Pilotage de cycle de vie de produit à base de produits intelligents : Application à l'industrie pharmaceutique

Transcription

1 Pilotage de cycle de vie de produit à base de produits intelligents : Application à l'industrie pharmaceutique Mémoire pour l obtention du diplôme de magister en informatique Option : Informatique et automatique Par BOUAZZA WASSIM Composition du jury soutenue le 30/06/2013 Encadreur: B. BELDJILALI Professeur à l Université d Oran Co-encadreur : Mme. N. AISSANI Maitre de conférences B à l Université d Oran Président : F. KHELFI Professeur à l Université d Oran Examinatrice: Mme. N.TAGHEZOUT Maitre de conférences A à l Université d Oran Examinateur : Mr. H.HAFFAF Professeur à l Université d Oran 2013

2 Remercîments Je tiens tout d'abord à remercier mon encadreur Pr. BELDJILALI BOUZIANE de m'avoir fait confiance malgré mes connaissances plutôt légères, puis de m'avoir guidé, encouragé et conseillé tout en me laissant une grande liberté. J'espère avoir été à la hauteur. Mes remerciements vont également au Dr. AISSANI NASSIMA, pour la gentillesse et la patience qu'elle a manifestées à mon égard durant ce magister, et pour tous les précieux conseils et ses lumières. Je ne sais comment exprimer ma gratitude aux membres du jury pour le temps qu ils m ont accordé et de l honneur qu ils m ont fait de bien de participer au Jury de soutenance et juger ce modeste travail. Je remercie enfin mes camarades de l équipe pour leurs aides, conseils et encouragements. 2

3 Dédicaces «Beaucoup encore il te reste à apprendre.» M.YODA A mes parents, à ma sœur, à ma femme, à mes amis ainsi qu à tous ceux qui m ont aidé et soutenu. 3

4 Table des matières TABLE DES FIGURES... 7 TABLE DES TABLEAUX... 9 INTRODUCTION GENERALE CHAPITRE I : CONTEXTE PRATIQUE & PROBLEMATIQUE INTRODUCTION PRODUCTIQUE DEFINITIONS DE LA PRODUCTIQUE HISTORIQUE CONDUITE DES SYSTEMES DE PRODUCTION MODELISATION DU SYSTEME DE PRODUCTION LES NIVEAUX DE DECISION CLASSIFICATION DES SYSTEMES DE PILOTAGE SPECIFICITES ORGANISATIONNELLES PRODUCTIQUE ET COUTS DE PRODUCTION CONTEXTE PRATIQUE PRESENTATION DE L ENTREPRISE ACTIVITES ET CATALOGUE «PRODUITS» ORGANISATION SITE DE PRODUCTION LABORATOIRE CONTROLE ET QUALITE DIRECTION CONTROLE ET QUALITE LABORATOIRE DE PHYSICO-CHIMIE DEPARTEMENT TECHNICO-ADMINISTRATIF LABORATOIRE RECHERCHE ET DEVELOPPEMENT OBJECTIFS DE L ENTREPRISE PROCESSUS DE PRODUCTION PROCEDE DE FABRICATION LES TESTS EN LABORATOIRE ENJEUX DE LA MAITRISE DU CYCLE DE VIE DU PRODUIT DIFFICULTES RENCONTREES OBJECTIFS INDUSTRIELS SPECIFICITES ET PROBLEMATIQUE DU DOSAGE DES MEDICAMENTS VARIETE DES FAMILLES DE PRODUITS PRINCIPE DE FONCTIONNEMENT DEROULEMENT DU TEST PROBLEMATIQUE CONCLUSION CHAPITRE II : ETAT DE L ART SUR LA GESTION DE CYCLE DE VIE DE PRODUIT & PRODUIT INTELLIGENT INTRODUCTION GESTION DU CYCLE DE VIE DE PRODUIT DEFINITION HISTORIQUE LES TROIS PHASES DU PLM LES DONNEES EN PLM LE PLM EN INDUSTRIE PHARMACEUTIQUE BESOINS INDUSTRIELS BESOINS SCIENTIFIQUES ET TECHNOLOGIQUES EN PHARMACEUTIQUE LE PLM EN QUELQUES CHIFFRES

5 4. APPORTS DES PRODUITS INTELLIGENTS AUX PLM DEFINITION DU PRODUIT INTELLIGENT (PI) CLASSIFICATION DES PRODUITS INTELLIGENTS DIFFERENTS CONCEPTS DE PRODUIT INTELLIGENT PRODUIT ACTIF DE BRUN PICARD PRODUIT INTELLIGENT MC FARLANE PRODUITS INTELLIGENTS DE BAJIC OBJET DEMANDEUR ET/OU FOURNISSEUR DE SERVICES OBJET COMMUNICANT SENSITIF PRODUIT ACTIF DANS UN ENVIRONNEMENT D INTELLIGENCE AMBIANTE SYNTHESE DES TRAVAUX «PRODUIT INTELLIGENT» CONCLUSION CHAPITRE III : SPECIFICATION ET MODELISATION D UNE SOLUTION A BASE DE SMA INTRODUCTION L AGENT INFORMATIQUE DEFINITION DE L AGENT INFORMATIQUE SPECIFICITES D'UN AGENT INFORMATIQUE CLASSIFICATION DES AGENTS PROPRIETES DES AGENTS INFORMATIQUES SYSTEME MULTIAGENTS DEFINITIONS DU SYSTEME MULTIAGENTS AGENTS ET SYSTEMES MULTIAGENTS TYPOLOGIE DES SMA DOMAINES D'APPLICATION DES SMA QUELQUES EXEMPLES DE SMA PLATEFORMES MULTIAGENTS DONNEES DU PROBLEME PROBLEMATIQUE DE LA MODELISATION D UN SYSTEME DE PILOTAGE DEFINITION D UN SYSTEME LE MODELE DE RESOLUTION MODELISATION D UN SYSTEME DE PILOTAGE APPROCHE GENERALE FONCTIONS PREVISIONNELLES DE GESTION DE PRODUCTION PRODUIT ACTIF L APPROCHE HETERARCHIQUE AVANTAGES DU PRODUIT ACTIF CLASSIFICATION DU PRODUIT DEVELOPPE MODELE DE RESOLUTION PROPRIETES DU PROBLEME LIMITE DES AUTRES METHODES PERTINENCES DES METHODES EXACTES PHASES DE RESOLUTION LES CONTRAINTES LES PRINCIPALES VARIABLES FONCTION OBJECTIF CONCLUSION CHAPITRE IV: IMPLEMENTATION ET SIMULATIONS INTRODUCTION L ENVIRONNEMENT DE PROGRAMMATION L ENVIRONNEMENT «ECLIPSE»

6 2.2. LA PLATEFORME JADE L ENVIRONNEMENT EXPERIMENTAL CREATION DES SCENARIOS TESTS ET SIMULATION PARAMETRES EN ENTREE RESULTATS INTERACTION ENTRE LES AGENTS COMPORTEMENT DES AGENTS RESULTATS POINT DE VUE PRODUIT INTELLIGENT EFFICACITE DE LA METHODE EFFICACITE DE LA METHODE ET HETEROGENEITE DES PRODUITS TEMPS D EXECUTION BESOINS EN MEMOIRE PRODUITS INTELLIGENTS OBTENUS CONCLUSION CONCLUSION GENERALE ET PERSPECTIVES INDEX BIBLIOGRAPHIES

7 TABLE DES FIGURES Figure 1 : Les trois composants du système de production Figure 2 : Les trois niveaux hiérarchiques de décision Figure 3 Différents pilotages selon le lancement du système Figure 4: Architecture des systèmes de pilotages Figure 5: Contraintes et solutions industrielles Figure 6: Site de production de la SOPHAL spa Figure 7: Principaux domaines thérapeutiques Figure 8: Organigramme interne de la SOPHAL spa Figure 9: Objectifs primaires et globaux en industrie pharmaceutique Figure 10 : Diagramme systémique des activités de production Figure 11: Classification des produits médicamenteux selon leurs présentations Figure 12: L Atelier de fabrication Figure 13: Le laboratoire contrôle-qualité Figure 14: Les principaux tests en laboratoire de contrôle qualité Figure 15: Balance analytique utilisée pour la pesée Figure 16: Appareil servant au test de dissolution (Dissolu-test) Figure 17: Tests Microbiologiques Figure 18 : Etuves de stabilité Figure 19: Apports d une gestion de cycle de vie de produit Figure 20: Schéma général de fonctionnement d une HPLC Figure 21: Graphe illustrant les étapes du cycle de vie d un produit Figure 22: Ensemble des affectations possibles Figure 23: Arbre des séquences possibles Figure 24: Digramme de GANTT pour le scénario Figure 25: Digramme de GANTT pour le scénario Figure 26: Relation entre les différentes solutions d entreprise (CIMdata, Inc 2002) Figure 27 Les SGDT dans les années Figure 28 Les SGDT dans les années Figure 29 Naissance des premières solutions PLM Figure 30: Concept général du PLM Figure 31: Codage des informations en PLM Figure 32: Taux de réussite de mise sur le marché de nouveaux produits (DENIS et GULATI 2009) Figure 33 Investissement PLM annuel en million de dollars US Figure 34: Classification des produits selon quatre critères Figure 35: Produit actif ( (BRUN PICARD et al. 1997) et sa classification Figure 36: Classification du produit actif ( (BRUN PICARD et al. 1997) Figure 37 Classification du produit informationnel (MC FARLANE & al. 2002) Figure 38: Produit intelligent avec agent de décision (MC FARLANE & al. 2002) Figure 39: Classification du produit avec agent de décision (MC FARLANE & al. 2002) Figure 40: Exemple d objets porteurs de données Figure 41: Classification de l objet porteur de données (BAJIC & RAMIREZ 2005) Figure 42: Objet pointeur vers un système d information (BAJIC 2004) Figure 43: Positionnement de l objet pointeur vers un système d information (BAJIC 2004) Figure 44: Objet demandeur et/ou fournisseur de services (BAJIC 2004) Figure 45: Classification Objet demandeur et/ou fournisseur de services Figure 46: Positionnement de l objet communiquant sensitif Figure 47: Produit actif en environnement d intelligence ambiante (BAJIC & DOBRE 2008)

8 Figure 48: Positionnement du produit en environnement d intelligence ambiante Figure 49: Principe de fonctionnement d un agent Figure 50: Structure d'un agent réactif dans un environnement multiagents Figure 51: Structure d'un agent cognitif dans un environnement multiagents Figure 52: Paradigme et composantes d un système multiagents Figure 53: L architecture d un SMA centralisé Figure 54: L architecture décentralisée Figure 55: Méta modèle élémentaire de construction Système (MAYER 1995) Figure 56: Décomposition systémique d un système de pilotage Figure 57 Fonction de gestion prévisionnelle Figure 58: Graphe systémique du produit dit «actif» Figure 59: Hiérarchie et hétérarchie dans un système de neurones (McMULLOCH) Figure 60: Classification du produit développé Figure 61: Les trois activités du modèle de résolution proposé Figure 62: Application des règles par L agent P Figure 63: Application des règles par l agent P Figure 64: Application des règles par selon la table de l agent P Figure 65: Arbre des ordonnancements Figure 66: Ensemble de contraintes affectant la procédure décisionnelle du produit Figure 67: Représentation graphique des principales variables Figure 68: Représentation graphique de la fonction dévaluation dans l espace de recherche Figure 69: Architecture de référence de l agent plateforme selon les normes FIPA Figure 70: Architecture de référence de l agent plateforme selon les normes FIPA Figure 71: Codage des familles de produits Figure 72: Zone dédiée au paramétrage d une ressource Figure 73: affichage des différentes affectations possible sur la console éclipse Figure 74: Création des ordonnancements Tord à partir de Taffect Figure 75: Table des combinaisons Tcombi pour le scénario Figure 76: Premières communications au fur et à mesure de l arrivé de nouveaux agents Figure 77: Partage des informations entre agents produits Figure 78: Séquence de déclenchement des comportements dans une résolution type Figure 79: Ecart entre espace totale et espace pertinent Figure 80 : Impacte de l hétérogénéité des produits sur les résultats Figure 81 : Dégradation du temps de résolution Figure 82 : Consommation mémoire

9 TABLE DES TABLEAUX Tableau 1 : Liste non exhaustive d applications multiagents 32 Tableau 2: Table de compatibilité ressources-tâches 35 Tableau 3 : Déroulement des deux scenarios 39 Tableau 4 : Les temps d attentes moyens 39 Tableau 5 : Tableaux synthétique des différents produits intelligents 61 Tableau 6 : Description des propriétés d un agent 67 Tableau 7 : Liste non exhaustive d applications multiagents 73 Tableau 8 : Liste non exhaustive des plateformes multiagents 73 Tableau 9 : Données globales 74 Tableau 10: Table de compatibilité pour les tests d HPLC 83 Tableau 11: Variable et pondération 89 Tableau 12 : Caractéristiques du matériel utilisé pour les expérimentations 94 Tableau 13 : Table des compatibilités pour le scénario 96 Tableau 14 : Représentation de la table des combinaisons Tcombi 97 Tableau 15 : Représentation de la table des combinaisons Tordi 100 Tableau 16 : Répartition du calcul des fonctions d évaluation 100 Tableau 17 : Digramme de séquences de l algorithme de résolution 103 9

