ENSEM

.
Université Hassan II Aïn Chock - Casablanca
Ecole Nationale Supérieure d’Electricité et de Mécanique

Simulation des systèmes de production

3ème année AII

1
 PLAN

1- Introduction aux systèmes de production (SP)

2- Performances des SP
3- Modélisation et Simulation par événements discret
4- Conduite d'un projet de simulation

2
 Bibliographie

• Livres
G. Fleury, P. Lacomme & A. Tang « Simulation à événements discret »,
Eyrolles, 2008

• URL : cours sur la simulation

http://www.lamsade.dauphine.fr/~giard/giard3.pdf

3
1 - Introduction aux systèmes
de production (SP)

4
 Système de production ?

Un système de production remplit des fonctions déterminées

pour transformer des entrées en produits finis.

Système de
Entrées Produits finis
production
Σ Fonctions

Exemple : industrie automobile

entrées (matières premières) et produits finis : voitures

Activités d’un système de production :

- La conception du produit et des méthodes de fabrication;
- L’exécution(lancement des activités dans l’atelier, l’ordonnancement
des opérations, l’affectation des ressources, l’approvisionnement);

5
 Fonctions d’un système industriel
- Fabriquer : réaliser par les ressources (Machines, outils, personnels)
Ͳ : réaliser par les ressources (Magasins, personnels)
- Stocker
- Transporter : réaliser par les ressources (Chariots, palettes, camions, personnels)
Une ressource est nécessaire à la réalisation d’une opération

Fonctionnement d’un système de production

- Dimensionner et gérer au mieux ces ressources pour fabriquer et livrer les produits

- Respecter des règles opératoires, pour cela :

* Il faut respecter des contraintes
–> Durée d’usinage
–> Capacité des stocks

* Il faut optimiser certains critère

–> Meilleurs délais
–> Favoriser la qualité
–> Réduire les encours
–> Utiliser au plus les ressources
* Sans oublier l’aspect financier…

- Satisfaire le client
6
 Qu’est ce qu’un FLUX ?
.
- Cheminement de produits (flux physique) ou de données (flux informationnel) au travers
d’un ou plusieurs Processus de l’entreprise. Produits ou Données = Articles ou Entités
- Un flux est caractérisé par un débit : Quantité d’Articles par Unité de Temps

Qu'est ce qu'un processus ?

- Actions successives ou simultanées qui permettent de faire évoluer les articles
d’un état initial à un état final.

Opération Stockage
Transfert Contrôle
Ex. usinage, assemblage, ... Déplacements Attente
génèré valeur ajoutée des articles

Symbole

7
 Etats des opérations (machine ou activités)

machine
Disponible : pas de charge

Stock amont
machine
Occupée : en charge

Stock amont
machine machine
Bloquée : Évacuation impossible vers l’aval

Stock amont
réglage, panne, attente opérateur cycle,
Autres états possibles: attente opé. réglage, attente opé. maintenance

8
 Types de systèmes de production
Critères de classification de la production
- Organisation des flux de production
- Relation avec les clients
- Quantités fabriquées et répétitivité
- Type et structure des produits

Classification selon l’organisation des flux de production

- Organisation de type série unitaire / projet

Î Produit unique ; Prototype

- Organisation en ligne de production : le flowshop

1 M1 M2 M3 M4
• Flux linéaire de produits ; Ordre de passage identique
• g g (100 000)
Production de produits standardisés ; Grandes séries
Exemple de flowshop : l’industrie automobile

9
 Types de systèmes de production

Atelier Atelier FRAISAGE

Atelier TOURNAGE PERCAGE
- Organisation : T T P P F F F F
Jobshop
T T P P F F F F

T T S S S P

T T S S S P
Atelier SOUDAGE Atelier PEINTURE
T T
A A A
Reception et Expedition
ASSEMBLAGE
• Tous les équipements assurant une même fonction sont dans un même lieu
• Production assez diversifiée Petites
P tit ett moyennes séries
é i (100 - 1000)

10
 Types de systèmes de production
Variété
Projet
Job Shop
Systèmes de production
hybrides
Flow shop

Volume
Projet (Job Shop) (Cellulaire) (Flow shop)
TYPE=> FIXE PROCÉDÉ FAMILLE PRODUIT

Quantité: Minime Faible Moyenne Élevée

Type de Sur Sur Commande/ Stock/ commande

demande: commande commande Stock

Flux: Fixe Discontinu Discontinu Continu

Ordonnancement MRP, JIT Équilibrage

Gestion: PERT
de li gne
i
Exemple: Navire Usinage spécialisé Meuble Automobile
Unité de soins 11
 Types de production
Production pilotée par l’amont ou poussée:
- L ’arrivée des pièces déclenche la fabrication,
- Les produits finis sont placés dans le stock (entrepôt).

