SYS829 Cours 1A H2022

SYS829 : Modélisation des systèmes de production
Cours d’introduction – HIVER 2022

Cours: En ligne (ZOOM)
Mardi 18h00-21h30
Labs: A-1432
Jeudi 18h00-21h00
TP: En ligne (ZOOM)
Jeudi 18h00-21h00
Professeur : Jean-Pierre KENNÉ
Bureau : A-1820 (514-396-8549)
Objectifs du cours
Décrire les différents
environnements manufacturiers,
leurs composants et leur évolution
dans les systèmes de production à
flux continu, en atelier et cellulaire;
Développer les modèles qui
décrivent la dynamique de différents
types de système de production;
SYS829 (J.-P. Kenné) Cours_1A 2

Flux continus (RAPPEL)
Les exemples les plus caractéristiques de production
en continu sont des produits comme:
le sucre,
le pétrole,
le ciment,
l'acier en coulée continue.

Flux continus (RAPPEL)
Ce type de flux de production a généralement les
caractéristiques suivantes :
Produit unique ou quasi,
implantation des machines de façon linéaire,
peu de flexibilité,
Très bon équilibrage de la capacité des machines
peu ou pas d'en cours,
investissement important et forte automatisation.
On retrouve des caractéristiques identiques pour
des produits fabriqués en grande série tels que
roulements à billes, embouteillage d'eau minérale.
Production en discontinu (RAPPEL)
Utilisée pour des quantités relativement faibles et
pour des produits variés. Les exemples sont:
Les industries de confection,
les industries mécaniques
Ce type de flux de production a généralement les
caractéristiques suivantes :
implantation des machines par fonction,
grande flexibilité car les machines ne sont pas
spécifiques,
équilibrage de la capacité des machines difficile
d'où l'apparition d'en cours.

Flux continu vs discontinu (récapitulatif)
6
Objectifs du cours
Établir les conditions d’optimum des
problèmes formulés et définir les
structures des politiques optimales;
Introduction à l’intégration de la
simulation et les plans d’expériences
dans la modélisation et la commande
des systèmes de production
complexes;
Méthodes pédagogiques
Cours magistraux (3 heures)
• Analyse des performances
• Commande optimale
• Simulation et plans d’expériences
• Conception des réseaux logistiques et
de production
Projet de résolution d’un cas pratique
dans l’industrie manufacturière
Méthodes pédagogiques
Discussions en classe relatives aux
différents concepts présentés,
Devoirs à domicile;
Travaux pratiques et laboratoires;

Principales références
[1] Askin R. G. et Standridge C. R.,

Modeling and analysis of manufacturing
systems, John Wiley & sons, 1993.
[2] Altiok Tayfur, Performance Analysis of
Manufacturing Systems, Springer Series in
Operations Research, 1997.
[3] Ross S. M., Introduction to probabilities
models, 5e édition, Academic Press, 1993.
[4] Myers R. H. et Montgomery D. C.,
Response Surface Methodology : Process
and Product Optimization Using Designed
Experiments, Wiley & sons, 1995.
[5] Montgomery D. C., Design and Analysis
of Experiments, Wiley & sons, 1997.
[6] Pritsker, A.A.B. et O'reilly J.J. (1999)
Simulation with Visual SLAM and Awesim, 2e
édition, John Wiley & Sons, N.Y.
[7] Banks, J., Carson J.S., Nelson, B.L. and Nicol,
D.M. (2001) Discrete Event System Simulation, 3e
édition, Prentice‐Hall.
[8] Law, A.M. and W.D. Kelton (2000), Simulation.
Modeling and Analysis, 3e éd. McGraw‐Hill.

[9] Kelton, W. David et al. (2009); Simulation

with Arena, 5e édition, McGraw Hill.
[10] Rossetti, Manuel D. (2009); Simulation

Modeling and Arena, John Wiley & Sons.