10 INTRODUCTION GENERALE L informatique dans le monde de l entreprise actuelle est confrontée à des problèmes de plus en plus complexes. Cet accroissement de la complexité est en grande partie dû aux contraintes qu exerce l environnement extérieur sur l entreprise. Les entreprises sont ainsi obligées d accroitre la productivité et la rentabilité. Ce renforcement de l efficience passe par des méthodes d optimisation. Les besoins d adaptabilité et de flexibilité en deviennent ainsi vitaux pour assurer leur pérennité. En industrie peut être plus qu ailleurs, une attention particulière est portée sur les coûts, les délais et la qualité de production. Ce sont les trois paramètres essentiels pour mesurer le rendement. L objectif est de perpétuellement d améliorer la compétitivité. Pour y parvenir, les entreprises industrielles doivent s appuyer sur des outils informatiques permettant un pilotage flexible, agile et efficace du processus industriel. Notre travail propose une méthode permettant de poser les premières bases d une «Gestion de cycle de vie du produit» en s appuyant sur les produits intelligents et les systèmes multiagents. Le but premier est d offrir un modèle permettant une gestion dynamique et efficace du problème d allocation de ressources critiques avec comme contexte l industrie pharmaceutique. Ce document propose un premier chapitre structuré en deux parties. Dans la première nous allons introduire les problématiques rencontrées en milieu industriel de façon général. Nous expliquerons les activités de la productique; nous verrons ainsi les différentes contraintes existantes et l apport des méthodes de conduite de production. Puis dans la deuxième partie, nous présenterons la société hôtesse du projet, ses différentes activités ainsi qu une description du processus de production des produits pharmaceutiques. Nous décrirons les différents problèmes rencontrés par la gouvernance 10

11 de l entreprise, et de quelle façon ces derniers ont motivé le choix de la «Gestion de cycle de vie du produit» (PLM 1 ). Le deuxième chapitre quant à lui, apporte un état de l art des PLM et des produits dits «intelligents». Nous verrons comment ces techniques seront amenées à se développer notamment grâce à l expansion de l intelligence ambiante et des systèmes multiagents. Le troisième chapitre détaille le modèle que nous proposons. Il y est décrit les structures d agents développées ainsi que les méthodes de résolution ayant servi à solutionner le problème d ordonnancement des allocations. Le quatrième chapitre décrit l architecture d implémentation développée pour l application. Il regroupe aussi différents résultats des tests et simulations. Nous présenterons les performances globales du système sous différents aspects : Temps de résolution, cohérence des données, consommation mémoire etc. 1 PLM : «Product Life cycle Management» pour «Gestion de cycle de vie du produit» 11

12 Chapitre I : Contexte pratique & problématique CHAPITRE I : CONTEXTE PRATIQUE & PROBLEMATIQUE 1. INTRODUCTION A mesure que l automatisation progresse dans le monde de l industrie, la question du pilotage des systèmes de production revêt une importance grandissante. La multiplication des contraintes de gestion nécessite une poursuite de plus en plus fine d objectifs associés à des niveaux de performance toujours plus élevés. Dans ce premier chapitre, nous allons apporter une description de la notion de «productique» et détailler le système de pilotage. Puis, nous décrirons le contexte pratique en explorant les procédés de fabrication pharmaceutique. La finalité est de cerner la problématique spécifique. 2. PRODUCTIQUE C est en 1979 que le néologisme «productique» est apparu pour la première fois. Il est attribué à la société Philips Data Système. Cette contraction des mots «production» et «informatique» désigne les applications informatiques dans le domaine de la production industrielle Définitions de la productique La productique étant un vaste champ d activités, il existe dans la littérature beaucoup de définitions parmi lesquelles nous avons retenu celles-ci : i. «l'intégration de l'informatique aux moyens de production, englobant les techniques de manutention de poste à poste, ou de machine à machine...etc. On la nomme aussi «transitique» par analogie à la logistique» (DEBAEKER 2008). 12

13 Chapitre I : Contexte pratique & problématique ii. «Concept de mise en œuvre, par les hommes, des méthodes et moyens informatiques et automatiques concourant à assurer simultanément la rentabilité, la qualité et la réactivité de tout ou partie d'un ensemble industriel» (WALDNER 1990) Historique a) ANNEES 70 ET 80 : LES SYSTEMES ASSISTES PAR ORDINATEUR Avec le début de l'introduction de l'informatique dans les entreprises, on a tout d'abord cherché à faire des optimisations locales pour un métier donné. C'est l'apparition de la Conception Assistée par Ordinateur (C.A.O). Dans les bureaux d'études, l'utilisation de machines à commande numérique et de programme de Fabrication Assistée par Ordinateur (F.A.O.) dans les usines, ou les premiers systèmes de scan-gouache 2 informatique dans les studios de production de dessins animés. Cette informatisation de la production reste limitée à certains secteurs de l'entreprise, et on constate rapidement un manque de cohérence d ensemble le long des chaînes d'informations. Ce manque de gestion d information était sans doute dû à la jeunesse de ces technologies. b) ANNEES 90 : LE CONCEPT C.I.M 3 Le manque de cohérence dans les chaînes d'informations de l'entreprise a amené une prise de conscience du besoin fondamental d'intégration des systèmes informatiques tout au long de la chaîne de production, depuis les phases de conception jusqu'à la fabrication. On a alors mis en avant le concept de CIM, que l'on traduit en français par le terme de productique. Ce concept permet une vision plus large du procédé de fabrication. C est une approche qui tente de décloisonner la vision classique des processus dans les chaines d informations. 2 Procédé de numérisation développé pour les studios d animation. Il est apparu fin des années 70 3 CIM pour Computer Integrated Manufacturing 13

14 Chapitre I : Contexte pratique & problématique 3. CONDUITE DES SYSTEMES DE PRODUCTION 3.1. Modélisation du système de production Le fonctionnement d'un processus industriel est généralement modélisé en utilisant une approche systémique constituée de trois sous-systèmes: - LE SYSTEME PHYSIQUE: Ce système, aussi appelé système opérant, agit directement sur les produits en effectuant des opérations de transformation, de contrôle, de manutention et de stockage. - LE SYSTEME DE DECISION: Ce système, appelé aussi système de conduite ou de pilotage a pour rôle de modifier l'évolution du système physique - LE SYSTEME D'INFORMATION : Il a pour objet d'assurer la collecte, le stockage, le traitement et la transmission des informations du système de production ainsi que de son environnement. Il sert de support de liaison entre le système physique et le système de décision Les niveaux de décision Figure 1 : Les trois composants du système de production Dans (LE MOIGNE 1994) «décider» c est identifier et résoudre les problèmes que rencontre toute organisation. La conduite des systèmes de production peut se décrire selon les trois niveaux hiérarchiques de décision : stratégique, tactique et opérationnel qui correspondent respectivement à des décisions à long, moyen et court terme. 14

15 Chapitre I : Contexte pratique & problématique Figure 2 : Les trois niveaux hiérarchiques de décision a) LES DECISIONS STRATEGIQUES Ce sont les décisions qui introduisent des orientations durables de l entreprise sur un horizon à long terme. Dans cette catégorie on trouve, par exemple, les décisions concernant l implantation de nouvelles unités de production, la conception d une nouvelle ligne de production, les décisions portant sur de nouvelles orientations en termes de produits ou de marchés. Si une réflexion stratégique est nécessaire tout au long de la vie de l entreprise, les questions stratégiques se posent plus particulièrement quand l entreprise affronte des changements importants tels qu une hausse ou une baisse significative des demandes ou encore une fusion ou une cession d une partie de l activité. c) LES DECISIONS TACTIQUES Concernent la mise en œuvre et l adaptation des décisions prises au niveau stratégique sur une période plus courte. Elles concernent particulièrement la planification mensuelle de la production afin de répondre à la demande, des flux matières tout au long de la chaîne logistique (approvisionnements, production, stockage, distribution) et la gestion des ressources en hommes et en équipements. d) LES DECISIONS OPERATIONNELLES Les décisions opérationnelles nous intéressent plus particulièrement. La décision à ce niveau met en application le plan d actions prévu par le niveau tactique. Ce sont les décisions qui concernent les actions à court terme, comme par exemple l ordonnancement de la production. La procédure de prise de décision intervient durant la production de deux façons : de façon périodique ou événementielle. Dans le premier cas, le déclenchement de la procédure de prise de décision est régulier et il est fait à des intervalles de temps réguliers. Dans l autre cas, le déclenchement repose sur l apparition d événements dans le système. 15

16 Chapitre I : Contexte pratique & problématique 3.3. Classification des systèmes de pilotage Selon les objectifs que doit atteindre le système de pilotage et selon l approche appliquée à ce dernier, nous pouvons distinguer plusieurs familles ou types de systèmes représentés ci-après. Figure 3 Différents pilotages selon le lancement du système a) PILOTAGE PREDICTIF Le pilotage prédictif est destiné à préparer le lancement d un système existant. Il se fait donc «apriori». Il permet de définir l objectif de la production et la meilleure trajectoire pour y parvenir et de prendre des décisions pour assurer le fonctionnement courant. Ce pilotage est basé sur des paramètres (comme le temps opératoire d une machine, le taux d arrivée, le taux de panne etc.) estimés de manière déterministe (ex : le temps opératoire moyen est de 15 minutes) ou probabiliste (ex : le temps opératoire suit une loi uniforme entre deux valeurs minimum et maximum). Les paramètres de pilotage sont déterminés avant l exécution sur le système réel. Un expert ou un outil est chargé de trouver la meilleure décision (ex. règle de priorité). Le pilotage prédictif fournit en quelque sorte le scénario optimal dans un environnement non perturbé. 16

17 Chapitre I : Contexte pratique & problématique b) PILOTAGE PROACTIF Le pilotage proactif est utilisé également dans la phase de préparation avant que le processus de production ne soit lancé. L objectif ici est d anticiper un certain nombre d aléas et de déterminer «apriori» la meilleure réponse possible à apporter si l aléa survient. On va donc ainsi pouvoir répondre très vite et être beaucoup plus réactif. Ce pilotage est basé sur les mêmes principes que le pilotage prédictif, mais : 1. Il consiste d abord à anticiper les perturbations les plus probables et le plus grand nombre possible de perturbations éventuelles. Ces données peuvent être remontées grâce aux indicateurs de performance d un système déjà existant ou bien extraites d une base de données mémorisant les événements passés. 2. Ensuite, il cherche à identifier les risques de ne pas atteindre les objectifs initialement fixés, notamment de ne pas respecter le délai prévisionnel face aux perturbations. 3. La simulation hors ligne est aussi un des outils utilisés pour ce pilotage afin d anticiper les perturbations et calculer les risques éventuels de ne pas respecter l objectif visé. c) PILOTAGE REACTIF Le pilotage réactif intervient pendant l exécution de la production, une fois le lancement effectué. Il a pour but de corriger les valeurs des variables de décision lors de l apparition d un événement imprévu. Ce pilotage doit réagir en temps réel. Dans le meilleur des cas, l événement a été anticipé dans la phase de pilotage proactif et la réponse est connue. Souvent, l événement n a pu être anticipé. On peut distinguer deux situations nécessitant une réaction : ou pilotage en temps réel i. Des événements imprévisibles peuvent survenir, sans que l'on puisse les anticiper par un pilotage prédictif ou proactif. Il peut s'agir par exemple de l'arrivée d'une commande urgente, de la modification d'une commande ou encore d'une panne sur une machine. Le pilotage réactif devient nécessaire pour analyser les conséquences de cet événement imprévu par rapport à l objectif de production et, le cas échéant, pour déterminer les paramètres de pilotage à corriger pour minimiser l'impact de cette perturbation (BERCHET 2000). 17

18 Chapitre I : Contexte pratique & problématique ii. Des dérives sont détectées (par exemple, le temps de cycle d une machine augmente dans le temps). Ces dérives peuvent avoir pour conséquence le non-respect des objectifs ou la survenue ultérieure d'événements plus perturbants. Par exemple, l augmentation de la durée d une opération peut entraîner un retard généralisé ou l impossibilité de maintenir l ordonnancement prévisionnel. Ceci permet au décideur d'appliquer de façon préventive des modifications aux paramètres de pilotage. La réactivité de ce pilotage dépend donc de l évolution de l état du système par rapport à ce qui avait été prévu par le pilotage prédictif. d) PILOTAGE CORRECTIF Dans le cas où l on ne peut pas maîtriser une dérive et ramener un paramètre dans les valeurs attendues, il est possible qu il soit trop tard pour appliquer une démarche préventive. «Le résultat du pilotage correctif et les causes de disfonctionnements survenus peuvent argumenter les pilotages prédictif et proactif en enregistrant l historique dans une base de données qui pourra servir dans la prochaine modélisation» (ARMETTA 2006). «Il faut alors une démarche qui modifie la trajectoire de référence ou même l objectif de production.» (BERCHET 2000) Là aussi, il est nécessaire de mémoriser les faits dans une base de données pour une utilisation ultérieure. En effet, ce niveau est effectué à la suite d une valeur limite, qui signifie l apparition réelle d un aléa comme une panne machine. L atteinte de cette limite déclare le déclenchement d une démarche corrective, en réalisant par exemple une maintenance corrective Spécificités organisationnelles Une des caractéristiques importantes du système de décision est sa nature fortement hiérarchisée en différents niveaux de centres de décisions. Les centres de décisions reçoivent un cadre de décision (des informations, contraintes et objectifs) d'un niveau supérieur, et définissent des cadres de décision pour les centres de décision de même niveau ou de niveau inférieur. Cette hiérarchie de centres de décision se caractérise également par les différents horizons temporels pris en compte par chacun d'eux, et leur période de prise de décision. Si bien, que le choix de la structure organisationnelle dépend de plusieurs facteurs : Spécificités de l environnement, objectifs du système (voir section 3.3). 18