Pilotage du système par industrie de la mode

l ’arrivée des pièces

Système de
production

Production pilotée par l’aval ou tirée :

- La production du système dépend des commandes clients de pièces finies.
Pilotage du système
par la demande de
pièces
Place dans
Système de stock aval
production

12
2- Performances des SP

13
 Mesures de performance des systèmes

Compétition
produits ont des avantages parmi les suivant:

Coût Qualité Délai de livraison

Éliminer activités sans valeur ajoutée

Manutention; inspection; stockage; inventaire; reprendre une tâche;

machine en panne; manipuler des plaintes de clients,…

- Les mesures de performances suivantes permettent d’évaluer la compétitivité

dévaluer la compétitivité des systèmes de production :
- Le temps dans le système ; - Le taux d’utilisation des processeurs ;
- Le taux de production ; - La capacité ;
- La flexibilité ; - L’efficacité ;
- La qualité;
14
 Temps dans le système (TS)
- Définition: Temps nécessaire pour traiter un produit de qualité à travers
les étapes d'un processus
- Il inclut : – le temps d’attente (w);
– le temps de mise en course (set-up) (s);
– letemps de traitement (t) ;
– le temps d’inspection (a); et
– le temps de transport (manutention) (m).

w1 s1 t1 a1 m1 w2 s2 t2 a2 m2

TS
- Pour réduire le temps dans le système, il faut éliminer les activités non productives
ou les temps improductifs (manutention, inspection, stockage, ...) ou encore
(machines en panne, manipuler des plaintes de clients, etc.).
- Dans un système de production par lot (job shop ou atelier) les temps se composent de :
Set up ≅ 5 % du temps dans le système ;
– Traitement + Set-up
– Transport + Attente ≅ 95 % du temps dans le système.
15
 Temps dans le système (TS)
Temps de mise en course (set-up) :
Définition: Temps requis à un poste ou un système pour passer à un autre type
de produit.
Il inclut:
– les changements d’outils;
– la fixation du produit aux palettes ; et
– la préparation et le nettoyage du poste de travail.
Sa réduction est cruciale pour augmenter la flexibilité du système global.
La technique la plus populaire de réduction de set-up est SMED
(Single-Minute-Exchange-of-Die) qui est une des bases des systèmes du JAT
(JIT :Just-In-Time).
Temps de traitement :
- Le seul temps qui donne de la valeur ajoutée au produit.
- Les entrepreneurs cherchent habituellement à réduire le
temps de cycle en s’attaquant aux temps de traitement.
Le potentiel de gain est faible comparativement aux temps
d’attente, de préparation et de manutention.

16
 Temps dans le système (TS)
Temps de manutention
Définition :Temps nécessaire pour transporter les produits d’un poste à l’autre, d’un
département à l’autre, etc. On peut réduire le temps de manutention de trois façons :
1) Utilisation de machines flexibles qui performent plusieurs opérations sur le même
poste;
2) Aménagement cellulaire basé sur la technologie de groupe;
3) Utilisation des systèmes de manutention plus efficaces (convoyeur, AGV, robots,
etc.) pour obtenir un transport plus rapide.
Exemple :
Supposons que les pièces passent à travers n postes de travail sur une ligne de
production. On notera aussi les variables:
– ti : temps de traitement pour l’opération i ;
– si : temps
: du set up de l’opération i ; w1 s1 t1 a1 m1 w2 s2 t2 a2 m2
– ai : temps d’inspection après l’opération i ;
– wi : temps d’attente avant l’opération i ; et TS
– mi : temps de transport de i à i + 1.n
Lorsque le lot Q = 1: TS = ∑ ( wi + si + ti + ai + mi )
i =1
n
Lorsque le lot Q > 1: TS = ∑ ( wi + si + Q (ti + ai ) + mi ) 17
i =1
 Temps dans le système (TS) : Exemple
Des produits doivent passer par 2 machines M1 et M2 ;
Temps :
– w1 = 10 min, s1 = 1 min, t1 = 5 min, a1 = 1 min;
– w2 = 15 min
min, s2 = 2 min,
min t2 = 3.5
3 5 min,
min a2 = 1 min ; et
– m1 = temps de transport de M1 à M2 = 0.5 min
– m2 = temps de transport de M2 à expédition = 2 min.
a) Pour un lot Q = 1 b) Pour un lot Q = 20 TS = ?

a)) TS = ((10+1+5+1+0,5)+(15+2+3,5+1+2)
, ) ( , ) = 41 min.

b) TS = (10+1+20*(5+1)+0,5)+(15+2+20*(3,5+1)+2) = 240,5 min.

18
 Temps dans le système (TS)
Temps d'attente
Définition: Temps d’attente pour une ressource (ex : machine,
système de manutention, ...). Machine
Arrivée Expédition
7 6 5 4
Produit A Produits finis
File d'attente (FIFO)
Produit en traitement

- Etat initial (t=0) : machine vide et disponible. Le temps est en minutes.

- Temps d'arrivée produit A : 0.00, 6.84, 9.24, 11.94, 14.53
* Temps inter-arrivé : 6.84, 2.40, 2.70, 2.59, 0.73
- Temps de traitement : 4.58, 2.96, 5.86, 3.21, 3.11
- Durée de la simulation : 15 minutes.

Temps d'attente moyen du produit A dans la file d'attente :

N N = numéro du produit A qui a terminé l'attente dans la queue
 Di Di = temps d'attente dans la queue pour le ième produit A
i 1 D1 = 0 (pourquoi?)
N
19
 Temps dans le système (TS)
Nombre moyen du produit A dans la file d'attente :
15

013(t ) dt 13(t) = nombre de produit A dans la file d'attente

15

Temps dans le système (flow time) moyen du produit A :

P TSi = temps dans le système du ième produit A
i 1TS i P,
P : nombre de produit fini fabriqué

- Ratio de fluidité (ou de tension des flux) = Rf

Temps de traitement = temps à Valeur Ajoutée

Rf 
 Temps de traitement
Temps dans le système

20
 Facteurs agissant sur les flux
Au niveau physique :
– L’implantation et le nombre de machines.
– Automatisation (robots, …) et flexibilité des postes (CN, lignes de transfert,…)
– Nombre et spécialisation du personnel
– Le stockage (emmagasinage, zones tampons,…)
Au niveau gestion :
– Stratégie d’affectation des ressources et règles de choix des tâches en attente
– Règles de gestion des stocks et des approvisionnements
– Politiques de maintenance

