Ligne d’Assemblage

Professeur Amar Ramudhin, ing. Ph.D

 Introduction
• Une ligne d’assemblage consiste en un nombre de
station en série
• Types de ligne d’assemblage
– Ligne dédiée à une famille de produit
• Un modèle à la fois sur la ligne
– Ligne multi-modèles:
• Plusieurs produits en même temps sur la ligne
– Chaîne de montage synchronisée (Paced assembly line)
• à vitesse constante, c.à.d chaque travaille C unité de temps
• Le système de manutention va envoyer le produit à la station
suivante même si l’opération n’est pas complétée…
• Le temps de cycle C doit être ajusté pour tenir compte des
variabilités des temps d’opérations
– Chaîne de montage non synchronisée (Unpaced assembly
system)
• Durée de tâches variables
 Exemple

Introduction Encours Ligne d’assemblage

Des Pièces
Ligne d’assemblage Flexible

m1 m1 m1
….
m2 m2 m2

mn mn mn

• Plusieurs stations en parallèle à chaque étape

• Les commandes sont assignées à une station en fonction
des besoins de la tâche et de l’encours aux stations
• Système de manutention automatisée
 Formulation Mathématique
• Taux de Production: P unité par période
• Temps de Cycle C= 1/P
• Note: si on a m lignes en parallèle alors
– C=m/P
• Contrainte de Préséance:
– IP = {(u,v) : tâche u doit immédiatement précéder v}
• Restrictions de zonage
– ZS = ensemble de tâches qui doivent être assignées à la même station
– ZD = ensemble de tâches qui ne peuvent être assignées à la même
station
• Variable binaire Xik
– Prend la valeur 1 si la tâche i est assignée à la station k
• Soit K le nombre maximale de station dans la ligne
• Afin de minimiser le temps mort sur les stations on va forcer les tâches dans
les stations ayant les numéros les plus bas
• Soit cik, le coût d’assigner la tâche i dans la station k. La structure de cik est
telle que:
– Ncik ≤ ci,k+1, pour k=1,…K-1
 Modèle de Programmation
Mathématique N K
1) Min  c
i 1 k 1
ik X ik

Contraintes s.à
N

Temps de Cycle 2) t X
i=1
i ik C k=1,...,K
K
Assignation des tâches 3) X
k=1
ik =1 i=1,...,N
h

Contrainte de préséance 4) X vb   X uj h=1,...,K et (u,v)  IP

j=1
K
Contraintes de Zonage 5) X
k=1
uk X vk = 1 (u,v)  ZS

6) X uh  X uh  1 k=1,...,K et (u,v)  ZD
7) X ij   0,1
 Modèle de Programmation
Mathématique
• Contrainte de préséance
– Exemple: 3 stations;
– la tâche 2 doit précéder la tâche 3
• X31 ≤ X21
• X32 ≤ X21 + X22
• X33 ≤ X21 + X22 + X23
• Contrainte de zonage 5) est non linéaire
– Agréger les tâches qui doivent être faites à une même station en
une super tâche
– Élimine la contrainte 5)
• Nombre min de station:
– ┌ T/C ┐
– Où T = ∑ti
 Solutions Heuristiques
• En pratique on veut trouver une solution à
un des problèmes suivants:
– Étant donné un temps de cycle trouver le
nombre minimum de station (ou de
personnes) sachant pour chaque tâche son
temps d’opération, ses préséances et les
restrictions de zonage
– Étant donné un nombre de station, trouver le
temps de cycle minimal
 Notations
• C – temps de cycle • Restrictions:
• Sk – ensemble de tâches – 1 ≤ M ≤ N : Moins de
stations que de tâches
assignées à la station
– ti ≤ C
k=1,…,M
• ti – temps d’opération de • Efficacité de la ligne:
N
la tâche i, i=1,…,N 100 ti
• T – temps total disponible i 1

pour la séquence CM
d’assemblage requis • Efficacité de la station k
• Q – La quantité requise
– C = T/Q 100  t j
jSk

C
Algorithme de Helgeson-Birnie
(HB)
• Assigner les opérations aux stations selon
leurs poids de ‘positionnement’ en
considérant les contraintes de préséance,
de zonage et de temps.
• Poids de positionnement d’une tâche i:
– Somme des temps de i et de toutes les
tâches qui succèdent i
13 3 poids tâche 1 = 5+13+3+5+2 = 28
– e.g. 2 3
1
5 4 5
5 2
 Autres règles
• On peut utiliser les règles suivantes au lieu du
poids de positionnement dans l’assignation des
opérations au stations:
– + grand nombre des successeurs d’un nœud;
– + grand nombre de successeurs immédiats;
– + grand poids des successeurs immédiats;
• On peut combiner des règles:
– Exemple:
• + grand poids en premier. Si égalité choisir l’opération ayant
le plus grand temps d’opération
 Exemple

Temps de Cycle: 21
Exemple: Résolution à l’aide de la
procédure de HB

- Temps de cycle :21

- Nbre min de station :