19 Chapitre I : Contexte pratique & problématique Figure 4: Architecture des systèmes de pilotages 3.5. Productique et coûts de production L'approche productique de la définition, de la conception et de l'utilisation des moyens de production est d'abord financière. On ne «modernise» plus, on «optimise» (IBM 2011). Cela suppose d'intégrer dans toute étude, toutes les composantes des coûts de production, en particulier : - Les coûts de possession de stocks et d'encours. - Les coûts de manutention. - Le coût des rebuts, des retouches, de la non-qualité. - Les coûts indirects induits par la production (gestion, supervision, etc.). Figure 5: Contraintes et solutions industrielles 19

20 Chapitre I : Contexte pratique & problématique 4. CONTEXTE PRATIQUE Dans la deuxième partie de ce premier chapitre, nous nous intéressons à la gestion de production pharmaceutique. Nous estimons ce domaine tout à fait propice à l élaboration d une approche basée sur la gestion du cycle de vie d un produit. Le besoin de réactivité et de flexibilité y est tout aussi important que dans toute autre production. De plus, le besoin de qualité et de traçabilité y est particulièrement grand Présentation de l entreprise La Spa SOPHAL (pour Société Pharmaceutique Algérienne) est un laboratoire pharmaceutique spécialisé dans le développement, la production et la commercialisation de médicaments génériques. Fondée en 1994, elle est située dans la zone industrielle de Hassi Ben Okba à 15 Km à l est d Oran, deuxième grande ville d'algérie Activités et catalogue «produits» Figure 6: Site de production de la SOPHAL spa a) DEFINITION DU MEDICAMENT «Le médicament est une substance qui possède des propriétés pharmacologiques qui peut être administré sans addition d'excipient.» (CHARPENTIER 2001). 20

21 Chapitre I : Contexte pratique & problématique L'excipient est constitué d'une matière ou d'un mélange de matière inactive sur la pathologie, dépourvu donc de propriété pharmacologique, utilisé pour donner une forme et une présentation convenable à son utilisation (poids, volume, goût, conservation, consistance). b) LE MEDICAMENT GENERIQUE SOPHAL est spécialisée dans la fabrication de spécialités pharmaceutiques "génériques" à usage humain. Un médicament générique est un médicament identique ou équivalent à celui d'une marque (appelé médicament princeps), mais produit et vendu sous sa dénomination commune internationale (DCI, nom chimique de la substance) ou sous un nouveau nom commercial. La substance active (ou principe actif du médicament) est identique à celle du produit de marque, seules sa présentation et ses excipients sont différents. Ces médicaments génériques peuvent être produits après expiration du brevet, ou en l'absence de brevet. De nos jours, de très nombreux médicaments issus de la recherche ont vu, au cours des années, leur brevet tomber dans le domaine public, dans le patrimoine commun de l'humanité, et leurs gammes couvrent un très large éventail de maladies aiguës ou chroniques, graves ou bénignes. Figure 7: Principaux domaines thérapeutiques La gamme des médicaments SOPHAL compte un éventail très large de produits, qui non seulement constituent des copies conformes des molécules mères qui leur ont donné naissance, tout en ayant des coûts de production avantageux. 21

22 Chapitre I : Contexte pratique & problématique 4.3. Organisation Une étude de terrain a permis de modéliser les structures internes de l entreprise. Nous trouvons les départements et services classiques d une entreprise industrielle (Finance, comptabilité, Ressources humaines, Etc.). Notre attention se porte plus particulièrement sur deux structures organisationnelles. A savoir, le site de production et le laboratoire «Contrôle et Qualité». Figure 8: Organigramme interne de la SOPHAL spa 22

23 Chapitre I : Contexte pratique & problématique 4.4. Site de production La société compte parmi ses structures de production: Une unité de production des produits pénicilliniques. Une unité de production des produits non pénicilliniques. Une unité de production des antibiotiques de la classe des céphalosporines. Une unité de conditionnement des produits stériles injectables. Une aire de stockage des matières premières de 13000m². 5. LABORATOIRE CONTROLE ET QUALITE 5.1. Direction contrôle et qualité Ce service assure l organisation et la coordination des tests physicochimiques et microbiologiques des matières premières et des produits finis. La direction contrôle et qualité gère également une échantillothèque pour garantir la traçabilité et permettre des analyses a posteriori Laboratoire de physico-chimie Ce laboratoire (Voir section 6.2 page27) assure de nombreuses analyses physico-chimiques : Spectrophotomètre, Ultraviolet visible, Infrarouge, HPLC (Voir page 32), Fluorescence, PH-mètre, Potentiomètre, Appareil de dissolution (Voir page 29) et autres Département technico-administratif La mission principale du département technico-administratif est d assurer la coordination entre les différents départements internes de la société. De plus, il permet de garantir une traçabilité qui permet le suivi des produits sur toute la chaine de production et de distribution, jusqu à leur fin de vie. Une autre fonction primordiale est d assurer l enregistrement de nouveaux produits et leurs suivis auprès des autorités locales de santé ainsi que leurs lancements sur le marché Laboratoire Recherche et Développement La société possède un laboratoire Recherche et Développement (R&D). Il permet d enrichir le catalogue produits de l entreprise et ceci en permettant 23

24 Chapitre I : Contexte pratique & problématique de développer de nouvelles formulations génériques. Il assure la fabrication de lots pilotes. Le médicament étant un produit très sensible, le département R&D assure la transposition industrielle qui consiste à rendre possible un changement d échelle. Enfin, on citera comme tâche importante, l étude de la stabilité du produit indispensable pour son exploitation. (R&D) 5.5. Objectifs de l entreprise Nous avons recensé les différents objectifs et buts poursuivis par l entreprise. Nous les avons regroupés en trois catégories : Objectifs industriels primaires : Induits par le contexte industriel, Ils regroupent de nombreux buts suivis comme : faire évoluer les normes de fabrication, suivre en permanence la demande des clients Etc. Objectifs globaux de l entreprise : Ce sont les dénominateurs communs avec toute entreprise. Ils consistent essentiellement en trois points : l innovation, la réduction du temps de développement et la compétitivité. Objectifs commerciaux : Les objectifs commerciaux se résument en deux notions mercantiles : Augmenter les revenus et accroitre la rentabilité. Figure 9: Objectifs primaires et globaux en industrie pharmaceutique 24

25 Chapitre I : Contexte pratique & problématique 6. PROCESSUS DE PRODUCTION Le médicament est un produit particulier sur beaucoup de plans. Le procédé de fabrication passe par une multitude de tests comme le montre la «Figure 10» : Le fournisseur envoie des échantillons de produit soit au magasin Matière Première pour y être entreposé, soit directement au laboratoire pour y être analysé (en cas de test pré-réception du produit). La production s approvisionne auprès du magasin pour assembler les différents ingrédients pour fabriquer le produit. Le laboratoire va effectuer toute une batterie de test sur : - Les lots en cours de production. On parle en industrie de Test in-process. - Les produits finis. - Les lots précédemment délivré sur le marché, à raison d un test par an et par lot. On parle de stabilité réelle annuelle. - Les médicaments non commercialisés jusqu à présent ou en cours d enregistrement auprès des autorités. On parle de produit en développement. Les résultats des tests sont regroupés sur des documents que l on nomme Bulletins d analyses. Une fois que le bulletin contient exclusivement des résultats répondant aux normes pour l ensemble des tests, le lot est dit «conforme» et la direction technique procède à la libération du lot. Cela signifie que sa mise sur le marché est désormais autorisée. Un fois les transactions commerciales effectuées, les lots «libérés» sont vendus soit à la filiale de distribution de SOPHAL nommée DIPHACO soit directement à la pharmacie centrale des hôpitaux (PCH). Figure 10 : Diagramme systémique des activités de production 25

26 Chapitre I : Contexte pratique & problématique 6.1. Procédé de fabrication Le procédé de fabrication diffère en fonction du type 4 de produit. Ils sont ainsi divisés selon deux formes : injectable et sèche. Les formes sèches Les formes injectables Comprimés Gélules Granulés pour suspension buvable Sachets Solution Poudre Figure 11: Classification des produits médicamenteux selon leurs présentations Les points où sont réalisées des opérations à haut risque, tels que le point de remplissage, les emplacements des bols vibrants de bouchons, les ampoules et les flacons ouverts ou les points de raccordements aseptiques. Les postes de travail sous flux d'air laminaire 5 satisfont normalement aux conditions requises pour ce type d'opérations. L'atelier de fabrication est composé de 3 compartiments : Centrale des pesées, l'atelier de préparation et l'atelier de conditionnement. Ce dernier est séparé de l'atelier de préparation par un corridor. Il est divisé en deux parties, l'une réservée au conditionnement primaire, l'autre au conditionnement secondaire. i. Conditionnement primaire : Les principaux équipements qui existent sont la souffleuse, une remplisseuse et une sertisseuse. ii. Conditionnement secondaire : Il est sous zone non classée mais la température à l'intérieur est contrôlée. Ses principaux équipements sont : une étiqueteuse, une encartonneuse, une Vigneteuse [Voir figure ciaprès]. 4 En pharmacie, on parle de forme galénique. 5 Systèmes conçus pour protéger des produits très sensibles de la contamination externe. 26

27 Chapitre I : Contexte pratique & problématique Figure 12: L Atelier de fabrication 6.2. Les tests en laboratoire Figure 13: Le laboratoire contrôle-qualité Le laboratoire assure le contrôle de la qualité sur les matières premières et les produits finis conformément aux Pharmacopées 6 en vigueur (européenne, américaine ) et aux dossiers spécifiques, les monographies de contrôle des principes actifs, des excipients, des articles de conditionnement 6 Recueil à caractère officiel et réglementaire des matières premières entrant dans la composition de médicaments«contrôle-qualité» 27

28 Chapitre I : Contexte pratique & problématique et des produits finis, tant sur le plan des essais et dosages physicochimiques, que des études galéniques, chimiques ou microbiologiques. Voici ci-dessous, les principaux tests effectués sur les échantillons : Figure 14: Les principaux tests en laboratoire de contrôle qualité a) PESEE Un opérateur procède à la pesé d échantillons (comprimés, gélules...etc.) Il s assure ainsi à l aide d une balance analytique à grande précision, que son poids moyen est conforme aux normes. Figure 15: Balance analytique utilisée pour la pesée 28

29 Chapitre I : Contexte pratique & problématique b) DISSOLUTION On mesure la quantité de principe actif dissoute pendant une durée donnée et à une vitesse de rotation donnée dans un milieu specifique liquide. On mesure le phénoméne de dissolution à l aide d un appareil nomé «dissolu-test». Cet appareil reporoduit plusieurs conditions que l on rencontre lors de la digestion d un produit (exemple : Température 37 c, milieu acide, mileu tamponé..etc). Figure 16: Appareil servant au test de dissolution (Dissolu-test) c) CONTROLE DES PARTICULES En ce qui concerne les médicaments injectables, on s assure qu aucune particule potentiellement dangereuse de par sa taille ne soit présente. On évite ainsi tout risque d obstruction des vaisseaux sanguins ou tout autre accident de santé. d) ANALYSES MICROBIOLOGIQUES Les analyses microbiologiques sont effectuées selon le type de médicament. Ils permettent de mettre en évidence et de quantifier les germes (bactéries) ou champignons. Il est important de connaître la charge bactérienne. 29

30 Chapitre I : Contexte pratique & problématique Figure 17: Tests Microbiologiques Ce test se fait par la mise en place de milieux de culture dans lesquels on place des échantillons puis, après un certain laps de temps on s assure de la stérilité des produits. Voici quelques exemples : - Les produits injectables doivent être stériles, exempt de toutes bactéries ou champignons. - Les antibiotiques administrés par voie orale ne doivent pas dépasser un certain seuil de charge bactérienne. e) STABILITE Dans le secteur pharmaceutique, les tests de stabilité jouent un rôle important dans le développement et l homologation de nouvelles substances actives et de nouveaux produits. L objectif est de déterminer comment, dans certaines conditions, un produit ou une substance active se transforme pendant une période déterminée. Les résultats obtenus permettent notamment de déterminer la durée de conservation et de définir les conditions de stockage recommandées. Ce n est qu après avoir effectué une étude de stabilité que le fabricant pourra garantir que le produit répondra aux spécifications exigées à condition qu'il soit entreposé correctement et dans le respect des conditions de stockage ainsi définies. Figure 18 : Etuves de stabilité 30