Traditionnel Flux continu

Fabrication continue unitaire

21
 TS et production de masse
Dans une ligne de production dédiée (1 produit à la fois), le set-up (si) est fait à
l’avance et l’inspection (ai) fait partie du traitement(ti),
Les produits progressent tous ensemble au même rythme. Le temps de
traitement et d’attente moyen est déterminé par la machine Mi détenant le temps le
plus long de traitement.
Si les pièces passent à travers n postes de travail . On notera les variables :
– ti : temps de traitement et inspection
– mi,i+1 : temps de transport du poste i à i+1 pour l'opération i.
– Le temps de production pour une commande de Q produits est donné par:TQ = Q *(max
*( (ti ) )+ mi,i+1

Exemple :
Ligne de transfert avec 2 postes M1 et M2 ; m = 0,5
- Temps de traitement respectif: t1 = 5 t2 = 3,5
• t1 = 5 min.;
min ; t2 = 3.5
3 5 min.
min
- Temps de transport de M1 à M2 = 0.5 min.
- Pour un lot de production de 100 unités, Q = 100 : TQ = 100 *(5+ 0,5) ==550 min
22
 NIVEAU D’INVENTAIRE : Flux sortants et encours
- Flux sortants Fs : Quantité d'articles sortants du processus par unité de temps.
- A comparer avec le flux entrant Fe.
- Volume de l'encours WIP = Fs x TS.

Exemple :
TS = 3,5 jours ; 1 jour = 8 heures.
Fs = 60 produits / heure
WIP = 60 x 3,5 x 8 = 1680 produits.

WIP = Taux de production Fs (par heure) x TS(h)

WIP (Work In Process): quantité de produits semi-finis
semi finis sur le plancher.
plancher WIP

WIP Coût , Utilisation d’équipements

- Mauvais design
- Mauvaise coordination WIP T
- Mauvaise planification
Idéalement:
é nb. de produits en attente = nb. de produits en traitement WIP

Taux de production : Ligne de production : soit [ti le plus long + Transfert]

Fs = 1 / (max (ti ) +m i,i+1) ,
23
 Capacité
Définition: La production maximum réalisable pour une période de temps donnée.
– Hôpital : Nombre de. lits disponible.
– Industrie de l ’acier : Tonne d’acier / année.

Taux d'utilisation des processeurs

- Plus l’utilisation des processeurs est élevée, plus vite ces derniers sont amorties.
- Poste le plus cher = goulot
- Le WIP et le pourcentage d’utilisation des machines varient généralement de
façon opposée. Avantager WIP ou utilisation ??
Nb pièces × ti
Taux d’occupation (%) =
Temps disponibles

24
 Flexibilité
Définition: Capacité du système de répondre efficacement aux chang ements.
Interne: panne; variation de Temps de traitement; absentéisme…
Externe: Changement de design, de demande, du produit…

Flexibilité = Inquantifiable
Avantage stratégique
g pourg absorber
q p le risque d’un
q marché incertain.
Ligne de transfert: efficace mais peu flexible
Job shop : Flexible
p mais peu p efficace.

Efficacité des équipements

L’efficacité est directement relié à la fiabilité et la disponibilité des équipements.
• La fiabilité se définit par R(t),
R(t) soit la probabilité que le système fonctionne durant
l’intervalle [0,t].
• La disponibilité correspond à la probabilité que le système soit fonctionnel à ll’instant
instant t
(MTTF / (MTTF +MTTR).
MTTF (Mean-Time-To-Failure) & MTTR (Mean-Time-To-Repair)

Qualité
Définition: Satisfaction du client en conformité aux spécifications.
Mesure
esu ede
de performance
pe o a ce e relié
é à aàqua
la qualité: ejet,de rejet
té tau detaux 25
3- Modélisation et simulation par
événements discret

26
 Méthodologies de modélisation et de simulation
Analyse et modélisation
Système Modèle
Validation
réel conceptuel

Interprétation Programmation
et actions Vérification

Expérimentation
Analyse des Evaluation de
résultats la simulation
Correction

Modèle : description simplifée d'un système, dans le but d'évaluer sa performance

ou l'effet de certaines décisions.
Simulation : faire évoluer le modèle d'un système en fournissant les entrées
appropriées et observer les résultats. La simulation permet de reproduire le système réel
numériquement.
Exemples :
- Considérons un entrepreneur d’une société industrielle qui se pose la
question: doit-on construire ou non une nouvelle usine de production?
- La simulation permet d'évaluer le changement en productivité au cas d’une
nouvelle usine comme si (what if) elle était réalisée. 27
 Méthodologies de modélisation et de simulation
Un modèle de simulation peut être utilisé pour répondre aux questions “what if” :
- qu’est-ce qu'il va se produire si j’applique telle action au système ?
- pour améliorer la performance, est-ce que je dois apporter la modifcation 1 ou
plutôt la modification 2 ?

Quand la simulation n’est pas appropriée?

La solution au problème peut être facilement trouvée de manière analytique.
Les coûts dépassent les avantages.