Évaluation
Points d’évaluation Pondération

Devoirs no 1, 2 & 3 30 %
Projet de session 30 %
Travail synthèse 40 %

Calendrier détaillé des cours
[1] Présentation du cours, notions générales sur la
modélisation, théorie des probabilités et analyse
des performances – 11 janvier 2022
[2] Programmation dynamique et modèles
déterministes d’optimisation des systèmes de
production – 18 janvier 2022
[3] Processus stochastiques et chaînes de Markov
(Réf. Gershwin et Ross) – 25 janvier 2022
[4] Modèles stochastiques de planification de la
production et de la maintenance des systèmes de
production – machines en parallèle (chapitre 8)
– 1er février 2022
production et de la maintenance des systèmes de
production – machines en parallèle (chapitre 9)
– 8 février 2022
production et de la maintenance des lignes de
production (chapitres 3 et 4)
– 15 février 2022
[7] Méthodes et algorithmes numériques en
commande optimale stochastique
– 22 février 2022
[8] Introduction aux systèmes logistiques intégrant
les systèmes de productions (chaîne logistique :
approvisionnements, production, distribution),
gestion des approvisionnements et de stocks
– 8 mars 2022
[9] Les enjeux de l’économie circulaire en
production manufacturière (Conférencier invité –
Mr. Daniel Normandin, Directeur du CERIEC (Centre
d'études et de recherches intersectorielles en
économie circulaire)
– 15 mars 2022
[10] Chaînes d’approvisionnement en boucle
fermée et problèmes de logistique inverse en
production. Mise en course et ordonnancement en
systèmes manufacturiers (chapitres 10 et 11)
– 22 mars 2022
[11] Files d’attente et introduction aux modèles de

simulation (définitions, avance du temps et
principe de la simulation à événements discrets,
principaux blocs) et exemples
– 29 mars 2022
[12] Analyse des performances des systèmes de
production et logiciel de simulation Arena
(conférencier invité – Mr. Jean-François Boulet,
HATCH Canada)
– 5 avril 2022
[13] Introduction aux plans d’expérience et à la

méthodologie des surfaces de réponse, commande
des systèmes de production (logiciel d’analyse
statistique et d’optimisation)
– 12 avril 2021

Calendrier détaillé des travaux dirigés
Séance et description
TD1. Techniques d’optimisation (rappels 1 & 2)

TD2. Techniques d’optimisation (rappels 3 & 4)
TD2. Travaux dirigés (exercices en programmation
dynamique déterministe)
TD4. Travaux dirigés (modélisation des systèmes
logistiques de production, logistique inverse)
Lab1. Familiarisation avec Matlab (M1P1 – une machine
produisant un type de pièces)
Calendrier détaillé des travaux dirigés
Séance et description
TD5. Présentation du projet de session.

TD6. Approche de Kushner en commande stochastique
Lab2.Familiarisation avec les méthodes numériques et
algorithme de résolution des équations d’HJB
Lab3.Support pour le projet de session.

Jean-Pierre Kenné
Ph.D en génie mécanique en 1997.

Directeur de projets jusqu’en 2000.
Professeur au département de génie
mécanique depuis 2000.
MEC628, MEC546, MEC788, MEC754
SYS825, SYS829, SYS862, DGA1005
Directeur département MEC 2011-2015
SYS829 (J.-P. Kenné) 22
Jean-Pierre Kenné
Planification de la production
Planification de la maintenance
Systèmes de production flexibles;
méthodes numériques
Approche hiérarchisée
Lois de commande optimale

Flexible Manufacturing Systems (FMS)
Productivité - Diversité - Automatisation
Modules flexibles et Unités flexibles
Lignes de production flexible
Optimisation, modélisation et complexité
Approche combinée (analytique, simulation,
DOE)

Notions générales sur la modélisation
Optimisation FMS Inventaire
Modélisation Commande optimale
Conditions
d’optimum
Commande optimale
Maximiser les profits

Satisfaire les clients
Planifier la production
Maintenir les équipements
Problème d’optimisation complexe
– Phénomènes aléatoires
– Large dimension du problème
SYS829 : Modélisation des systèmes de
production Méthodes numériques
Maintenance corrective Pannes des machines