31 Chapitre I : Contexte pratique & problématique 7. ENJEUX DE LA MAITRISE DU CYCLE DE VIE DU PRODUIT La société connaît un développement national rapide. «Les activités industrielles en milieu pharmaceutique sont plus strictement encadrées sur le plan législatif et bien plus complexe que dans la plus part des autres industries» (LINDNER 2008). Afin de répondre aux différents impératifs de l entreprise (voir Figure 5 p19) la direction souhaite mieux maitriser le cheminement que suivent ses produits Difficultés rencontrées Voici les principales difficultés et défis rencontrés par la gouvernance de l entreprise que nous avons relevés: Processus manuels, lents, enclins aux erreurs et aux redondances de données. Fortes pressions exercées par la réglementation. Difficultés de gestion du nombre croissant de ligne de produits. Fort cloisonnent entre les différentes phases du processus métier Objectifs industriels Le laboratoire pharmaceutique étant avant tout une entreprise commercial, on peut résumer ses objectifs à la minimisation du temps et du cout d une part, et à la maximisation de la qualité d autre part. La mise en place d une stratégie de gestion de cycle de vie d un produit permet de décloisonner les différentes activités. De plus, elle permet d apporter de réelles réponses aux défis rencontrés. Figure 19: Apports d une gestion de cycle de vie de produit 31

32 Chapitre I : Contexte pratique & problématique 8. SPECIFICITES ET PROBLEMATIQUE DU DOSAGE DES MEDICAMENTS L HPLC (High Pressure Liquid Chromatography) est une technique chromatographique à haute performance dont la phase mobile est liquide. Cette méthode de pointe qui est utilisée en chimie analytique permet de séparer et d'identifier les constituants d'un mélange Variété des familles de produits Le tableau ci-dessous représente les 24 familles ainsi que le code à 3 caractères retenu. Familles de produit (Molécule) ACETYLSALICYLATE DE LYSINE ACETRAL AMLODIPAL ASPIGAL AMPAL AMOXA BENZYPAL CAPTOPRAL CEFAZAL COTRIMOXAL CLAVAMOX CYANOCOBAL DICLOFAL DIPARACETAL GENTAL GLAZIDAL LOPERIDAL MEPRENAL NIFEDIPAL NOVITAL OXAL PARACETAL PENIVAL RANITIDAL Code AYL ACT AML ASP AMP AMX BZP CAP CFZ CTM CLV CYN DCL DIP GTL GLZ LPR MEP NFD NOV OXL PCT PNV RTD Tableau 1 : Liste non exhaustive d applications multiagents Dans notre étude nous nous sommes penchés sur ce test en particulier parce qu il réunit toute la complexité de gestion et de planification. En effet, ce problème s apparente à celui dit de «la machine à outils». Comme le montre la section d), l ordre dans lequel les tests sont programmés et réalisés, influence grandement la durée des tests et le temps d attente moyen. 32

33 Chapitre I : Contexte pratique & problématique 8.2. Principe de fonctionnement Le fonctionnement de cette machine est assez complexe en ce qui concerne le procédé de mesure. Notons aussi qu il n existe pas une mais plusieurs machines fonctionnant chacune d une façon particulière et utilisant chacun un rayonnement particulier (Infrarouge, radiation...etc.). Comme nous le montrons dans la figure ci-après, nous avons ressorti les principales caractéristiques communes aux HPLC ainsi que le principe général commun Déroulement du test Le test se passe comme suit : Figure 20: Schéma général de fonctionnement d une HPLC - On prépare une solution que l on place dans un réservoir. - La pompe commence à aspirer la solution pendant plusieurs minutes pour préparer la colonne. On appelle cette phase de préparation la phase mobile. - A la fin de la phase mobile et à un moment précis on injecte le produit dont on veut connaitre le dosage à l aide d une seringue dans un orifice spécial nommé injecteur. - Le liquide chemine ainsi à travers les conduites jusqu à son arrivée à l entrée de la colonne. Cette dernière va ainsi agir comme un filtre ne laissant passer qu un produit à la fois et ce, chacun à un moment précis. - Le liquide continue ainsi sa progression. 33

34 Chapitre I : Contexte pratique & problématique - Un dispositif chromatographique 7 ultra-sensible va permettre de mesurer le dosage de mélange en mesurant l absorbation d une longueur d onde précise à un moment précis (selon le produit et la colonne utilisée). - Si le test est terminé et que l on souhaite arrêter l utilisation de la machine ou changer de produit (et probablement de colonne) on repasse par une phase mobile afin de ne pas dégrader la colonne et de pouvoir l entreposer sans risquer de l endommager Problématique Comme nous l avons expliqué plus haut, il s agit de solutionner un ensemble de problèmes successifs tout au long de la vie du produit. Nous nous intéressons ici au test d HPLC. Figure 21: Graphe illustrant les étapes du cycle de vie d un produit 7 Chromatographique : technique de séparation des substances chimiques qui repose sur des différences de comportement. 34

35 Chapitre I : Contexte pratique & problématique Le but est d étudier ce problèmes afin de dégager des comportements pouvant être étendus à des problèmes plus ou moins similaires que rencontrera le produit (Manufacturassions, autres tests, conditionnement, problèmes de distribution Etc.) a) CONTRAINTES La compatibilité entre machine et produit est un élément central. Il n est pas possible de réaliser n importe quel test sur n importe quel HPLC. De ce fait il est indispensable de dégager en premier lieu toutes les combinaisons possibles. Prenons l exemple de trois produits et deux machines. Tableau 2: Table de compatibilité ressources-tâches Posons la fonction Fcomp(x) telle que x est une machine HPLC et Fcomp(x) égale aux nombres de produits susceptibles d être tester (de s exécuter) sur la machine x. Nous obtenons alors : Ligne 1 correspondant aux compatibilités du produit P1 Lot1 avec les HPLC 1 & 2 nous avons une seule compatibilité; Donc Fcomp(P2)=1 Ligne 2 correspondant aux compatibilités du produit P2 Lot1 avec les HPLC 1 & 2 nous avons une seule compatibilité; Donc Fcomp(P2)=1 Ligne 3 correspondant aux compatibilités du produit P3 Lot1 avec les HPLC 1 & 2 nous avons deux compatibilité; Donc Fcomp(P3)=2 b) PARCOURS DE L ESPACE DE RECHERCHE Le problème que nous traitons est un problème d optimisation combinatoire. Nous pouvons rencontrer lors de sa résolution des problèmes d explosion combinatoire (dû à un trop grand nombre de combinaisons à évaluer) et ou à un problème de non-exhaustivité des solutions envisagées. 35

36 Chapitre I : Contexte pratique & problématique Pour notre étude nous parlons d espace de recherche. «L espace de recherche désigne l ensemble des combinaisons de valeurs utilisées pour une représentation de problème» (ARMETTA 2006) Figure 22: Ensemble des affectations possibles Figure 23: Arbre des séquences possibles 36

37 Chapitre I : Contexte pratique & problématique Du fait du changement d outil (voir section 8.2), il s agit de déterminer l ordre de passage des tests. On doit alors dégager l ensemble des listes ordonnées. Pour chaque affectation on doit calculer un ensemble d arrangements possibles. Nous obtenons au final deux configurations d affectations possibles. De là, nous pouvons dégager cinq séquences ordonnées possibles nommées «ordonnancement «Dans (RAPINE 2010), un problème d ordonnancement est défini par : - Un ensemble de ressources (hommes, machines, camions...) - Un ensemble d activités nécessitant ces ressources tâches d un projet, produits, commandes,... Etc. - Des objectifs tels que (Finir au plus vite, ne pas avoir de retard,... Etc.). Il existe dans la littérature de nombreuses méthodes permettant d explorer les ordonnancements (ALOULOU 2006). Voici les principales : - Modélisation mathématique (linéaire, non-linéaire, en nombre entiers...). - Programmation par contrainte. - Méthodes de résolution exacte (Branch and Bound, Programmation dynamique...) - Méthodes de recherche locale (Tabou, recuit simulé, algorithme génétique,...). - Heuristiques (règles de priorité, beam search,...). - Méthodes par décomposition spatiale et/ou temporelle. - Méthodes hybrides. c) EVALUATION Apres avoir identifié toutes les séquences possibles, il faut les évaluer. Plusieurs paramètres peuvent ainsi entrer en ligne de compte. Voici une liste non-exhaustive des paramètres incorporés lors de l évaluation : i. Priorité : Donne la priorité fixée pour le produit. ii. iii. iv. Avancement global : Taux des tests terminés sur le nombre total de tests. Coût : Estimation du coût du test d un produit donné sur une machine donnée. Temps d attente moyen : Estimé pour tous les tests sur toutes les machines. v. Temps d exécution global : Estimé pour tous les tests sur toutes les machines. 37

38 Chapitre I : Contexte pratique & problématique vi. Risque : Taux succès/échecs pour le test d un produit donné sur une machine donnée. Nous remarquerons que l introduction de paramètres tels que l avancement global ou le coût constitue une extension de la vision du problème vers les autres phases de la vie du produit (voir Figure 21). Ainsi il ne s agit plus d évaluer un test indépendamment des autres phases. Pour illustrer ce propos posons la question «A quoi bon faire passer le test d un produit à forte priorité au détriment de tâches à la priorité plus modeste si son test microbiologique de deux semaines vient à peine de débuter?» d) INCIDENCE DE L ORDRE Afin de bien illustrer l ordonnancement des tests d HPLC. Prenons un cas qui semble assez simple de prime-abord. Nous avons : Une seule machine HPLC. Deux échantillons du produit P1 pour analyse. Un échantillon du produit P2. I. SCENARIO 1 Le diagramme de GANTT ci-dessous illustre les temps d exécution des tests pour la séquence P1 P2 P1. Et ce, en prenant en considération les temps de phase mobile causés par les changements de colonne. Figure 24: Digramme de GANTT pour le scénario 1 38

39 Chapitre I : Contexte pratique & problématique II. SCENARIO 2 Pour ce deuxième exemple nous allons prendre la séquence P1 P1 P2 sans modifier les durées des tests et des phases mobiles. Nous obtenons alors ce second diagramme de GANTT. Figure 25: Digramme de GANTT pour le scénario 2 III. RESULTATS En effectuant une rapide comparaison, il est évident que le changement d outil, dans notre cas le changement de colonne, affecte le temps final des tests d une heure (gain d approximativement 19%). Ce résultat montre tout le potentiel de l optimisation de l ordonnancement. Scénario 1 Scénario 2 Arrivée Fin P1 (1) 00h00 1 h 30 P1 (2) 00h00 3 h 30 P2 00h00 5 h 30 Arrivée Fin P1 (1) 00h00 1 h 30 P1 (2) 00h00 2 h 30 P2 00h00 4 h 30 Tableau 3 : Déroulement des deux scenarios Scénario 1 Le temps d attente moyen = 210 minutes (3 H 30) Scénario 2 Le temps d attente moyen = 170 minutes (2 H 50) Tableau 4 : Les temps d attentes moyens 39

40 Chapitre I : Contexte pratique & problématique 9. CONCLUSION Dans ce chapitre nous avons introduit les activités de l entreprise. Nous posons notre problématique comme étant une suite de problèmes que le produit doit franchir. Si l on veut maitriser le cycle de vie du produit, ce dernier doit être à même d enchainer une succession d étapes. La notion d intelligence vient ici pour faciliter et optimiser les activités de bout en bout de la vie du produit. Il existe différentes méthodes et concepts qui ont pour but d aider à atteindre cet objectif. Dans le chapitre suivant nous allons explorer le paradigme du pilotage de cycle de vie et des produis intelligents en décrivant un état de l art. 40

41 Chapitre II : Etat de l art PLM & Produit intelligent CHAPITRE II : ETAT DE L ART SUR LA GESTION DE CYCLE DE VIE DE PRODUIT & PRODUIT INTELLIGENT 1. INTRODUCTION Le premier chapitre a permis d introduire les principales notions de gestion et de pilotage de production. Nous avons aussi posé une problématique propre à l industrie pharmaceutique. Nous avons cité l approche de gestion de cycle de vie comme une solution globale. Le PLM (voir définition ci-après) se présente comme une démarche permettant de répondre aux exigences multiples et parfois contradictoires des activités industrielles. Nous allons en présenter un état de l art dans un premier temps ; puis nous allons nous intéresser aux différentes solutions dites de «Produits intelligents» afin de voir les différentes typologies et applications possibles. 2. GESTION DU CYCLE DE VIE DE PRODUIT Le Product Lifecycle Management que l on peut traduire littéralement par «gestion du cycle de vie du produit» est un concept qui fait référence à un ensemble d activités ayant pour but de prendre en charge la définition d un produit tout au long de son cycle de vie (ORACLE 2008). Depuis la création de la première définition lors de l offre ou de la phase de conception, jusqu à la fin de vie du produit. Tout en assurant bien entendu les multiples évolutions que va connaitre la définition du produit. 41

42 Chapitre II : Etat de l art PLM & Produit intelligent 2.1. Définition Dans (MARIN 2009), Le PLM se définit comme étant «un ensemble de technologies supporté par des processus et animé par des équipes. C'est une approche stratégique, permettant de soutenir la création et la gestion des actifs intellectuels des produits, depuis l'idée jusqu'à la fin de vie.» Le PLM peut être divisé en deux parties qui souvent se chevauchent au sein d'une même entreprise: i. La création de l'information: principalement édité par les acteurs du monde de la conception virtuelle (PTC, Dassault systèmes, Siemens PLM...etc.) Nous pouvons alors parler d'innovation produit (Historiquement les plus impliqués sont les secteurs de l'automobile et de l'aéronautique). ii. La gestion de l'information: permet de suivre les flux physiques des produits. Soutenus par les éditeurs de solution ERP (Entreprise Ressource Planning tel que SAP, ORACLE...etc.) ; nous parlons alors d'innovation processus Les activités du PLM se chevauchent alors avec des solutions CRM 8 et SCM 9. Figure 26: Relation entre les différentes solutions d entreprise (CIMdata, Inc 2002) 8 C.R.M : Customer Relationship Management 9 S.C.M : Supply Chain Management 42