Domaines d’application
- Systèmes de flux de production : équilibrage de lignes d’assemblage, conception de
systèmes de transfert entre postes, dimensionnement de stock, détermination du nombre
requis de machines, étude de politiques d’affectation du personne…
- Flux logistiques et transport: dimensionnement d’entrepôt, d’une flotte de camion.
- Production de services : gestion de restaurants, …
- Systèmes d’informations : évaluation de protocoles de gestion de transaction de base
de données, étude de file d’attente mémoire serveur, …
- Outil de formation du personnel (simulateurs de vol, simulateurs jeux d'entreprise, ...)
28
 Types de modèles simulation

Rappels :
variables
Systèmes continus : Transformée de Laplace R
variables d'état continues et temps continu
R temps
Systèmes échantillonnés : Transformée en Z
variables d'état continues et temps discret R

Systèmes discrets : Grafcet N temps

variables d'état discrètes et temps continu N

R temps
Systèmes à événements discrets :
N
variables d'état discrètes et temps discret
Cas particulier : le domaine des variables est {0,1}
N temps
Identification des différents types d’événements au cours de la durée de vie du système

29
 Exemple : Simulation de Ligne d’assemblage
Trois postes d’assemblage
d assemblage
Temps de fabrication moyen identique (1 min.)
Variation aléatoire du temps de fabrication
Pas de stock intermédiaire
Combien de temps pour fabriquer 1200 unités ?
Durée : 1200 unités X 1 min = 20 heures

Durée
D é de
d lla sim
simulation
l ti n : 20h
Tampon entre 2 postes : 1
Nombre d’unités de départ : 1200
Quoi faire?

Résultats :
Nombre d’unités fabriquées :
1067 soi t une perte de ± 11% ! ! ! 30
 Simulation à événements discrets :

Généralités sur les événements

Activité
machine
ak ak+2
occupée ak+1
libre
t1 t2 t3 t4 temps

Une activité est un intervalle de temps pendant lequel l’état de la ressource ne

change pas (par ex: a k , a k+1 …)
Un événement est un instant précis de changement d’état de ressource (t1, t2, t3…)
1
Un processus est une succession d’un nombre fini d’états d’une r essource (a 0 , …,a k …)
Trois approches de simulation à événements discrets possibles :
- approche par événement
- approche par activité
- approche par processus
31
 Approche par événements

– Identification des différents types d’événements possibles au cours de la durée de

vie du système
– Déterminer les changements d’états correspondant à chaque événement et les
événements qui en résultent
– Ex: événement arrivée d’une pièce p
Prévoir l’événement arrivée de la pièce suivante et de sa date d’occurrence
Si la machine M est occupée, alors: p dans file d’attente+augmenter le nombre
de pièces dans la file de 1 unité
Si la machine M est libre, alors : p sur M+ M occupée+ prévoir occ. de fin d’usinage

32
 Outils de simulation
Les composants du système :
Entité : Objet d’intérêt du système.
Attribut : Propriété de l’entité.
Activité : Période de temps déterminée.
État : Collection de variables nécessaire pour décrire le système.
Événement : Réalisation instantanée qui peut changer le système.
PROCESSUS : séquence d’activités gérées par des RESSOURCES agissant
sur les ENTITES
Exemples de systèmes 8 composants
Système Entité Attribut Activité Événement Variable d’état
Banque Client Solde - client Faire des Arrivée - Départ # serveurs occupés
dépôts # clients en attente
Transport Voyageur Origine - Voyager Arrivée -station
destination Arrivée- destination
Production Machine capacité Fraisage Panne machines occupées
taux de panne moulage inoccupées
pannes
Inventaire Entrepôt Capacité Retrait Demande Niveau d’inventaire

33
 Outils de simulation

Logiciels Visuels
AnyLogic
Extend
ARENA
AUTOMOD
SIMUL8
WITNESS
SIMULFLEX
AWESIM
eM-Plant

34
 Outils de simulation
Logiciels de simulation :
Les moteurs de simulation à événements discrets reposent sur plusieurs concepts :
• Gestion d’échéancier
• Gestion des files d’attente
• Génération de nombres aléatoires utilisés pour modéliser les temps inter-pannes et
les durées de réparation, les taux de rebut, etc.
• Edition de rapports statistiques
Gestion d'échéancier -> écrit à l’avance les événements à venir.
Différents événement gérés : cycles, pannes, réglages, pauses, etc.
Exemple:
• Machine avec un temps de cycle de 30 minutes
• Panne de 5 minutes toutes les 1 heures 40 minutes de bon fonctionnement
• Pause de ¼ d’heure toutes les 2 ½ heures
Début de panne

Début de pause

Début de cycle
Début de cycle
Début de cycle

Début de cycle
Début de cycle
Début de cycle

Fin de panne

Fin de pause
Fin de cycle

Fin de cycle
Fin de cycle

Fin de cycle

Fin de cycle
Fin de cycle

0.0 30.0 60 90 125.0

100.0 170.0 200.0
135.0
105.0 35
150.0
 Outils de simulation
Gestion des files d’attente : Exemple
quand une machine tombe en panne, les effets sont les suivants
• En amont, les stocks se remplissent et les moyens finissent par saturer, c’est-
à-dire par être dans l’incapacité d’évacuer leur production
• En aval, les stocks se vident et les moyens se mettent en attente
Edition de rapports statistiques
Statistiques des machines Rapport suivant les Plannings D'ouverture

• Evolution des niveaux de stock taille mini, maxi, moyenne, etc.)

