Académique Documents
Professionnel Documents
Culture Documents
Cours Simulation Flux de Prod
Cours Simulation Flux de Prod
.
Université Hassan II Aïn Chock - Casablanca
Ecole Nationale Supérieure d’Electricité et de Mécanique
1
PLAN
2
Bibliographie
• Livres
G. Fleury, P. Lacomme & A. Tang « Simulation à événements discret »,
Eyrolles, 2008
3
1 - Introduction aux systèmes
de production (SP)
4
Système de production ?
Système de
Entrées Produits finis
production
Σ Fonctions
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
- 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
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
9
Types de systèmes de production
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
Système de
production
12
2- Performances des SP
13
Mesures de performance des systèmes
Compétition
produits ont des avantages parmi les suivant:
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.
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
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
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.
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.
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
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
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 :
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
37
L'environnement d'ARENA
Toolbars
Project Bar
)HQrWUHGXModqlH
)ORZFKDUW module
Data module
38
Exemple de modèle ARENA
39
Insérer un module
Cliquer et Glisser le module
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
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.
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.
- 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 :
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
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
Formuler le modèle
Évaluation du modèle
Formulation du programme
Validation du modèle
Design de l’expérience
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.
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.
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
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.
Définition
68
Estimation de l’intervalle de confiance d’une moyenne
9 (n )
2
X (n ) ± tα / 2 ,n −1
n
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
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