43 Chapitre II : Etat de l art PLM & Produit intelligent 2.2. Historique Selon (DEBAEKER 2008) l histoire des PLM peut se résumer en trois grandes périodes : i. Dès les années 80 la conception devient de plus en plus "virtuelle" surtout pour la mécanique, l'électronique, l'électricité...etc.), notamment par le développement de la CAO ainsi que de la simulation numérique. Les premiers «Systèmes de Gestion des données techniques» voient le jour. Ces derniers permettent la collaboration entre les utilisateurs d un même bureau d études(*). Figure 27 Les SGDT dans les années 80 ii. Tout s accélère au début des années 90 avec l'avènement de l'internet ainsi que de la mondialisation et le développement des réseaux informatiques en général bouleverse les périmètres géographiques. Les SGDT de nouvelle génération s appuient sur les réseaux et permettent une collaboration étendue au sein de l entreprise. Figure 28 Les SGDT dans les années 90 iii. Dans les années 2000 les solutions d entreprise sont enrichies de fonctionnalités permettant les échanges industriels à travers la planète ; partenariat entre (DENIS et GULATI 2009) constructeurs, intégration en amont des fournisseurs, intégration en aval jusqu au client final. Il est important de noter que ce n est qu à cette période que nous pouvons parler réellement de PLM suivant la définition «Gestion des informations techniques de l entreprise étendue permettant l échange et le partage d informations (en interne et vers l extérieur), sur l ensemble du cycle de vie». 43

44 Chapitre II : Etat de l art PLM & Produit intelligent 2.3. Les trois phases du PLM Figure 29 Naissance des premières solutions PLM Le modèle PLM se propose de décomposer le cycle de vie d un produit en trois phases : I. Beginning of life (BOL):Le début de vie du produit rassemble l ensemble des activités de conception, de design et de production. Notons que c est pendant ces deux étapes où la définition du produit est la plus à même de changer. II. III. Middle of life (MOL): Cette phase concerne la consommation du produit. End of life (EOL): Le «end-of-life» qui se traduit par fin de vie prend en charge la partie destruction, réutilisation ou recyclage du produit. 44

45 Chapitre II : Etat de l art PLM & Produit intelligent 2.4. Les données en PLM Figure 30: Concept général du PLM Dans (Yang 2009), on peut classer les données des PLM en deux catégories : a) DONNEES STATIQUES Ce sont les données relatives à la spécification du produit. Ils donnent toutes les informations sur les matériaux, les composants utilisés ainsi que les options de configuration et les instructions opératoires. Ces données sont créées au début du cycle de vie du produit et ne change que très rarement durant le cycle de vie. Ils incluent généralement : Identification spécifique des composants, matériaux sensibles et ou dangereux, composition des matériaux, séquences d assemblage (ex : ordres opératoires et outils) et les informations sur le recyclage. 45

46 Chapitre II : Etat de l art PLM & Produit intelligent b) DONNEES DYNAMIQUES Essentiellement utilisées pendant la distribution, l utilisation et la fin de vie. De façon générale, ils renseignent des données tels que l état, la localisation (ex : coordonnées GPS) Etc. ce sont des informations qui changement durant l utilisation et la destruction du produit. Figure 31: Codage des informations en PLM 3. LE PLM EN INDUSTRIE PHARMACEUTIQUE Le laboratoire pharmaceutique étant avant tout une entreprise commercial, on peut résumer ses objectifs à la minimisation du temps et du coût d une part, et à la maximisation de la qualité d autre part. La mise en place d une stratégie de gestion de cycle de vie d un produit permet de décloisonner les différentes activités. De plus, elle permet d apporter de réelles réponses aux défis rencontrés Besoins industriels Dans le contexte actuel, l industrie a besoin de nouveaux outils d analyse de performance. En effet les industriels doivent être en mesure de contrôler les performances de toute la chaine de production. Grâce à de tels indicateurs, ils sont en mesure d augmenter l efficacité de la production. Il est ainsi possible de réagir plus rapidement en améliorant le contrôle et la régulation. 46

47 Chapitre II : Etat de l art PLM & Produit intelligent Figure 32: Taux de réussite de mise sur le marché de nouveaux produits (DENIS et GULATI 2009) Nous pouvons aussi citer comme besoins industriels : Une collaboration automatisée et centralisée. Un transfert de technologie et une gestion de connaissance. Une bonne gestion du risque La garantie de conformité aux normes établies Besoins scientifiques et technologiques en pharmaceutique a) TRAÇABILITE Le terme traçabilité relative au produit fut défini dans les années 90. Toute une série de besoins industriels fut mise en évidence lors de l établissement de la norme ISO Généralement la traçabilité est la possibilité donnée à un utilisateur (fabricant, vendeur, fournisseur etc.) à reconstituer le tracé d un produit durant son processus. Plus concrètement, La traçabilité consiste à maintenir un enregistrement des informations de tous les matériaux et composants Durant tout le cycle de vie (ex : depuis l achat des matières premières jusqu à la vente du produit fini) et ce en utilisant une identification codée. La traçabilité est un des axes du PLM dans la mesure où c est une approche centrée sur le produit. Les informations sont ainsi accessibles et gérées tout au long du cycle de vie. Enfin, la traçabilité est définie dans (MOE 1998) comme étant «La capacité qu une personne a à suivre le produit et son historique à travers une partie ou tout au long de son transport, stockage, processus, distribution et vente ou tout au moins durant une étape de la chaine de production. 47

48 Chapitre II : Etat de l art PLM & Produit intelligent b) AUTRES BESOINS Grâce à des Plateformes de collecte de données, les acteurs des phases de développement et de conception doivent connaitre : L impact de leurs choix et décisions sur la qualité Les informations sur les équipements de laboratoire et de production. Les données de commercialisation et de changement d échelle (faisabilité). Données scientifiques portant sur : la purification, la stabilité etc. Les ressources disponibles. Les procédures et méthodes pour le développement / production Le PLM en quelques chiffres Actuellement l approche PLM s étend à de plus en plus de secteurs ; Et ce principalement pour ce qu elle apporte en termes de gains de temps et d innovation. En effet, cette approche séduit par sa contribution à l'innovation. Elle permet des cycles de développement de plus en plus court ainsi que la généralisation des outils de travail collaboratif encourageant de fait la coconception étendue. «Les entreprises investissent pour atteindre une meilleure capitalisation et gestion de la connaissance.» (ELLERY 2009). Figure 33 Investissement PLM annuel en million de dollars US Source CIMdata PLM Market Growth

49 Chapitre II : Etat de l art PLM & Produit intelligent 4. APPORTS DES PRODUITS INTELLIGENTS AUX PLM Ces dernières années, de plus en plus d entreprises optent pour une solution PLM. La plus part des offres se présentent sous-forme d un ensemble de logiciels et progiciels de gestion. Toutefois, dans ce travail, nous proposons l approche PLM comme étant une vision de «décloisonnement» des différentes phases du cycle de vie. L idée est de se baser sur les techniques dites de produit intelligent pour atteindre cet objectif global. Nous tentons ici d allier les avantages du PLM à la puissance offerte par les techniques d intelligence artificielle tels que les produits intelligents Définition du produit intelligent (PI) «En général, le produit actif ou intelligent est capable de générer automatiquement de l information» (SALLEZ et al. 2010). Les «P.I» sont considérés comme tels du moment qu ils agissent intentionnellement sur leur environnement. «Ainsi, ils effectuent directement des demandes aux ressources de «Productrices» appropriées. Exemples : une voiture demande au conducteur un changement de frein. Une machine à café demande à son opérateur de maintenance un réapprovisionnement en matières premières ou encore un logiciel peut demander à l utilisateur de faire une mise à jour» (SALLEZ 2010) Classification des produits intelligents Il existe actuellement beaucoup de concepts gravitant autour des produits intelligents. Nous avons retenu une typologie basée sur quatre axes permettant de situer le produit intelligent (ZBIB 2010). Cette classification reprend les trois axes (MEYER & al. 2009) qui sont : le degré, la localisation et le niveau d agrégation de l intelligence du produit intelligent enrichie d un quatrième axe renseignant sur la phase du cycle de vie. a) DEGRES D INTELLIGENCE Divisé en cinq classes, le degré d intelligence correspond au niveau d intelligence dont fait preuve le produit. I. PRODUIT DIT PASSIF «PPF» : Ce type de produit est sans doute le plus répandu parce que le plus rudimentaire des produits intelligents. Un identificateur souvent noté «ID» 49

50 Chapitre II : Etat de l art PLM & Produit intelligent permet de l identifier de façon unique et ainsi d en déduire des informations statiques. Cette classe est considérée comme passive puisqu il ne peut ni répondre à des requêtes de son environnement ni prendre l initiative en envoyer. II. PRODUIT INFORMATIONNEL «PIL» : Cette classe regroupe les produits physiques équipés de mémoire. Cette mémoire peut alors être utilisée pour lire et y inscrire des données dynamiques. Ces données sont alors exploitées tout à long de la vie du produit. III. PRODUIT DECLENCHEUR «PDR» : Ces produits sont capables d envoyer des signaux sous forme de message par exemple ou encore, de déclencher des alarmes sonores pour avertir d un dépassement de date de péremption. Ainsi les produits déclencheurs sont considérés comme actifs puisqu ils «décident» de communiquer avec leur environnement sur leur état. Notons qu ils ne peuvent pas influer plus que cela sur le processus décisionnel. IV. PRODUIT DECISIONNEL «PDL» : «Ces produits peuvent être considérés à la fois comme demandeurs mais aussi comme fournisseurs de services pour les entités de l environnement» (BAJIC & RAMIREZ 2005). Dotés de capacités de traitement de l information, ils sont aptes à «décider» partiellement ou entièrement de la suite de leur cycle de vie. Par exemple en décidant de leur cheminement sur les chaines de montage. V. PRODUIT ACTEUR PHYSIQUE «PAP» : Cette classe regroupe les produits dotés du plus haut niveau d intelligence. Non seulement ils ont les mêmes propriétés de traitement d information que la classe «décisionnel» mais ils sont en plus dotés de capteurs et d actionneurs leur permettant d agir physiquement sur leur environnement. 50

51 Chapitre II : Etat de l art PLM & Produit intelligent b) LOCALISATION DE L INTELLIGENCE En ce qui concerne se présenter : la localisation de l intelligence, deux cas peuvent I. INTELLIGENCE EMBARQUEE : Le produit possède physiquement une unité de traitement de données pouvant exécuter l entité informatique qui représente le produit. II. INTELLIGENCE DISTANTE L intelligence se situe à distance du produit. Ce cas est le plus couramment rencontré. L entité informatique qui représente le produit s exécute sur un ordinateur personnel par exemple et n a pas besoin d accompagner physiquement le produit. c) NIVEAU D AGREGATION Cette caractéristique introduite dans (MEYER & al. 2009) permet de définir deux types d agrégations: I. ITEM INTELLIGENT «II» : Le produit ne gère que ces propres informations et décisions. S il est lui-même composé d autres éléments, ces derniers ne peuvent à leur tour être considérés comme des produits intelligents. II. CONTENEUR INTELLIGENT «CI» : Les produits considérés comme étant des conteneurs intelligents sont des produits actifs pouvant eux-mêmes être récursivement composés de produits actifs ou passifs. Cette dimension peut être décrite en utilisant l approche holonique. d) PHASE DU CYCLE DE VIE Notons que pour le cycle de vie nous avons retenu trois grandes phases I. BEGINNING OF LIFE (BOL) A cette étape le produit est encore à la phase de conception. Il peut être représenté par exemple sous forme de maquette, formule ou 51

52 Chapitre II : Etat de l art PLM & Produit intelligent autre document conceptuel. Durant cette phase la définition du produit a tendance à évoluer. La phase d usinage et de fabrication est aussi considérée comme faisant partie du début de la vie du produit. II. MIDDLE OF LIFE (MOL): Durant cette phase le produit est alors distribué, commercialisé et consommé par le destinataire final. III. END OF LIFE (EOL): Les produits arrivant à cette dernière étape sont soit détruits soit recyclés pour être réintroduits partiellement ou entièrement dans un nouveau cycle de vie. Figure 34: Classification des produits selon quatre critères 5. DIFFERENTS CONCEPTS DE PRODUIT INTELLIGENT Dans la littérature on trouve plusieurs modèles de produits intelligents. Dans cette section nous allons présenter les principaux modèles existants en milieu industriel Produit actif de BRUN PICARD En 1997, BURUN PICARD propose un modèle d agent qu il qualifie «d actif». Les entités basées sur ce modèle doivent communiquer, décider et négocier des ressources dans un contexte manufacturier. Afin de reprendre notre classification, il s agit d un produit décisionnel doté d une intelligence distante. 52

53 Chapitre II : Etat de l art PLM & Produit intelligent Figure 35: Produit actif ( (BRUN PICARD et al. 1997) et sa classification Il est définit comme étant un «Item Intelligent» et il est conçu pour la phase de Beginning of life. Les figues présentent le modèle ainsi que sa classification. Le produit actif de Produit actif de Brun picard propose quatres modules : i. Communication : Assure l echange d information inter-entités. ii. iii. iv. Décision : coordone les actions du produit face aux évenements innatendus. Action : met en œuvre les actions décidées par le module décisionel. Base de données : Permet l accès aux informations du produit. Figure 36: Classification du produit actif ( (BRUN PICARD et al. 1997) 53