36
 Outils de simulation
• Synthèse des résultats obtenus
Nombre de soupapes KDH
fabriquées

– De faibles investissements – Et de forts investissements

permettent de bons résultats n'obtiennent pas de bons résultats

• Scénario(s) retenu(s) : le n°4 (1064 soupapes)

– Taille de lot : 7 pièce
– Temps de cycle de protection réduit de moitié
– 3 postes de contrôle
– Temps de cycle de contrôle réduit de moitié

37
 L'environnement d'ARENA
Toolbars

Project Bar
)HQrWUHGXModqlH


)ORZFKDUW module

Data module

38
Exemple de modèle ARENA

Entrée Machine Sortie

39
Insérer un module
Cliquer et Glisser le module

Double-click sur module Create pour ouvrir

la boite de dialogue

40
 Construction d’un modèle sous
Arena
• Utilisation de modules
– Flowchart modules
• Forment l’organigramme qui décrit la logique du processus
– Data modules
• Définissent les caractéristiques des éléments de la simulation
• Ex
– Ressource, file d’attente
• Basic process panels
– Les modules de base
• Advanced process panel
– Modélisation plus complexe
• Advanced transfer panel
– Modélisation de transport d’entités
41
 Basic Process Panel
• 8 flowchart modules
C re a te 1
• 6 data modules
0
• Create module
– Point d’entrée des entités dans un modèle de simulation
– Création selon
• Un temps inter-arrivées
• Un ordonnancement
– Les entités quittent alors le module pour être traitées par le système
• Un seul point de sortie
– Possibilité de générer des arrivées par rafale (lot)
– A la création d’une entité
• Entity.CreateTime := temps courant de la simulation
• Entity.SerialNumber := numéro unique (incrémenté lors de la simulation)
• « Entity Type ».NumberIn
• « Module Name ».NumberOut 42
 Basic Process Panel
P roc ess 1

• Process module 0
– Méthode de traitement principale dans la simulation
– 4 actions
• Delay
– Processus de délai sans contrainte sur une ressource
• Seize delay
– Une ressource est allouée mais la libération celle-ci sera réalisée plus
tard
– File d’attente associée
• Seize delay release
– Une ressource est allouée, un délai est appliqué puis la ressource est
libérée
– File d’attente associée
• Delay release
– Une ressource a déjà été allouée et l’entité va simplement retarder et
relâcher la ressource spécifiée
43
 Basic Process Panel
• Decide module 0 True

– Processus de décision D e c id e 1

– Décisions basées sur 0 False

• Une ou plusieurs conditions

– Conditions basées sur des valeurs d’attribut, de variable, des
types d’entité ou une expression
• Une ou plusieurs probabilités
– Deux points de sortie
• Vrai / Faux
• Dispose module D is po s e 1

0
– Point de sortie des entités dans un modèle de
simulation 44
 Basic Process Panel A s s ign 1
• Assign module
– Attribution de nouvelles valeurs aux variables, attributs, types
• Record module
– Pour collecter des statistiques dans le modèle de simulation
• Et non nécessairement à la fin de la simulation
– Statistiques sur R eco rd 1
• Les intervalles de temps
– Entre deux processus par ex.
• Les entités
• Le comptage B a tc h 1

• Batch module 0
– Permet le regroupement d’entités 0
• De manière permanente ou temporaire S e pa ra te 1
Original

0 Duplicate

• Separate module
– Pour dégrouper une entité de groupage (par le processus batch)
• On revient aux entités originales 45
 Basic Process Panel
Module de donnée
• Entity module
– Définit les types d’entité et les valeurs initiales lors de
la simulation
• Resource module
– Définit les ressources dans le système de simulation
• Avec les informations de coût et de disponibilité
• Queue module
– Pour changer l’ordre dans une file d’attente spécifique
– Par défaut, First In First Out
• Schedule module
– Utilisé avec le module create
• Pour définir un ordonnancement des arrivées
– ou avec le module resource
• Pour définir un ordonnancement d’utilisation
– Basé sur la durée ou sur un calendrier 46
 Modélisation et analyse des données
La construction d'un modèle de simulation nécessite la modélisation de variables aléatoires.
Variables aléatoires dans un système de production de biens
- Demande sur les produits
- Délai de livraison des commandes
- Occurrences des pannes machines, durée entre les pannes
- Taux de rejet des produits durant la production
- Nombre d’ employés absents au travail chaque jour.
- Loi d’arrivée ou de création,
- Temps de traitement, temps entre chaque panne de machine,
temps de réparation de machine.

Recueil des données

– Physiques - Logiques et décisionnelles
Modélisation des phénomènes aléatoires sous forme de données:

Lois de distribution ou données déterminites

- Méthode pour représenter l’aléativité dans un modèle de simulation
- Modéliser les pannes des machines 47
 Modélisation et analyse des données
.
Règles de base pour la modélisation des données
Rendez compte de la répartition et de la dispersion des données
Choisissez la loi (de distribution ou déterministe) qui ‘colle’ le mieux à la réalité (échantillon)
Testez l’adéquation du choix de la loi de probabilité
Exemple : modélisation des pannes
-
d'une machine
Cas d ’une seule valeur :
L’utiliser comme constante sans aléas
L ’utiliser comme moyenne d ’une distribution expo si :
- une très grande dispersion
- une moyenne peu élvée
Cas de 2 valeurs
Les utiliser comme max et min d'une distribution uniforme
Les utiliser comme les extrêma d’une loi triangulaire
Cas de 3 valeurs
- Les utiliser comme le min, le max et la valeur la plus probable
- Les utiliser comme une loi triangulaire
Cas nombreuses valeurs
- Utilisation directe des données : reproduction du passé quand on a peu de données
- Modélisation par des lois de distribution. 48
 Choisir une distribution en l'absence de données
Supposons que la quantité aléatoire qui nous intéresse est une
variable aléatoire continue par exemple le temps de réalisation
d'une tâche. On peut demander à un «expert» de nous fournir un
estimé subjectif de :
– temps minimum requis pour réaliser la tâche : a
– temps maximum requis pour réaliser la tâche : b
– temps le plus probable requis pour réaliser la tâche : m
On peut utiliser une fonction de densité triangulaire dans
l'intervalle [a,b]

Choisir h de sorte que la

surface du triangle = 1.