105/21 = 5

- Efficacité de la ligne:
(105)/(6*21) = .833

- Éfficacité de la 6ième station

2/21 = .095
 Exemple avec
Temps de Cycle de 22
• Station 1 • Station 4
– Operations: 1 – 3- 4- 2 – Operations: 13-16-17
– Temps total: 21 – Temps total: 21
• Station 2 • Station 5
– Operations: 5-7-6 – Operations: 18-21-14-
– Temps total: 21 20-19
• Station 3 – Temps total: 20
– Operations: 8-9-11-12- • Éfficacité ?
10-15
– Temps total: 22
 Approche par Région
• Le problème avec l’approche précédente
– une tâche ayant un poids élevé peut s’avérer
moins critique qu’une tâche ayant beaucoup
plus de successeurs mais avec des temps
d’opérations moindre
• Approche par région tends à corriger cette
situation
 Approche par Région
1. Développer le réseau de préséance
2. Assignation des régions de préséance:
• Redessiner le réseau en assignant les tâches aux régions de
préséance les plus éloignés
3. Dans une région lister les tâches en ordre décroissant des durées
• Laisse les petites tâches pour la fin
4. Assigner les tâches en suivant les règles suivantes (en
considérant les autres contraintes de zonages, etc.)
• Les tâches des régions les plus à gauche en premier
• À l’intérieur d’une région, la plus grande tâche en premier
5. À la fin d’une assignation pour une station, décider si l’utilisation
est acceptable
• Si non parmi l’ensemble des tâches qui reste dont les prédécesseurs
ont été assignés,
• trouver le sous-ensemble des tâches dont les prédécesseurs sont dans
des régions plus à gauche que les tâches assignées. Inter changer les
tâches et déterminer s’il y a augmentation de l’utilisation.
• Si oui la nouvelle assignation est finale
 Ligne d’assemblage mixte
• Lorsque différents produits sont
assemblés sur une même ligne on peut
assumer qu’il y a une grande similarité
entre les produits
– Plusieurs tâches communes
• Construire le réseau combiné
Produit 1

4 3

Réseau combiné

Produit 2
 Résultat avec le réseau
Combiné
• En appliquant l’algorithme de HB avec C=10 sur le
réseau combiné on a le résultat suivant:

Efficacité: (39*100)/(5*10) = 78%

tâches 1,4,5 8,9 6 2,3 10,7,11

temps 7 7 6 9 10

Produit 1: Efficacité: (22*100)/(5*10) = 44%

tâches 1 8,9 2,3 7,11

temps 1 7 0 9 5

Produit 2: Efficacité: (30*100)/(5*10) = 60%

tâches 1,4,5 9 6 3 10,7,11

temps 7 3 6 4 10
 Procédure améliorée
• En réalité, il y a seulement un produit
différent par poste
– Donc diminution de l’efficacité
• Solution logique
• Accumuler les temps des tâches
assignées par produits séparément
tâche 1 4 5 8 6 9 2 3 10 7 11
Poids de
positionnement 39 17 16 15 11 11 10 9 8 5 3

Produit 1 Produit 2
Station tâche ti Cumul ti ti Cumul ti
I 1 1 1 1 1
4 0 1 1 2
5 0 1 5 7
8 4 5 0 7
9 3 8 3 10

II 6 0 0 6 6
2 5 5 0 6
3 4 9 4 10

III 10 0 0 5 5
7 2 2 2 7
11 3 5 3 10
 Autre méthode pour ligne
multi-modèle
• Posons t i   w j  tij
j
où w j est la proportion du modèle j à produire
• Utiliser le temps moyen pour construire la
ligne.
• Soit
– dj : demande du modèle j
– Demande totale: D=j dj
– T: Horizon de planification
– : temps de l’opération i du modèle j
tij
 Lissage et Ordonnancement des
modèles d’une ligne mixte
• Le temps de cycle minimal est: cmin  max k t i
– Où Sk iS k

est l’ensemble de tâches assignées à la station k

• Le temps d’introduction idéal pour la nième unité du modèle j
est S 
(n  1)  T
nj
dj
( n  1)  T
S nj 
dj
• On peut trouver la séquence mixte en fusionnant les temps
de début des séquences individuelles en une seule
séquence non avec des temps de début non-décroissant.
• Les unités de production sont introduites dans la chaîne à
chaque c unité de temps.
 Exemple
• T = 4 heures (240 mins)

• 3 modèles de voitures:
– 10 sedan (S)
– 6 hachback (H)
– 4 station wagon (W)
• Total de 20 voitures

• C = 240/20 = 12 minutes

• Temps d’introduction en considérant les modèles séparément:

– Sedan: 240/10 : à chaque 24 minutes
• Temps d’entrée: 0,24,48,72,96,120,144,168,192,216
– Hachback: 240/6 : à chaque 40 minutes
• Temps d’entrée: 0,40,80,120,160,200
– Station wagon: 240/4 : à chaque 60 minues
• Temps d’entrée: 0,60,120,180
 Résultat
• Combiner les 3 vecteurs en un vecteur
– en donnant priorité au modèle ayant la plus
grande demande (en cas d’égalité)
• S: 0,24,48,72,96,120,144,168,192,216
• H: 0,40,80,120,160,200
• W: 0,60,120,180
• Séquence résultants:
– S-H-W-S-H-S-W-S-H-S-S-H-W-S-H-S-W-S-
W-S
 Temps Stochastique
• ti est normalement distribué avec moyenne
μti et variance V(ti)
• De la loi centré réduite on a:
– t = μt + z(σt)
• Donc pour une station, avec une probabilité
α, la valeur du temps t est
1/ 2
 n
  n

t    ti   z   V (ti ) 
 i 1   i 1 
 Exemple avec α=99.4%
• α=99.4% et donc
z=2.5

Tâches en ordre décroissant de positionnement:

B–A–C–D–E–F-G
Solution Déterministe
Station tâches ti cumul ti
I B 5 5
A 3 8
E 2 10

II C 6 6
D 4 10

III F 4 4
G 3 7

3 Stations
 Solution Stochastique
Cumul
t  (2.5)   Vi 
1/ 2

  Vi 
1/ 2 i
Station tâches ti ti Vi
I B 5 5 2 1.4 8.5

II A 3 3 1 1 5.5
E 2 5 0 1 7.5

III C 6 6 2 1.4 9.5

IV D 4 4 1 1 6.5
G 3 7 0 1 9.5

V F 4 4 1 1 6.5

5 Stations