54 Chapitre II : Etat de l art PLM & Produit intelligent 5.2. Produit intelligent Mc FARLANE Une autre définition fut apportée dans (MC FARLANE & al. 2002). Il s agit d une représentation à la fois physique mais aussi informationnelle d un objet ayant comme caractéristiques : - Possède une identification unique. - Peut communiquer avec son environnement. - Doté de fonctions de mémorisation des données. - Dispose d un langage pour formuler ses besoins tout au long du cycle de vie. - Capable de prendre des décisions relatives à son propre destin et de participer à d autres types de décisions. On peut identifier deux niveaux de produit intelligent d après Mc FARLANE: a) PRODUIT INFORMATIONNEL Ce type de produit est capable de surveiller son environnement, de procéder à des analyses et de résonner sur son état actuel et/ou futur. Figure 37 Classification du produit informationnel (MC FARLANE & al. 2002) 54

55 Chapitre II : Etat de l art PLM & Produit intelligent b) PRODUIT DECISIONNEL La figure ci-dessous montre un exemple de produit décisionnel doté d un agent décisionnel distant. Figure 38: Produit intelligent avec agent de décision (MC FARLANE & al. 2002) Ce deuxième niveau est une extension du premier. En effet, le produit dit décisionnel est un produit informationnel avec en plus une capacité de prendre des décisions afin d influencer son propre destin. Figure 39: Classification du produit avec agent de décision (MC FARLANE & al. 2002) 55

56 Chapitre II : Etat de l art PLM & Produit intelligent 5.3. Produits intelligents de BAJIC a) OBJET PORTEUR DE DONNEES Figure 40: Exemple d objets porteurs de données Ce type de produit intelligent est le plus minimaliste. Il a la faculté de mémoriser des informations de base accessibles depuis l extérieur. Il s appuie sur des technologies de type code barre par exemple. Figure 41: Classification de l objet porteur de données (BAJIC & RAMIREZ 2005) 56

57 Chapitre II : Etat de l art PLM & Produit intelligent b) OBJET POINTEUR VERS UN SYSTEME D INFORMATION Comme représenté dans la Figure 42, l objet pointeur vers un système d information est identifié grâce à la technologie RFID 11. Une image virtuelle représentant cet objet existe dans le système d information. Figure 42: Objet pointeur vers un système d information (BAJIC 2004) L objet physique peut ainsi pointer sur cette image virtuelle mais ne peut agir sur d autres entités. Figure 43: Positionnement de l objet pointeur vers un système d information (BAJIC 2004) 11 Radio Frequency IDentification 57

58 Chapitre II : Etat de l art PLM & Produit intelligent 5.4. Objet demandeur et/ou fournisseur de services Ce type d objet a un double rôle, à la fois actif et passif : - Actif lorsqu il demande des services aux acteurs - Passif lorsqu il se contente de répondre aux ordres des autres acteurs. Figure 44: Objet demandeur et/ou fournisseur de services (BAJIC 2004) Figure 45: Classification Objet demandeur et/ou fournisseur de services 58

59 Chapitre II : Etat de l art PLM & Produit intelligent 5.5. Objet communicant sensitif Ce sont des objets ayant pour caractéristiques de pouvoir à la fois: 1. Communiquer avec d autres entités ; 2. Traiter les données de façon locale ; 3. Acquérir des informations sur son environnement à l aide de capteurs. Figure 46: Positionnement de l objet communiquant sensitif 5.6. Produit actif dans un environnement d intelligence ambiante Ce type de produit vient plus récemment pour enrichir la définition initiale de BAJIC. En effet dans (BAJIC & DOBRE 2008), on propose une application du principe de produit actif aux activités de stockage de matériaux dangereux. 59

60 Chapitre II : Etat de l art PLM & Produit intelligent Figure 47: Produit actif en environnement d intelligence ambiante (BAJIC & DOBRE 2008) Cet ensemble d interactions entre les produits et les opérateurs humains...etc. permet de parler de sécurité active. En cas de non-respect du protocole de stockage, par la mise en présence de deux produits susceptibles d exploser. Par exemple, les produits déclenchent une alarme de sécurité. Figure 48: Positionnement du produit en environnement d intelligence ambiante 60

61 Chapitre II : Etat de l art PLM & Produit intelligent 6. SYNTHESE DES TRAVAUX «PRODUIT INTELLIGENT» Le tableau ci-dessous reprend les différents produits intelligents vus jusqu ici. Il permet de les classer selon le degré d intelligence, le niveau d agrégation ainsi que la localisation de l intelligence. Source Année Désignation Degré d intelligence Agrégation Localisation de l intelligence ZBIB 2010 produit actif/intelligent Décisionnel Item intelligent Embarquée DOBRE & BAJIC 2008 Produit actif dans un environnement d intelligence ambiante Acteur physique Conteneur intelligent Embarquée Objet de donnée porteur Passif Item intelligent X BAJIC 2004 Objet pointeur vers un système d information Objet demandeur et/ou fournisseur de services Informationnel Informationnel Item intelligent Item intelligent X Distante Objet communicant sensitif Acteur physique Item intelligent Embarquée MACFARLANE 2002 Produit informationnel Informationnel Item intelligent Distante BRUN PICARD 1997 Produit actif Décisionnel Item intelligent Distante Tableau 5 : Tableaux synthétique des différents produits intelligents 61

62 Chapitre II : Etat de l art PLM & Produit intelligent 7. CONCLUSION Dans ce chapitre, nous avons expliqué que le PLM est plus qu une simple application à déployer. Il consiste en une réelle stratégie pour guider les activités de l entreprise. Sur un second plan, l informatique ubiquitaire 12 apporte aux produits intelligents des plateformes permettant leurs mises en place. Nous basant sur ces deux aspects, nous allons proposer une approche permettant de poser les premières bases d une gestion de cycle de vie à base de produit intelligent. A présent que nous avons décrit le paradigme des systèmes multiagents, Nous allons nous intéresser à notre problématique d une façon plus spécifique. Nous verrons ainsi émerger les avantages d une approche basée sur un modèle de produits intelligents. 12 Appelée aussi informatique pervasive ou ambiante 62

63 Chapitre III : Spécification et modélisation d une solution à base de SMA CHAPITRE III : SPECIFICATION ET MODELISATION D UNE SOLUTION A BASE DE SMA 1. INTRODUCTION Notre modèle se doit de répondre aux problématiques posées par notre cas pratique. L objectif est d apporter un modèle de produit intelligent à même de satisfaire les contraintes du test d HPLC, tout en prenant en compte les autres étapes que connait le produit. Cet impératif découle du fait que les tests en laboratoire et les autres opérations de production sont souvent simultanés et interdépendants. Parmi les nombreux outils de développement et de conception existants, nous avons opté pour une approche basée sur les systèmes multiagents. Etant positionné sur une solution à base de produits intelligents, les agents semblent être la solution la plus indiquée et la plus naturelle pour implémenter notre entité intelligente. 2. L AGENT INFORMATIQUE D après (FINNVEDEN 2009), un agent est une entité (physique ou abstraite) caractérisée par le fait qu'elle est autonome dans la prise de décision, par ses connaissances sur elle-même et sur les autres, et par sa capacité d'agir. Ce peut-être un processus (en gestion des processus dans les systèmes d'exploitation), un robot (dans un environnement industriel), un être humain (en sociologie) etc. 63

64 Chapitre III : Spécification et modélisation d une solution à base de SMA 2.1. Définition de l agent informatique «Un agent est une "entité computationnelle", comme un programme informatique ou un robot, pouvant être comme percevant et agissant de façon autonome sur son environnement» (WEISS 2001). Il nous faut en premier lieu comprendre la notion d'agent avant d'aborder les différents types existants. Dans (BAJIC 2004), on appelle «agent» une entité physique ou virtuelle qui: - est capable d'agir dans un environnement ; - peut communiquer directement avec d'autres agents ; - est mue par un ensemble de tendances (sous la forme d'objectifs individuels ou d'une fonction de satisfaction, voire de survie, qu'elle cherche à optimiser) ; - possède des ressources propres ; - est capable de percevoir (mais de manière limitée) son environnement ; - possède des compétences et offre des services ; - peut éventuellement se «reproduire» ; - à un comportement qui tend à satisfaire ses objectifs, en tenant compte des ressources et des compétences dont elle dispose, et en fonction de sa perception, de ses représentations et des communications qu'elle reçoit. Figure 49: Principe de fonctionnement d un agent Chacun des termes de cette définition est important. Une entité physique est quelque chose qui agit dans le monde réel : un robot ou une voiture sont des exemples d entités physiques. En revanche, un composant logiciel, un module informatique sont des entités virtuelles, car elles n existent pas physiquement. «Les agents sont capables d agir, et non pas seulement de raisonner comme dans les systèmes d IA classique.» (SERGIO 2007) L action, qui est un concept fondamental pour les systèmes multiagents, repose sur 64

65 Chapitre III : Spécification et modélisation d une solution à base de SMA le fait que les agents accomplissent des actions qui vont modifier l environnement des agents et donc leurs prises de décisions futures. Ils peuvent aussi communiquer entre eux, et c est d ailleurs là l un des modes principaux d interactions existant entre les agents. Ils agissent dans un environnement, sauf, pour les agents purement communicants pour lesquels toutes les actions se résument à des communications Spécificités d'un agent informatique i. Un agent est une entité autonome mais fortement dépendante des autres. Cela signifie qu il n est pas dirigé par des commandes venant de l utilisateur (ou d un autre agent), mais par un ensemble de tendances qui peuvent prendre la forme de buts individuels à satisfaire ou de fonctions de satisfaction ou d optimisation. ii. iii. Un agent communique à l'aide de messages, ou par partage d'informations. Les agents peuvent être spécialisés: Un agent ne sait pas faire beaucoup de choses mais ce qu'il sait faire, il le fait vite et bien et le met en commun avec les autres agents Classification des agents Partant de la définition que donne (FERBER 1998) d'un agent logiciel, on peut définir cette entité comme un système informatique situé dans un environnement, capable de mener de manière autonome des actions sur cet environnement en vue d'accomplir ses objectifs, possédant en plus les propriétés de : i. Réactivité : il perçoit des stimuli provenant de son environnement et réagit en fonction de ceux-ci. ii. Proactivité : il est mû par un certain nombre d'objectifs qui guident ses actions. iii. Sociabilité : il communique avec d'autres agents ou des humains et peut se trouver engagé dans des transactions sociales (négocier ou coopérer pour résoudre un problème) afin de remplir ses objectifs Les experts des systèmes multiagents ont classifié ces derniers en deux grandes catégories selon un critère essentiel qui est la représentation de son environnement : agents «réactifs» et agents «cognitifs». Une troisième catégorie en découle : Ce sont les systèmes dits «hybrides». 65

66 Chapitre III : Spécification et modélisation d une solution à base de SMA a) AGENTS REACTIFS On parle ici de système intelligent d'agents. Les agents sont simples et ne possèdent pas une représentation de leur environnement, ni de mémoire; ce qui les prive d'apprentissage et de toutes anticipations aux évènements. Ils sont caractérisés par l'absence de structures organisationnelles initiales prédéfinies ; d'où les agents agissent naturellement au moment où l'action est nécessaire. Leur comportement est de type «stimuli - réponses». Figure 50: Structure d'un agent réactif dans un environnement multiagents b) AGENTS COGNITIFS On parle ici de système d'agents intelligents. Les agents cognitifs sont plus évolués. Ils résultent des recherches menées dans le domaine de l'intelligence artificielle. Ils possèdent une représentation globale de leur environnement et des agents avec lesquels ils communiquent, ils tiennent aussi compte de leurs actions antécédentes. Chaque agent possède une base de connaissances comprenant l'ensemble des informations nécessaires à l'accomplissement de sa tâche, ainsi qu'à l'interaction avec l'environnement et les autres agents. Figure 51: Structure d'un agent cognitif dans un environnement multiagents 66

67 Chapitre III : Spécification et modélisation d une solution à base de SMA Les Systèmes multiagents constitués d'agents cognitifs comptent généralement un petit nombre d'agents «intelligents», exigent des ressources plus importantes que les agents réactifs, et permettent de résoudre des problèmes plus complexes. c) AGENTS HYBRIDES Ce type d'architecture combine les agents réactifs et cognitifs, qui sont généralement distribués sur plusieurs niveaux ou couches. La couche de haut niveau, délibérative, rassemble des agents purement cognitifs, s'occupe du raisonnement et de la prise de décision du système. La couche de bas niveau ne rassemble que des agents réactifs qui exécutent généralement des tâches élémentaires sous les ordres de la couche supérieure ou par leurs propres initiatives. Là où les couches intermédiaires, peuvent regrouper les deux types d'agents (réactif et cognitif), le nombre de couches intermédiaires dépend du modèle du système à concevoir Propriétés des agents informatiques On retrouve dans la littérature un grand nombre de qualifiants dans le domaine des systèmes multiagents. Nous avons rassemblé les principales propriétés que l on peut attribuer aux agents informatiques ainsi que leurs significations : Propriétés Qualités Signifiants Réactif Stimulable Réagit aux modifications de son environnement Autonome Autorégulation Exerce un contrôle sur ses actions Efficience Proactivité Répond et modifie son environnement Communicatif Diffusion Communique avec d autres agents Cognitif Adaptation Modifie son comportement sur la base d expériences antérieures Mobilité Mouvement Capacité de se déplacer dans un environnement Labilité Individualité «Personnalité» de l agent, état émotionnel Tableau 6 : Description des propriétés d un agent 67