49
 Modélisation et analyse des données
Utilisation directe des données
- Déterminer l'intervalle des observations : la plus petite et la plus grande valeur.
- Diviser l'intervalle en classes : entre 5 et 20 (en général 8 à 12),
au moins 3 valeurs par classe.
- Choisir une valeur représentative de la classe : moyenne, ...
- Compter le nombre d'observation par classe : fréquence et fréquence cumulée.
- Estimer la probabilité cumulée d'apartenance à la classe par la fréquence cumulée.
- Choisir la loi appropriée et la paramétrer : moyenne, variance, ...
On suppose que les 4 premières étapes ont permis de construire n classes numérotée de
1 à n, dont les valeurs sont représentées de v1 à vn et la fréquence cumulée est de f1 à fn.

Loi discrète Loi continue 50

 Modélisation et analyse des données

Modélisation par des lois de distribution

- Construire un histogramme des valeurs. Si les valeurs sont continues les regrouper
en classes d'égal largeur.

- Choisir
. une distribution en fonction de l’allure de l’ histogramme.
- Test d'adéquation : Il existe deux types de tests, tests paramétriques et tests
non paramétriques.

tests paramétriques :
- Estimer les paramètres de la distribution choisie : min, max, moyenne, variance, ...

51
 Modélisation et analyse des données
Modélisation par des lois de distribution
Test non paramétriques : Khi Carré
(un échantillon peut-il être considéré tiré d'une population de distribution donnée ?)
- Disposer d’une distribution observée dans un échantillon aléatoire de N individus
- construire le tableau des congruences : le nombre de modalités (ou classes)
quantitatives ou qualitatives en fonction de leurs fré quences
- faire une hypothèse sur la distribution théorique permettant de déterminer les
effectifs théoriques pour chacune des modalités. Les effectifs doivent être au moins 5.

exemple : lancer de dé
Face 1 2 3 4 5 6
Effectifs Observés 25 17 15 23 24 16
Effectifs Théoriques 20 20 20 20 20 20

52
 Modélisation et analyse des données
Modélisation par des lois de distribution
Test non paramétriques : Khi Carré
- Déterminer la distance d (dite du Khi carré) totale entre les effectifs observés et théoriques.
k (Oi − Ti ) 2 Ti :effectifs théoriques
d =∑
i =1 Ti k : nombre de modalités (classes)
- d est distribuée selon une loi Khi carré (somme des carrés de variables aléatoires
indépendantes)
Exemple : ( 25 − 20) 2 (17 − 20) 2 (16 − 20) 2
d= + + ... + = 5.0
20 20 20
- Définir le nombre de degré de liberté n : nombre de modalités retenues pour calculer d,
diminué du nombre de relations entre les observations.
n=k -1-r k : le nombre de modalités du caractère
r : le nombre de paramètres estimés de la loi de distribution théorique.
Pour notre exemple le nombre de degré de libérté n = 6-1-0 = 5
On perd un degré de liberté par estimation.

53
 Modélisation et analyse des données
Modélisation par des lois de distribution
Test non paramétriques : Khi Carré
Déterminer le seuil de décision de la table numérique du Khi carré (table de Pearson) en
fonction :
– du risque à prendre (1 10 % d ’erreur)
– du degré de liberté n
pour notre exemple, avec risque = 5% et n = 5, la table donne 11.1
5.0 < 11.1 on ne rejette pas l ’hypothèse de confondre la distribution théorique et observée
Autre exemple…de temps de service
Limite de classe Nombres observés
++ 4
115 5
112 6 Moyenne m = 100.265
109 7
Variance = 62.3
106 7
103 10 Tester Ho: « pas de différence
100 22 entre ces données et une loi
97 17
normale N(100, 62.3) »
94 14
91 13
88 3
54
Total 117
Table de Khi-Deux TABLE DE PEARSON
v /  0.1 0.05 0.025 0.01 v / 0.1 0.05 0.025 0.01
1 2.71 3.84 5.02 6.63 16 23.54 26.30 28.84 32.00
2 4.61 5.99 7.38 9.21 17 24.77 27.59 30.19 33.41
3 6.25 7.81 9.35 11.34 18 25.99 28.87 31.53 34.80
4 7.78 9.49 11.14 13.28 19 27.20 30.14 32.85 36.19
5 9.24 11.07 12.83 15.09 20 28.41 31.41 34.17 37.57
6 10.64 12.59 14.45 16.81 21 29.61 32.67 35.48 38.93
7 12.02 14.07 16.01 18.47 22 30.81 33.92 36.78 40.29
8 13.36 15.51 17.53 20.09 23 32.01 35.17 38.08 41.64
9 14.68 16.92 19.02 21.67 24 33.20 36.41 39.37 42.98
10 15.99 18.31 20.48 23.21 25 34.38 37.65 40.65 44.31
11 17.27 19.67 21.92 24.72 26 35.56 38.88 41.92 45.64
12 18.55 21.03 23.34 26.22 27 36.74 40.11 43.19 46.96
13 19.81 22.36 24.74 27.69 28 37.92 41.34 44.46 48.28
14 21.06 23.68 26.12 29.14 29 39.09 42.56 45.72 49.59
15 22.31 25.00 27.49 30.58 30 40.26 43.77 46.98 50.89
v : le nombre de degré de liberté.  : le risque d'erreur.