FMS
Maintenance Préventive Demandes aléatoires
HJB Conditions d’optimum
Équations Méthodes numériques

discrétisées
Solution numériques Stratégie stochastique 27

Politiques à seuil critique (Hedging point policy)
stock
temps
stock
Âge
SYS829 (J.-P. Kenné) A 28
Politique de maintenance préventive
stock
age
A B
Contrôle du taux de transition du mode

opérationnel au mode entretien préventif

Politique de maintenance corrective
stock
temps
Contrôle du taux de transition du mode

panne au mode opérationnel
Paramètres de la loi de commande des FMS
X Niveau inventaire
A Neuve vs vieille
B Maintenance préventive
Y Maintenance corrective

Approche heuristique
FMS Approche X, A, B, Y
hiérarchisée
Modèle de
X*, A*, B*, Y* simulation
Surface de Design
SYS829 (J.-P. Kenné) réponse expérimental 32
Exemple: J.-P. Kenné (2004)
Commande optimale stochastique
appliquée a la gestion de production
d’une unité de fabrication
Résumé
Abstract
Introduction
Formulation du problème
Problème de commande optimale
Exemple: J.-P. Kenné (2004)
Commande optimale stochastique
appliquée à la gestion de production
d’une unité de fabrication
Conditions d’optimum approximées
Approche numérique et analyse des résultats
Extension du modèle proposé au cas des
systèmes de production larges
Conclusion

J.-P. Kenné (2004) --- Résumé
Analyse du problème de commande optimale
stochastique d'une unité de fabrication soumise
à des pannes aléatoires et à une usure d'outils
menant à une augmentation importante du taux
de rejet.
Introduction d'un mode de fonctionnement
considérant le taux de rejet et d'une politique de
remplacement préventif d'outils.

Taux de production en fonctionnement normal
et taux de remplacement d'outils en mode
d'usure d'outils constituent les variables de
décision qui influencent respectivement
l'inventaire et la capacité du système.
L'objectif est de trouver les politiques optimales
de production et de remplacement préventif
d'outils qui minimisent les coûts de mise en
inventaire, de rupture d'inventaire, de
réparations et de remplacements d'outils.
Approche de modélisation basée sur la théorie

de commande stochastique et un algorithme de
résolution numérique des conditions
d'optimum.
Un exemple numérique et une extension de
l’approche aux cas des systèmes comportant
plus de machines et de pièces.

SYS829 : Kenné (2004) article JESA
38
J.-P. Kenné (2004) --- 1. Introduction
Définition d’une unité de production (plusieurs
machines, commande optimale, satisfaire
demande, etc.) - [ARZ 93]
Modèles avec états discrets décrits par des
processus markoviens [VEN 90], [RIS 75],
[AKE 86]
Politique de production (seuil critique) et
extensions [AKE 86], [KEN 00] et [KEN 03]
Le concept de politique à seuil critique est à
l'origine de plusieurs approches de recherche
des politiques de production [SHA 88] et
[GHA 00].
Modèles de décomposition basées sur le
concept du « hedging point policy » [CAR 91].
La complexité augmente lorsque les états sont
décrits par des processus markoviens non
homogènes en tenant compte des âges des
machines [BOU 90].
Plusieurs auteurs ont contribué dans le domaine
de la commande des systèmes décrits par des
processus de Markov non homogènes en faisant
dépendre la dynamique des pannes d'une
machine de son taux de production, de son âge
et de différentes stratégies de maintenance
[HU 94], [LIB 94] et [KEN 02]
Stratégies de maintenance préventive et
corrective [BOU 90], [BOU 98] et [KEN 03]
L’article propose un nouveau modèle intégrant
l'usure et les stratégies de remplacement
préventif d'outils dans un système de
fabrication.
La théorie présentée dans l’article permet de
déterminer les taux de production en mode de
fabrication normale et les taux de remplacement
préventif d'outils en mode de production avec
taux de rejet anormal.
Les conditions d ’optimum sont décrites par des
équations dites d’Hamilton-Jacobi-Belleman
(HJB).
Une approche numérique est utilisée pour
résoudre les équations d’HJB.
Une analyse de sensibilité permet de définir la
structure da la politique optimale.