68 Chapitre III : Spécification et modélisation d une solution à base de SMA 3. SYSTEME MULTIAGENTS 3.1. Définitions du système multiagents On appelle système multiagents (ou SMA), un système composé des éléments suivant : - Un environnement E, c est-à-dire un espace disposant généralement d une métrique. - Un ensemble d objets O. Ces objets sont situés, c est-à-dire que, pour tout objet, il est possible, à un moment donné, d associer une position dans E. Ces objets sont passifs, c est-à-dire qu ils peuvent être perçus, créés, détruits et modifiés par les agents. - Un ensemble A d agents, qui sont des objets particuliers (A est contenu dans O), lesquels représentent les entités actives du système. - Un ensemble R de relations qui unissent des objets entre eux. - Un ensemble d opérateurs «Op» permettant aux agents de A de percevoir, produire, consommer, transformer et manipuler des objets de O. - Des opérateurs chargés de représenter l application de ces opérations et la réaction du monde à cette tentative de modification, que l on pourrait appeler «les lois de l univers» sont en fait des représentations imagées par un agent en interaction avec son environnement et les autres agents. Figure 52: Paradigme et composantes d un système multiagents 68

69 Chapitre III : Spécification et modélisation d une solution à base de SMA 3.2. Agents et Systèmes multiagents Un système multiagents est constitué d'un ensemble de processus informatiques se déroulant en parallèle, donc de plusieurs agents vivant au même moment, partageant des ressources communes et communicant entre eux. Le point clé des SMA réside dans la formalisation de la coordination entre les agents : On parle ainsi d'intelligence artificielle distribuée. L'une des grandes sources d'inspiration pour les systèmes multiagents a été l'étude des comportements sociaux de certaines familles d'insectes. Dans ce domaine, on se référera souvent aux articles d Intelligence collective et Intelligence distribuée. Les SMA peuvent être vus comme la rencontre de divers domaines : - l'intelligence artificielle pour les aspects de prise de décision de l'agent. - l'intelligence artificielle distribuée pour la distribution de l'exécution. - les systèmes distribués pour les interactions entre agents. - le génie logiciel pour l'approche agents et l'évolution vers des composants logiciels de plus en plus autonomes Typologie des SMA Les SMA peuvent être partagés en deux types d'architecture en fonction du type de contrôle adopté : a) SMA A CONTROLE CENTRALISE OU A BASE DE TABLEAU NOIR Figure 53: L architecture d un SMA centralisé 69

70 Chapitre III : Spécification et modélisation d une solution à base de SMA Composé de trois éléments : - Les connaissances représentées par les agents. - Le tableau noir qui est une zone de travail commune, dévolue à la transition d'informations entre les différents agents. Chacun peut venir le consulter à sa guise, y prélever et y déposer des objets qu'il peut également modifier. Le tableau structure la modélisation du domaine d'application comme l'espace des hypothèses et des solutions. - Le mécanisme de contrôle concerne les contraintes sur les relations entre les conversations des protocoles qui régissent le système, et auxquels l'agent peut participer simultanément ou successivement. Le SMA à contrôle centralisé possède en outre les propriétés suivantes : Pas de communication directe entre les agents. Interaction via le partage d'un même espace de travail (le tableau noir) ils sont mal adaptés aux SMA large échelle. b) SMA A CONTROLE DISTRIBUE - Le langage d'acteur est la technique la plus utilisée pour la mise en œuvre de ce type d'architecture. Un Acteur regroupe au sein d'une même entité un ensemble de connaissances : Les accointances et un script. Une distribution totale des connaissances et du contrôle est caractéristique des SMA à contrôle distribué : o Traitement local. o Communication entre agents par envoi de messages. Figure 54: L architecture décentralisée 70

71 Chapitre III : Spécification et modélisation d une solution à base de SMA 3.4. Domaines d'application des SMA On distingue généralement multiagents: trois types d'utilisations des systèmes a) LA SIMULATION OU LA MODELISATION DE PHENOMENES COMPLEXES On utilise les SMA pour simuler des interactions existantes entre agents autonomes. Le but est de déterminer l'évolution de ce système afin de prévoir l'organisation finale. Ce qui importe c'est le comportement d'ensemble et non pas le comportement individuel. L'autonomie permet ici de simuler le comportement exact d'une entité. La première simulation utilisant les SMA, et qui d'ailleurs fut la source d'inspiration de ceux-ci est le système MANTA (simulation d'une fourmilière). b) LA RESOLUTION DE PROBLEMES ET PRISE DE DECISION L intelligence artificielle distribuée est née pour résoudre les problèmes de complexité des gros programmes de l'intelligence artificielle : l'exécution est alors distribuée, mais le contrôle reste centralisé. Contrairement aux SMA, où chaque agent possède un contrôle total sur son comportement. Pour résoudre un problème complexe, il est plus simple de concevoir des programmes relativement petits (les agents) en interaction qu'un seul gros programme monolithique. L'autonomie permet au système de s'adapter dynamiquement aux changements imprévus qui interviennent dans l'environnement. Exemple : Minimisation d'impact pour des aménagements. c) LA CONCEPTION DE PROGRAMMES Intégrer un système d'information constitué d'un ensemble d'agents organisés pour faciliter la compréhension et la décision, soit individuelles, soit collectives. Contrairement à un objet, un agent peut prendre des initiatives, refuser d'obéir à une requête, se déplacer... Exemple : Systèmes d'aide à la négociation de projets 3.5. Quelques exemples de SMA Les systèmes multiagents associés à l'intelligence artificielle représentent actuellement un grand domaine d'application et de recherche. Plusieurs systèmes ont été développés, nous présenterons ici quelques-uns tels que : 71

72 Chapitre III : Spécification et modélisation d une solution à base de SMA I. LE SYSTEME MANTA Ce système illustre parfaitement l'intérêt de la modélisation multiagents de type réactif. Il modélise la constitution d'une fourmilière mature à partir d'une ou plusieurs reines, étudie la capacité d'adaptation d'une telle colonie, le mécanisme de polythéisme (division du travail), et la spécialisation des ouvrières. Cette simulation avait vérifié le fait qu'une société d'agents peut bien survivre et s'organiser en se passant de tout système de contrôle centralisé et d'une quelconque organisation hiérarchique. II. LE COMPORTEMENT DE MEUTE Les agents réactifs se montrent capables d'évoluer parfaitement en groupe tout en s'évitant mutuellement, constituant par là une meute aux comportements très souples. Le premier à s'être intéressé à ce comportement est CRAIG REYNOLDS en Il a créé des créatures appelées "Boïds", des agents réactifs capables d'interagir pour réaliser un comportement semblable à un vol d'oiseaux migrateurs, chacun des Boïds se contentant d'appliquer un ensemble de règles comportementales. III. LES SYSTEMES INDUSTRIELS DISTRIBUES Les concepteurs partent de problèmes existants et cherchent à les résoudre avec les techniques d'interaction et de coopération des SMA. IV. APPLICATIONS TEMPS REEL Les agents ont été bien évidemment appliqués au domaine des systèmes temps réel, ce dernier maintien des systèmes à contrainte souple. On voit de plus en plus des systèmes temps réel dit Hard utilisant des agents. V. APPLICATIONS AGENTS POUR LE COMMERCE ELECTRONIQUE Le e-commerce signifie des échanges de produits qui se passent via Internet. Les sites pour les ventes aux enchères, pour les négociations entre les utilisateurs (producteurs/consommateurs) etc. 72

73 Chapitre III : Spécification et modélisation d une solution à base de SMA VI. SYSTEME NETSA POUR LA RECHERCHE D'INFORMATIONS Applications agents pour la Recherche d'informations: Une grande partie des applications de système multiagents est dans le domaine de recherche d'informations. Cette architecture de système multiagents permet la recherche d'informations dans des sources hétérogènes et réparties. Application Fonction PHOENIX Simulation de contrôle de feux de forêts ARCHON Gestion de réseaux électriques SIMDELTA Simulation de gestion de ressources halieutiques SMAALA Aide à la localisation d'infrastructures linéaires SIMPOP Dynamiques urbaines SWARM Simulation d'écosystèmes Tableau 7 : Liste non exhaustive d applications multiagents 3.6. Plateformes multiagents Un certain nombre d environnements de développement a vu le jour ces dernières années. La liste que nous donnons ici est loin d être exhaustive et Internet est riche d'une quantité de travaux importante sur le sujet. Il faut remarquer que la plupart sont développés autour de Java pour profiter notamment des possibilités d interopérabilité offertes par ce langage. Elles sont souvent dédiées à un domaine d application ou à un agent particulier. Plate-forme URL AGLETS FIPA-OS GRASSHOPER JADE JAFMAS JATLITE MADKIT ODISSEY SWARM ZEUS Tableau 8 : Liste non exhaustive des plateformes multiagents En grande majorité, les plates-formes SMA sont issues de projets de recherche, mais on trouve aussi des produits commerciaux. Certains d'entre eux sont orientés vers une communication entre systèmes distribués (par exemple MADKIT, JAFMAS, HIVE), d'autres sont axés vers la construction de modèles de simulation (par exemple SWARM). 73

74 Chapitre III : Spécification et modélisation d une solution à base de SMA 4. DONNEES DU PROBLEME A présent que nous avons décrit le paradigme des systèmes multiagents, nous allons nous intéresser à la problématique d une façon plus spécifique. Nous verrons ainsi émerger les avantages d une approche basée sur un modèle de produits intelligents. Nous en déduirons un certain nombre de contraintes qui consolidera notre modèle d agent et notre choix de plateforme et d implémentation. Objectifs globaux Que cherche-ton? Satisfaire les produits en tests par rapport aux contraintes, en assurant un niveau de sécurité maximum et en augmentant la performance des tests contrôle-qualité. Dynamiser le processus de coopération, augmenter la performance du système global. Sur quoi porte la coopération? Contraintes globales Entités coopérantes Problème de communication? Partage d'information, objectifs locaux et globaux. Nombre de ressources disponibles pour répondre aux besoins en test établies. Taux d achèvement des autres testes. Deux entités minimum (deux produits). Problèmes liés à la dynamique du système d'information et problèmes liés au mode de décision partagés. Autres information Les engagements sont contractualisés ce qui permet de travailler sur des données statiques. Tableau 9 : Données globales Pour notre système, d'autres paramètres doivent être évalués, comme par exemple la capacité des ressources, les durées opératoires et les coûts de production. Cependant la nature hétérogène du système de production rend difficile d établir et d évaluer les règles adéquates (les prix justes) pour obtenir un ordonnancement. 74

75 Chapitre III : Spécification et modélisation d une solution à base de SMA 5. PROBLEMATIQUE DE LA MODELISATION D UN SYSTEME DE PILOTAGE La résolution de problèmes complexes, en particulier pour le pilotage des systèmes de production, conduit à l utilisation conjointe de différents formalismes de modélisation et nécessite souvent une approche par simulation/optimisation pour l évaluation des solutions proposées Définition d un Système Dans Systems Engineering Handbook parut en 2010, le système est définit comme étant «une réalisation artificielle, crée et utilisée afin d offrir des services dans un environnement défini d utilisateurs et/ou de consommateurs. Ces systèmes doivent être configurés avec un ou plusieurs des éléments suivants : matériels, logiciels, êtres humains, processus, procédure (par exemple des instructions opératoires), équipements ainsi que des entités naturelles (eau, organisme, minéraux etc.)» En pratique ils sont considérés comme des produits ou des services. La perception et la définition d un système en particulier son architecture et les éléments qui le composent dépendent de l intérêt et de la responsabilité de l observateur : One person s system of interest can be viewed as a system element in another person s system of interest. Conversely, it can be viewed as being part of the environment of operation for another person s system of interest. (INCOSE 2010) 5.2. Le modèle de résolution Afin d être capable de composer une solution, nous devons nous poser la question de l approche «modèle». Dans ce travail, nous utiliserons une approche rationnelle du modèle. C'est-à-dire que «la vision relationnelle de la construction d un système se retrouve aussi dans le cadre de modélisation sur des catégories de systèmes en conservant les sources structuralistes de la systémique.» (DOBRE 2010). L intérêt de ce cadre unificateur est aussi d expliquer a posteriori l intérêt de certains objets et entités proposés intuitivement. Il en est de même en systémique pour expliquer plus formellement la construction relationnelle d un système (comme par exemple une molécule) à partir d une relation élémentaire (atomique entre Objet Finalisant Environnement) proposée par MAYER en 1995 et illustrée dans la figure page

76 Chapitre III : Spécification et modélisation d une solution à base de SMA Figure 55: Méta modèle élémentaire de construction Système (MAYER 1995) 6. MODELISATION D UN SYSTEME DE PILOTAGE La problématique de la modélisation d un système de pilotage peut être décrite fondamentalement par plusieurs types de contraintes pouvant être déclinées en termes d efficacité d une part et d efficience et de pertinence d autre part : I. - En termes d efficacité : Contraintes provenant de la dynamique et de la complexité des processus opérants considérés par rapport aux objectifs d efficacité recherchés: décider vite «besoin d agir sans délai» ou décider bien «besoin de mieux comprendre la situation» (MESAROVIC ET AL., 1980). - Contraintes résultant de l hypothèse relative à l impossibilité de connaitre, au niveau de détail souhaité, toutes les données ayant attrait au système opérant considéré. Par conséquent, de ne pouvoir prédire, au degré de finesse souhaité, son comportement. II. - En termes d efficience et de pertinence : «Contraintes de rentabilité (retour sur investissement) par rapport aux coûts induits par les activités de modélisation (et de conception) des systèmes qui détermine principalement la performance du couple (système de pilotage, système opérant), et donc, sa mise en place» (TRENTESAUX 2001) 76