55
Quelques lois classiques continues
Loi exponentielle
– Distribution : F(x) = P(X ≤ x) = 1-1- e-λ x 0≤x
Densité : f(x) = P (X = x) = λe-λx
– Densité si 0 ≤ x
=0 si x < 0 EXP (1)
X~EXP((λ) ; E(X) = 1/ λ ; σ2(X) = 1/λ
– On note X~EXP 1/ λ2 Fonction de densité
- Application possible: temps inter-arrivés, temps de pannes d'une machine,
durée de bon fonctionnement et temps d'attente.
Loi normale (Gaussienne) . NORMAL(0,1)
2
−(x−µ)
1 e 2
– Densité
Densité : f(x) = P (X = x) = σ 2Π 2σ Fonction de densité
X~ NORMAL((µ,σ2) ; E(X) = µ ; σ2(X) = σ2
– On note X~NORMAL
- Application possible: erreurs de différents types.
Loi uniforme
– Densité
Densité : f(x) = [1/ (b-
(b-a)] I[a,b](x) UNIFORME(a,b)
– F(x) = (x-
(x-a) / (x-
(x-b) si x ∈[a,b]
– =0 si x < a
f(x)
=1 sinon
2/(b-a) TRIAG(a,m,b)
– On note X~UNIF
X~ UNIF(a,b)
(a,b) ; E(X) = (a+b)/2 ; σ2(X)= (b-
(b-a)2/12
- Application possible: erreurs de différents types. aire=1 x
a b
Loi triangulaire m

– On note X~TRIA
X~TRIA(a,m,b)
(a,m,b) ; E(X) = (a+m+b)/3 ; Cette loi est utilisée quand le minimum, le maximum
σ 2(X) = (a2+b2+m2 –ma - mb-
mb-ab)/18 et la valeurs la plus probables sont connues. 56
Paramètres pour les distributions continues :

• Localisation (ou shift) γ: À mesure que γ change, la densité se

déplace vers la droite ou vers la gauche.

• Échelle β. : Un changement dans β compresse ou étire

la densité.

• Forme α. : Un changement dans α change les

propriétés de la distribution (forme)

57
 Quelques lois classiques continues

Weibull (γ, β, α) ⎧ −1 ⎧⎪ ⎡ χ −γ ⎤ D ⎫⎪
Weibull (0,1, α)
⎪α β (χ − γ ) exp ⎨− ⎢
D −1
⎥ ⎬ if χ > γ
f ( x) = ⎨ ⎪⎩ ⎣ β ⎦ ⎪⎭ densité
Densité ⎪ autrement
⎩0

- Application possible: temps des tâches, temps de pannes

des pièces des équipements.
Gamma (0,1, α)
densité
GAMMA (γ, β, α) ⎧ ( x −γ )D−1 ⎡ −( x −γ ) ⎤
⎪ D exp ⎢ if χ > γ
Densité f ( x )=⎨ β Γ(α ) ⎣ β ⎥⎦
⎪
⎩0
- Application possible: temps des tâches;

Lognormal (γ, β, α)
⎧ ⎡ −[1n(χ −γ )− β ]2 ⎤
⎪⎪ 1 exp ⎢ ⎥if χ > γ
Densité f (χ )= ⎨ ( x −γ ) 2 π a 2 ⎢⎣ 2α
2
⎥⎦
⎪ LN (0,0, α)
⎪⎩0
autrement densité
- Application possible: temps des tâches
58
4- Conduite d'un projet de simulation

59
 Démarche d'un projet de simulation
Formuler les objectifs

Collecte des données

Formuler le modèle

Estimation des paramètres

Évaluation du modèle

Formulation du programme

Validation du modèle

Design de l’expérience

Analyse des résultats

Implantation et documentation
Avant de se lancer dans la réalisation d'un projet de simulation, on doit se demander
si celle-ci est réellement l'outil efficace pour l'étude problème considéré 60
 Etapes d’une étude par simulation
Temps passé

Recueil des données Cahier des charges

• modes de fonctionnement • hypothèses
• fiabilité, PANNES, fréquentiels... • objectifs
• responsables 40%
Validation Validation
par les métiers par le groupe projet

Modélisation
conception et réalisation
20%
Vérification & Validation
par expert outil et groupe projet

Exploitation du modèle
• Simulations
• analyse des résultats
40%
Présentation Edition du dossier
Capitalisation
des résultats de simulation 61
 Formulation du problème (objectifs)
Comprend une description générale du système à étudier et ses limites.
- Définir clairement l'objectif de l'étude.
- Planifier l'étude en terme de nombre de personnes, de coût et de temps requis.

Collecte de données
Rassembler les données et les informations nécessaires pour
- bâtir un modèle de simulation (temps d'opérations, taux de rejet, ...).
. - La qualité du modèle de simulation dépend de la qualité des données.

Sources des données

- On peut chercher les données dans les documents existants (MRP, temps standard etc)
ou par des questionnaires et des enquêtes sur temps standard, etc...), (ex.: contacter les
personnes ressources, tels que opérateurs de machines, ingénieur industriel, etc.)
dans certains cas on a recourt à l'expérience et à l'échantillonnage.
- En se basant sur le diagramme de déroulement matière (s’il existe) on peut établir les
données manquantes : (temps de transport ; contrôle de la qualité ; temps d'attente ;
conditions de travail (heures d'ouverture, quarts, arrêt, etc.).
Dans la mesure du possible collecter des données sur la performance du système
(ex.: niveau d'inventaire). Ce qui pourrait aider à valider le modèle.
62
 Formulation du modèle de simulation
Il faut spécifier :
1- Les composants du modèle.
2- Les paramètres et les variables (exogène, endogène, d'état).
3- Les relations fonctionnelles.
Les points principaux à considérer sont :
1- Frontière : système/environnement.
2- Variable à inclure dans le modèle : endogène ou dépendantes (ex.: temps de système,
inventaire avec....) exogènes ou indépendantes (ex.: taux de rejet).
3- Complexité du modèle : faire un compromis avec la précision désirée.
4- Temps de programmation : le réduire en utilisant un outil de simulation.