Des paramètres sont utilisés pour décrire la
structure de la politique optimale .
L’approche combinée utilisant la simulation et
les plans d ’expériences permet de déterminer
une expression du coût total encouru en
fonction des paramètres d’entrée.
La méthodologie de surface de réponse est
utilisée pour déterminer les valeurs optimales
des paramètres d’entrée.
J.-P. Kenné (2004) --- 1. Formulation du problème
Notions de probabilités et de processus
stochastiques (à venir).
Notions de commande optimale appliquée à la
gestion de production des FMS (à venir).
Formulation des hypothèses de modélisation
(à venir).

SYS829 vs USINE DU FUTUR
Usine du futur, usine connectée, usine 4.0,
usine intelligente,
Contexte d’une 4ème révolution industrielle
Première révolution au 18ème siècle:
l’arrivée du charbon et de la machine à vapeur
permettant la production mécanique.
Deuxième révolution au 19ème siècle:
la production de masse grâce à l’arrivée de
l’électricité.
Troisième révolution au milieu du 20ème siècle:
la production automatisée grâce à l’arrivée des
automates et des robots
“Industrie 4.0”
Nous vivons aujourd’hui la quatrième révolution
industrielle:
basée sur le rapprochement des usines avec le
monde de l’Internet au sens large.
Présence en industrie des technologies digitales,

Internet et les usages du numérique
Des technologies clés pour l’usine du futur

La réalité augmentée, La fabrication additive,
L’internet des objets , Le Big Data, Le Cloud
computing, La simulation, La cybersécurité
DES technologies clés pour l’usine du futur
La réalité augmentée :
Technologie permettant, grâce à de lunettes
numériques, de visualiser des éléments et
informations numériques en « surcharge » de
la réalité.
L’intérêt est par exemple de guider un
opérateur de maintenance lors des opérations
effectuées sur une machine, ou bien encore
d’accompagner des collaborateurs dans des
processus d’apprentissage.

Des technologies clés pour l’usine du futur
La fabrication additive:
Technologie aujourd’hui relativement
démocratisée permettant de réaliser dans des
temps records, et avec de plus en plus de
précision, des pièces en simplifiant tout le
processus de fabrication.
Son application est directe pour des
prototypes de validation ou pour des pièces
de rechanges ou de maintenance.

L’internet des objets (IOT ou objets connectés) :
Technologie embarquée sur des pièces ou
sur des machines pour effectuer des relevés
d’information en temps réel, afin de pouvoir
analyser leurs comportements.
Les objets connectés sont par exemple de
plus en plus utilisés pour suivre en temps réel
les cadences d’utilisation des machines, afin
de prévoir les opérations de maintenance
(réaliser de la maintenance prédictive et
minimiser ainsi les taux d’arrêt des machines
et outils de production).
Le Big Data :
Technologie purement numérique ayant pour
but d’analyser d’énormes volumes de
données dans des temps de plus en plus
courts. Le Big Data prend tout son sens avec
les objets connectés.
En effet, plus les relevés de mesures sont
fréquents et importants, plus les données
sont précises et plus les actions pourront être
efficaces. Mais cela entraîne des volumes
d’informations collectées importants qu’il faut
être capable d’analyser rapidement.
Le Cloud computing:
Technologie déjà très répandue et utilisée
dans la gestion des logiciels et des données.
Elle apporte des avantages évidents sur la
suppression des infrastructures lourdes dans
les entreprises, sur la suppression des
opérations de mises à jour et de
maintenance, etc…

La simulation:
Technologie souvent basée sur la
modalisation 3D,
Elle permet de bénéficier du numérique pour
simuler des comportements.
Elle peut également permettre:
• de mesurer la résistance d’une pièce ou
d’une machine dans son fonctionnement
avant même qu’elle ne soit conçue,
• de tester et vérifier une ligne de production
et les cadences de fabrication.

