Vous êtes sur la page 1sur 9

Hedi Dhouibi

Modlisation et simulation
des systmes automatiss de
production

2
2 2
Avant-propos

Pour analyser un systme de production, il est ncessaire de le reprsenter par


lutilisation de modlisation permettant de reproduire de la manire la plus fidle
ses principales activits.
Le choix dun outil utiliser pour modliser un systme se fait en fonction du
type et des caractristiques de ce dernier (dterministe, stochastique, discret)
dune part et des moyens de modlisation quoffre loutil dautre part.
Nous citons, titre dexemple, les rseaux de Petri, les chanes de Markov et les
rseaux de file dattente qui constituent des outils capables de dcrire le
comportement global des processus dterministes et stochastiques au cours du
temps.
Trs bien adapt la modlisation et lanalyse de systmes dynamiques
prsentant de la concurrence et de la synchronisation, les rseaux de Petri
permettent dexprimer aussi bien les proprits structurelles que les proprits
comportementales des systmes et proposent ainsi deux types de modlisation :
Une modlisation statique, qui dcrit les diffrentes parties du systme et
leurs dpendances, les conditions requises pour raliser les actions possibles et leurs
effets sur les composants du systme.
Une modlisation dynamique, qui permet de dcrire les comportements
possible du systme tudier.
Par ailleurs, les chanes de Markov ainsi que les rseaux files dattentes
constituent aussi deux outils mathmatiques bien adapts la modlisation et
lanalyse des processus prsentant des tats alatoires.
Ces trois outils de modlisation feront lobjet des quatre chapitres de cet
ouvrage.
Dans le premier chapitre, nous introduisons la problmatique de modlisation
des systmes de production et les diffrentes techniques utilises pour passer dun
systme rel son modle reprsentatif.
Le deuxime chapitre traite le modle rseau de Petri. Dans un premier temps

2 3
on expose les le modle initial places/transitions puis quelques extensions
intressantes sont introduites pour traiter le problme lis aux applications de
contrles des processus. A la fin de ce chapitre abordons le paramtre temps, de
manire quantitative : les rseaux de Petri temporiss permettent de prendre en
compte les dures tandis que les rseaux de Petri temporels intgrent des intervalles
de temps et par consquent la localisation des actions dans le temps.
De nombreux exemples et exercices corrigs illustrent les principaux concepts
et thmes abords introduits.
Dans la deuxime partie de cet ouvrage nous prsentons deux types de
processus alatoires fondamentaux en thorie des probabilits : les chanes de
Markov et les rseaux files dattente. Pour une chane de Markov, on fait lhypothse
quil y a plusieurs volutions possibles partir de la situation prsente du systme,
chacune delles ayant une certaine probabilit de se raliser. Cest cette incertitude
sur lavenir qui est prise en compte par les modles markoviens que lon appelle
pour cette raison dynamiques alatoires ou stochastiques. Nous considrons le
cadre mathmatique le plus simple possible en se focalisant sur des espaces dtats
finis. Ainsi, le comportement asymptotique des chanes de Markov peut tre
classifi et prdit.
Les rseaux files dattente font lobjet du dernier chapitre. Ces modles sont bien
adapts aux problmes lies lattente dans un centre de service qui sont omniprsents
dans notre vie courante (attente un guichet, traffic urbain ou arien) et dans les
systmes de production (circulation des pices dans un atelier, maintenance des
machines).
De nombreux exemples et exercices corrigs portant sur le calcul de
performance des systmes de petites tailles sont introduits tout au long du chapitre.

4 2
Chapitre 1
Introduction la modlisation
et la simulation des SAP

1.1 La modlisation des SAP


1.1.1 Introduction
Le problme de la modlisation des systmes de production consiste trouver
une correspondance entre le monde rel et un modle informatique. Dans le
domaine de la productique, ce problme est dautant plus difficile apprhender
que les systmes de production et de gestion reprsenter ne sont pas formels. La
complexit et la diversit de ces systmes rendent dautant plus difficile la
dtermination dun modle idal.
Il y a trois composants dans le processus de modlisation des systmes de
production : le systme de production, le modlisateur et le modle. Le modle est
une reprsentation du systme conue par le modlisateur pour certains objectifs.
Le systme reprsenter est donc la rfrence du modle. Un modlisateur
construit son modle en sappuyant sur sa perception partielle de la rfrence et
laide dune bote outils (un ensemble de types de modle appel couramment
plus brivement modle) (figure 1.1).

Figure 1.1 Modlisation (Reprsentation) du Problme

2 5
Un modle est une approximation, une vue partielle plus ou moins abstraite de
ralit afin de lapprhender plus simplement, selon un point de vue et quil est
tablit pour un objectif donn.
Un modle est donc subjectif puisquil est tabli en fonction des objectifs, des
jugements, de la nature et de la qualit des informations dont on dispose le
concepteur. Il peut tre exprim par des quations mathmatiques, des symboles,
des mots, etc.

