et qui, de prs comme de loin mont aid et encourag au

Wafik Hachicha Page 2

Le problme de FC devient plus complexe en prsence de gammes alternatives. Dans ce

Mots cls: Amnagement cellulaire, Formation de cellules, Gammes alternatives, Elments

Wafik Hachicha Page 3

Keywords: Cellular Manufacturing, Cell Formation, Alternative routings, Exceptional

Wafik Hachicha Page 4

TABLE DES MATIRES

1. Contexte et motivation de ltude......1

Chapitre 1. Lamnagement cellulaire des systmes de production....5

Wafik Hachicha Page 5

Chapitre 2. La formation des cellules base sur lanalyse des corrlations..35

2. Les critres de performance des solutions.......37

2.1 Pourcentage des lments exceptionnel.37

3. Analyse des donnes....39

3.1 Objectifs de lanalyse des donnes..39

4. Description de lapproche propose..41

4.1 Cas des matrices dincidence binaires....41

5. Validation de lapproche propose....55

5.1 Premire tude comparative...55

Chapitre 3. Extension pour la formation des cellules avec gammes alternatives.66

Wafik Hachicha Page 6

3. La mthode des plans dexprience...69

4.1 Architecture de lapproche propose.74

Chapitre 4. Dmarche globale pour la conception des cellules de production..94

2. Le choix dune approche de conception96

2.1 Les processus de conception96

3. Proposition dune dmarche de conception102

3.1 Etat de lart relatif la conception axiomatique....102

Wafik Hachicha Page 7

4. Traitement des lments exceptionnels...105

4.1 Etat de lart.105

Wafik Hachicha Page 8

LISTE DES FIGURES

Chapitre 1. Lamnagement cellulaire des systmes de production

Figure 1.1 Amnagement en flux unidirectionnel.....7

Chapitre 2. La formation des cellules base sur lanalyse des corrlations

Wafik Hachicha Page 9