La cybersécurité:
Avec l’arrivée du numérique, elle a pour
objectif d’assurer la sécurité et l’intégrité de
l’ensemble des données qui peuvent transiter
sur les différents systèmes.
Objets connectés avec le transfert des
données mesurées vers les serveurs de
stockage et de calcul, ou bien encore les
données et instructions utilisées pour piloter
les automates et robots d’une chaîne de
fabrication afin de conserver le plein contrôle
des actions effectuées
Un suivi et un pilotage global de l’usine via une
plateforme connectée
Un point très important dans le concept d’usine
connectée:
• le suivi et le pilotage de l’ensemble de ces
technologies et de la globalité de l’entreprise
le numérique va apporter des solutions, grâce à

des plateformes numériques regroupant
l’ensemble des éléments liés au fonctionnement
de l’industrie.

Un suivi et un pilotage global de l’usine via une
plateforme connectée
Ces plateformes peuvent prendre en charge des
systèmes numériques de l’entreprise, pour
disposer par exemple :
D’une plateforme de gestion du support et du
service client
D’un ensemble global de suivi et pilotage de la
production
D’un système de commande en ligne et de suivi
de fabrication/livraison…

Gains et leviers de performance (usine connectée)
Flexibilité de réponse aux variations des demandes clients
(volumes, types de produits ..)
Traçabilité plus poussée pour réagir plus vite en cas de
dysfonctionnement
Réactivité et adaptabilité plus importantes, avec des
machines capables de déclencher un appel de support, ou
d’être pilotées à distance pour améliorer leur
fonctionnement
Une optimisation des cycles de production,
grâce à la simulation numérique de
l’organisation de la fabrication en fonction de
la demande client pour la personnalisation
d’un produit en présence d’aléas

SYS829 Cours 1A H2022

Transféré par

Informations du document

Titre original

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

SYS829 Cours 1A H2022

Transféré par

Droits d'auteur :

Formats disponibles

SYS829 : Modélisation des systèmes de production

Cours d’introduction – HIVER 2022

SYS829 (J.-P. Kenné) Cours_1A 2

SYS829 (J.-P. Kenné) Cours_1A 3

SYS829 (J.-P. Kenné) Cours_1A 5

Travaux pratiques et laboratoires;

SYS829 (J.-P. Kenné) Cours_1A 9

[1] Askin R. G. et Standridge C. R.,

SYS829 (J.-P. Kenné) Cours_1A 12

[9] Kelton, W. David et al. (2009); Simulation

[10] Rossetti, Manuel D. (2009); Simulation

SYS829 (J.-P. Kenné) Cours_1A 13

Points d’évaluation Pondération

SYS829 (J.-P. Kenné) Cours_1A 14

[11] Files d’attente et introduction aux modèles de

[13] Introduction aux plans d’expérience et à la

SYS829 (J.-P. Kenné) Cours_1A 19

TD1. Techniques d’optimisation (rappels 1 & 2)

TD5. Présentation du projet de session.

SYS829 (J.-P. Kenné) Cours_1A 21

Ph.D en génie mécanique en 1997.

SYS829 (J.-P. Kenné) 23

SYS829 (J.-P. Kenné) 24

Optimisation FMS Inventaire

Modélisation Commande optimale

Maximiser les profits

Maintenance corrective Pannes des machines

HJB Conditions d’optimum

Équations Méthodes numériques

Solution numériques Stratégie stochastique 27

Contrôle du taux de transition du mode

SYS829 (J.-P. Kenné) 29

Contrôle du taux de transition du mode

SYS829 (J.-P. Kenné) 31

SYS829 (J.-P. Kenné) 34

SYS829 (J.-P. Kenné) 35

Approche de modélisation basée sur la théorie

SYS829 (J.-P. Kenné) 37

SYS829 (J.-P. Kenné) 43

SYS829 (J.-P. Kenné) 45

Présence en industrie des technologies digitales,

Des technologies clés pour l’usine du futur

SYS829 (J.-P. Kenné) Cours_1A 48

SYS829 (J.-P. Kenné) 49

SYS829 (J.-P. Kenné) 52

SYS829 (J.-P. Kenné) Cours_1A 53

le numérique va apporter des solutions, grâce à

SYS829 (J.-P. Kenné) 55

SYS829 (J.-P. Kenné) 56

Vous aimerez peut-être aussi