1.1.2 Choix des outils de modlisation


Afin danalyser un systme de production, il est ncessaire de le reprsenter par
lutilisation de modlisation permettant de reproduire de la manire la plus fidle
ses principales activits.
Le choix de loutil ou de la mthode utiliser pour chaque modle du systme
se fait en fonction du type de systme ou de sous-systme modliser dune part et
des caractristiques et des possibilits de modlisation quoffre loutil dautre part.

1.1.3 Classification des outils de modlisation


Dune faon gnrale, les outils et les mthodes existants qui permettent de
rpondre aux objectifs de la modlisation des SAP, peuvent tre class en deux
familles :
a- Les outils statiques : permettent de dcrire les caractristiques structurelles du
systme. On distingue notamment SADT, MERISE, GEMMA.
b- Les outils dynamiques : permettent lvolution des lments du systme et de
leurs relations au cours du temps. Ces outils ont t classs suivant deux
approches complmentaires :
Outils analytiques : on distingue notamment les rseaux de Petri, les rseaux
de file dattente, le GRAFCET et modles physiques.
Les outils de simulation : on distingue les langages de programmation
gnraux et les langages de simulation tels que : SIMAN, ARINA,
CADENCE

1.1.4 Comment classer les modles


Les critres de classement des modles sont :

a- Nature des variables qui interviennent pour dcrire le fonctionnement du


systme, ses entres et ses sorties :
Variables relles , : systmes continus ;

6 2
Variables logiques {0,1} : systmes squentiels ou vnements discrets ;
n

Variables relles et variables logiques : systmes hybrides ;
Variables alatoires : systmes stochastiques.

b- Nature de variable temps :


Variables relle R : systmes temps continu ;
Variables discrte N : systmes temps discret, systmes chantillonns.

c- Nature des quations :


Equations diffrentielles : systmes diffrentiels, systmes composantes
localises ;
Equations aux drives partielles : systmes constantes rparties ;
Equations aux diffrences : systmes discrets ;
Equations linaires : systmes linaires ;
Equations non linaires : systmes non linaires.

d- Manire dobtenir le modle :


A partir des lois physiques : modle de connaissance ;
A priori : modle de reprsentation. Dans ce cas, on ne se proccupe pas de la
ralit physique du systme, mais on cherche la reprsentation qui nous
convient le mieux pour dcrire le phnomne.

1.2 La simulation
La simulation est un outil efficace daide la dcision processus qui consiste :
Concevoir un modle du systme (rel) tudi,
Conduire des exprimentations sur ce modle construit pour comprendre le
comportement du systme et den amliorer les performances ;
Interprter les observations fournies par le droulement du modle et formuler
des dcisions relatives au systme.
Lobjectif final de toute simulation est de comprendre et de valider le
comportement dynamique du systme, de comparer des configurations, dvaluer
diffrentes stratgies de pilotage, dvaluer et doptimiser des performances. Lobjectif
est llimination des comportements indsirables avant la phase dapplication.
Dans ce cours, nous nous intressons la simulation des systmes de
production, permettant dtudier le comportement dun systme dynamique et
assurant ainsi un contrle rigoureux du processus de dveloppement.

2 7
Les domaines dapplications de la simulation sont innombrables. Parmi les
domaines dans lesquels elle est le plus utilise, nous distinguons :
Systmes informatiques : comportement des utilisateurs, conception et
dimensionnement, recherche de configurations,
Systmes de production : gestion des ressources de fabrication, quilibrage des
lignes, optimisation et dimensionnement des stocks, moyens de
manutention,
La gestion : marketing, prvisions, gestion du personnel, ladministration :
gestion du trafic, du systme hospitalier et des services durgence,
etc

Mthodologie gnrale
La figure 1.2 illustre la mthodologie gnrale de passage du systme rel au
modle reprsentatif selon un cahier des charges. Cette tape est essentielle pour la
simulation. Dans ce cours nous nous intressons la modlisation et simulation des
systmes de production qui font partie des systmes (dynamiques) vnements
discrets. Parmi les modles utiliss pour tudier ce type de systmes on distingue
notamment deux outils de modlisation : les rseaux de Petri et les files dattente.
Ces deux modles font, respectivement, lobjet des deux chapitres qui suivent

Figure 1.2 : passage du systme rel au modle reprsentatif

8 2
Chapitre 2
Les Rseaux de Petri

Les Rseaux de Petri ont t invents par Carl Adam Petri, un mathmaticien
Allemand, au dbut des annes soixante (1960-1962). Des travaux ultrieurs ont
permis de dvelopper les Rseaux de Petri comme un outil de modlisation des
systmes squentiels. Le modle Rseaux de Petri est lorigine du Grafcet, qui est
un langage graphique de spcification et de programmation dautomates
industriels.

2. 1 Les rseaux de Petri autonomes


2.1.1 Concepts de base

P3 P4

P1 t3

t1 t4

P2 t2 P5

Figure 2.1 : Exemple dun rseau de Petri

Un rseau de Petri (RdP) est un graphe orient biparti dont les lments de
base sont (figure 2.1) :

2 9