63
 Estimation des paramètres
Estimer les paramètres du système (ex.: μ, σ des distributions de probabilité utilisées).
Une procédure utilisée en pratique consiste à:
- Examiner les valeurs obtenues par échantillonnage pour la variable étudiée.
- Choisir une distribution de probabilité s'accordant bien avec l'allure des données.
- Réaliser les tests statistiques nécessaires pour vérifier si le choix de la
distribution est valide à un niveau significatif.

Les méthodes statistiques sont :

– méthode des moindres carrés ;
– méthodes de vraisemblance maximum ;
– méthodes de lissage de courbe (Khi carré, Kolmogorov/smirnov,...).

64
 Distribution de fréquences
Production hebdo. q
Fréquence P(x)( )
(X)
< 46 1/120 0,008
46 - 55 1/120 0,008
56 - 65 3/120 0,025
66 - 75 7/120 0,058
76 - 85 11/120 0,092
86 - 95 21/120 0,175
96 - 105 28/120 0,234
106 - 115 16/120 0,134
116 - 125 22/120 0,183 Les données semblent
126 - 135 7/120 0,058 normalement distribuées
136 - 145 1/120 0,008
146 et plus 2/120 0,017

65
 Evaluation du modèle
On doit se poser les questions suivantes :
- Est-ce que toutes les variables inclues dans le modèle sont pertinentes ?
- Est-ce que toutes les variables indépendantes qui peuvent avoir une influence
importante sur le système sont inclues?
- Les estimés des paramètres sont-ils statistiquement significatifs?

Formulation du programme
1) Élaboration de logigramme (relations fonctionnelles).
2) Choix du langage ou de l'outil de simulation.
3) Construction du programme.
4) Documentation interne et externe du programme.
5) Validation du programme : validité programme vs modèle.
6) Entrée de données, spécification de conditions initiales.
7) Génération des résultats.

66
 Validation du modèle

Avant de réaliser diverses expériences, on reproduit une situation connue du système

réel à l'aide de la simulation. Les étapes sont :
Exécuter le programme avec des données qui permettent de comparer avec le
système réel.
- Détecter les écarts significatifs entre les résultats réels et simulés à l'aide d'intervalles
de confiance. S'il n'y a pas de correspondance, trouver les causes des écarts et tenter
de les corriger.
- Recommencer tant que les résultats ne sont pas satisfaisants.
- Essayer de faire des simulations graphiques. Vérifier les résultats avec les
personnes familières avec le système (ingénieurs, opérateurs, etc.).

67
 Validation du modèle : le système réel existe
Scénario: vérification du scénario réel (ex. OF traités pendant une certaine période)
Résultats: indicateur de performance obtenu en simulation S identiques aux résultats réels R
Aucune chance pour que R soit exactement égal à S :
– Modèle stochastique
– R et S sont des v.a.

Construire un intervalle de confiance pour S et vérifier que R suit:

Définition

P { Smin< YUDLHYDOHXUGXSDUDPqWUH5<S max } = 100(1 - α) % où 0< α <1.

Niveau de confiance: 100(1 - α)%, par exemple pour α =0.05,
le niveau de confiance est de 0.95 ou 95%.
Il y a un risque de 5% que la vraie valeur soit en dehors des limites (Smin, S max)
, qu'on appelle l'intervalle de confiance.

68
 Estimation de l’intervalle de confiance d’une moyenne

, 2, X1n, X2, …Xn les

Soient 1 n variables aléatoires résultantes des n réplications indépendantes.

X (n ) : Un estimateur non biaisé de ; et un intervalle de confiance de ; à

100(1 − α ), 0 < α < 1 est donné par :

9 (n )
2
X (n ) ± tα / 2 ,n −1
n

Avec 9 2 (n ) la variance de la variable aléatoire et t α / 2 ,n−1 est le coefficient

de la fonction de student de niveau de confiance 100 (1 − α ) , et n le
nombre de réplications.

S
69
 Intervalle de confiance: Exemple

Soit une petite manufacture pour lequel nous cherchons une estimation et un
.
intervalle de confiance à 95% pour le temps espéré pour produire 2000 produits:
E(T). 10 réplications ont été réalisées, les résultats sont comme suit (en heure)

Réplication 1 2 3 4 5 6 7 8 9 10
i
Ti 32.62 32.57 33.51 33.29 32.10 34.24 32.70 33.49 33.36 34.61

La moyenne et la variance sont données par :

T (10 ) = 33.25, V 2 (10 ) = 0.606
L’intervalle de confiance approximatif à 95% de E(T) est donné par :
I = 33.25 ± 0.56 = [32.69;33.81]

La valeur réel doit être compris entre 32,69 et 33,81

70
 Analyse des résultats
- Estimer les mesures de performances pour un design particulier du système.
- Déterminer le meilleur système relativement à ces mesures de performances.

Implantation et documentation
- Documenter le programme de simulation.
- Rapporter les résultats des études et faire des recommandations quant au design
qui améliore les performances du système.
- L'implantation des recommandations est souvent la décision du responsable du système
étudié.

71