77 Chapitre III : Spécification et modélisation d une solution à base de SMA Figure 56: Décomposition systémique d un système de pilotage 7. APPROCHE GENERALE Notre solution propose de résoudre l allocation des machines d HPLC comme première étape d une gestion de cycle de vie. Nous partons du principe qu il faut développer des comportements et des structures de données génériques pour le produit qui pourra alors utiliser ces outils pour résoudre les problèmes qu il rencontrera plus en aval ou plus en amont dans son cycle de vie Fonctions prévisionnelles de gestion de production Selon (DOUMEINGTS 1990), les fonctions classiques associées au niveau prévisionnel sont : La planification: Cette fonction définit le plan directeur qui constitue un compromis entre les objectifs commerciaux, financier et de production. La programmation: Cette fonction élabore à partir du plan directeur un programme prévisionnel de production et calcule l ensemble des besoins en fonction des en-cours et des stocks. L ordonnancement: Cette fonction définit l ordonnancement prévisionnel total dans le cas où celui-ci est nécessaire, dans le cas où aucun ordonnancement n est requis, cette fonction est inexistante). Elle décrit ainsi l utilisation des ressources matérielles et humaines. Les besoins en approvisionnement sont estimés de manière plus fine. 77

78 Chapitre III : Spécification et modélisation d une solution à base de SMA L agencement de ces fonctions permet de définir la gestion prévisionnelle Produit actif Environnement extérieur Figure 57 Fonction de gestion prévisionnelle Nous proposons une distribution de la prise de décision. Celle-ci semble bien adaptée à notre système. Cette approche fait évoluer des entités indépendantes dans un environnement qu elles perçoivent et sur lequel elles peuvent agir. «Ces entités ont un droit d accès aux ressources, un droit d accès mutuel entre elles, un mode de fonctionnement indépendant et doivent se conformer aux règles de fonctionnement du système global. Elles sont motivées par un but précis pour lequel elles existent et peuvent requérir la coopération d autres entités pour atteindre ce but» (BLANC & CASTAGNA 2006) Figure 58: Graphe systémique du produit dit «actif» 78

79 Chapitre III : Spécification et modélisation d une solution à base de SMA La technologie des systèmes multiagents fournit un cadre approprié pour implémenter une telle structure. Les mécanismes de coordination peuvent être de type tableau noir (un espace librement accessible sur lequel chaque entité peut échanger des informations) ou de type protocole de communication direct (exemple: contractnet Protocol) L approche hétérarchique «Le substantif hétérarchie (en anglais, «Heterarchy») et son adjectif hétérarchique (en anglais, «hierarchical») constituent des néologismes à la fois en français et en anglais. Ce terme a été formé à partir de deux termes grecs : Heteros (autre) et Arckhein (commander), signifiant ainsi à l origine commandement par les autres.» (Trentesaux 2002) La première utilisation de ce terme est attribuée à W. S. McMULLOCH dans le domaine biomédical en 1945 dans l objectif de décrire l organisation circulaire dans les réseaux de neurones : soient trois liaisons neuronales A, B C. A influe sur B et B influe sur C. Si A influe sur C, alors A est au sommet de l organisation hiérarchique, si C influe sur A, alors l ensemble forme une organisation hétérarchique, nommée hétérarchie. Depuis, ce terme a été repris et utilisé dans de nombreux domaines, en particulier dans celui de la cybernétique. Dans tous les cas, l'hétérarchie renvoie à l'idée d'acteurs différents qui assument, en collégialité, la coordination d'une action collective donnée et s oppose par essence au terme hiérarchie. Figure 59: Hiérarchie et hétérarchie dans un système de neurones (McMULLOCH) 79

80 Chapitre III : Spécification et modélisation d une solution à base de SMA 7.4. Avantages du produit actif Nous considérons un système de production composé d un ensemble d agents coopératifs. Le produit actif a la possibilité de répondre par l affirmative ou le refus à des requêtes provenant des autres agents. Il dispose donc d une certaine liberté de manœuvre, ce qui le différencie de tous les concepts semblables, qu ils s appellent «objets», «modules logiciels» ou «processus». L autonomie n est pas seulement comportementale, elle porte aussi sur les ressources : énergie, CPU, quantité de mémoire, accès à certaines sources d informations, etc. Ces ressources sont à la fois ce qui rend l agent non seulement dépendant de son environnement mais, aussi, en étant capable de gérer ces ressources, ce qui lui donne une certaine indépendance vis-à-vis de lui. L agent est ainsi à la fois un système ouvert (il a besoin d éléments qui lui sont extérieurs pour survivre) et un système fermé (car les échanges qu il a avec l extérieur son très étroitement réglementés) Classification du produit développé En résumé, il s agit de développer un produit intelligent qui agira essentiellement en début de vie (BoL). C est un item intelligent avec une intelligence distante : pour des raisons économiques et pratiques nous ne pouvons pas augmenter les boites de médicament des ressources matérielles pour héberger l agent informatique. Notre agent produit sera doté de capacités de traitement de l information, et sera ainsi apte à «décider» de la suite de son évolution. Figure 60: Classification du produit développé 80

81 Chapitre III : Spécification et modélisation d une solution à base de SMA 8. MODELE DE RESOLUTION 8.1. Propriétés du problème Le problème est NP-difficile (au sens fort). De nombreux travaux ont été exécutés sur la complexité des problèmes d atelier. Très peu de problèmes d atelier peuvent être résolus en temps polynomial Limite des autres méthodes Dans notre cas d études et en vue de la durée des tests et du fort l impact de l ordre dans lequel sont exécutées les taches, nous tentons de résoudre le problème en utilisant une énumération totale. Notée que ce type de résolution est parfois délaissé mais il est tout à fait approprié pour notre cas. Et ce, en raison de nombreux avantages qu il offre. a) METHODES APPROCHEES DE RESOLUTION De beaucoup de tentatives de résolution du cas général par algorithme de liste utilisant des règles de priorité ont été proposées. Le principe général de ces algorithmes de listes est le suivant : on ordonnance à chaque instant t où une machine et au moins une tâche sont disponibles La tâche de priorité maximale est conforme à la règle de priorité retenue. Parmi les différentes règles de priorité testées, on peut citer : -FIFO: sélection de l'opération disponible le plus tôt, -SPT: sélection de l'opération de plus petit temps opératoire, -LPT: sélection de l'opération de plus grand temps opératoire, -MTR: sélection de l'opération ayant le plus grand nombre de tâches restant à exécuter dans sa séquence opératoire, -MWKR: sélection de l'opération correspondant à la plus grande quantité de travail restant à exécuter. Dans notre cas de nombreuses contraintes rendent impossible l utilisation de ce genre de méthode. Principalement parce que nous nous trouvons dans un problème aux critères et contraintes multiples. 81

82 Chapitre III : Spécification et modélisation d une solution à base de SMA b) METAHEURISTIQUES Les temps de calcul des métaheuristiques en général nécessitent de nombreux calculs, en particulier au niveau de la fonction d'évaluation. De plus, ils sont le plus souvent difficiles à mettre en œuvre. Des paramètres comme la taille de la population ou le taux de mutation sont parfois difficiles à déterminer. Il faut aussi noter l'impossibilité d'être assuré, même après un nombre important de générations, que la solution trouvée soit la meilleure. On peut seulement être sûr que l'on s'est approché de la solution optimale (pour les paramètres et la fonction d'évaluation choisie), sans la certitude de l'avoir atteinte. Un autre problème important est celui des optima locaux. En effet, lorsqu'une population évolue, il se peut que certains individus qui, à un instant occupent une place importante au sein de cette population, deviennent majoritaires. À ce moment, il se peut que la population converge vers cet individu et s'écarte ainsi d'individus plus intéressants mais trop éloignés de l'individu vers lequel on converge 8.3. Pertinences des méthodes exactes Les ressources sont généralement en nombre et capacité limités, les contraintes nombreuses (respect des délais, précédences entre tâches, etc.). Ceci expliquant pourquoi les problèmes d'ordonnancement sont des problèmes combinatoires souvent très difficiles à résoudre en pratique. En revanche l utilisation de méthode exacte est, non seulement possible en vue des contraintes de temps de résolution (assez larges), mais aussi, puisqu ils permettent une meilleure perception des agents de leur environnement. Cet aspect est lié en grande partie aux structures de données utilisées et qui seront éclaircies dans les sections suivantes Phases de résolution Nous avons décomposé le comportement de l agent en trois «activités». Chaque activité est constituée d un ensemble de procédures : construction, évaluation et exécution. Ces procédures sont elles-mêmes constituées d un ensemble de procédures et de fonctions. 82

83 Chapitre III : Spécification et modélisation d une solution à base de SMA Construction Construction des tables de compatibilité Génération des affectations Génération des ordonnancements Evaluation Evaluation des seuquences. Evaluation des sequence Validation de l'ordonncement Execution Execution et suivie de l'ordonncement Figure 61: Les trois activités du modèle de résolution proposé Afin de mieux démontrer notre solution nous allons traiter le cas suivant : - Deux machines HPLC notées H1 et H2. - Deux échantillons du produit P1 pour analyse. - Un échantillon du produit P2. a) TABLE DES COMPATIBILITES : Du fait de la contrainte de compatibilité produit-ressource, il est indispensable de dégager en premier lieu toute les combinaisons possibles. Nous obtenons alors la table de compatibilité suivante : Tableau 10: Table de compatibilité pour les tests d HPLC Ligne 1 correspond aux compatibilités du produit P1 avec les HPLC 1 et 2 nous avons deux compatibilités; nous posons la fonction Fcomp (produit, ressource) qui est égale à 1 lorsque la ressource peut exécuter le test : Fcomp (P1, H1) =1; Fcomp (P1, H2) =1 Ligne 2 correspond aux compatibilités du produit P2 avec les HPLC 1 & 2 nous avons deux compatibilités. Alors Fcomp prend les valeurs suivantes : Fcomp (P2, H1) =1; Fcomp (P2, H2) =1 Cette structure de données est l une des premières que va construire l agent en récoltant des données de son environnement. 83

84 Chapitre III : Spécification et modélisation d une solution à base de SMA b) GENERATION DES AFFECTATIONS : L application des règles de compatibilité va permettre de dégager les différentes combinaisons possibles selon la figure ci-dessous. Figure 62: Application des règles par L agent P1 Figure 63: Application des règles par l agent P2 84

85 Chapitre III : Spécification et modélisation d une solution à base de SMA Chaque combinaison est composée d autant de listes non-ordonnées qu il y a de machines. Pour chaque liste, il faut alors calculer les arrangements. Le nombre de listes ordonnées revient à calculer le nombre d arrangements de «n» produits parmi «m» machines : Pour «m» machine(s) (représentant nos ressources) et «n» Produit(s), nous avons : Ncomp(n) égal au nombre de ressources sur lesquelles peut s exécuter la tâche n. Ncomp(n)= Le nombre de combinaisons total C pour n produits est défini par la fonction récursive suivante : Soit n produits : C(n) =Ncomp(n) x C (n-1) Avec C(0)=1 Pour chaque couple de règles de compatibilité, il va alors déduire une combinaison. On obtient ainsi C(n) combinaisons. Les résultats sont alors : Figure 64: Application des règles par selon la table de l agent P2 Combinaison 1 : [ (H1: P1,P2), (H2: Ø) ] ; Combinaison 2 : [ (H1: P1),(H2: P2) ] Combinaison 3 : [ (H1: P2), (H2: P1) ] ; Combinaison 4 : [ (H1: Ø), (H2: P1,P2) ] Ce résultat est généré par tous les agents à partir de leurs tables de compatibilité et sont donc identiques puisqu ils issus d un mécanisme déterministe. Nous nommons ces listes ainsi obtenues par «combinaisons» ou «affectations». Ce sont des listes non ordonnées qui préparent la génération de l ensemble des ordonnancements à évaluer. Remarquons enfin que l application des règles (deux à deux pour notre cas) varie selon le nombre de lignes de la table de départ. Des doublons peuvent apparaitre est seront ignorés. 85

86 Chapitre III : Spécification et modélisation d une solution à base de SMA c) GENERATION DES ORDONNANCEMENTS A partir des informations obtenues à l étape précédente, nous pouvons dégager un arbre en calculant les différentes listes ordonnées. On obtient alors l arbre ayant pour feuille l ensemble des ordonnancements possibles. Pour n produits : C(n) =Ncomp(n) x C (n-1) Avec C(0)=1 Figure 65: Arbre des ordonnancements d) EVALUATION PARTIELLE DES FEUILLES Ce mécanisme permet de déterminer des paramètres globaux du système tels que le taux de production ou d établir les dates de fabrication d un produit, en l absence de centralisation de la décision. Les autres classes, c est-à-dire les méthodes élémentaires et les méthodes d'optimisation mathématiques, ont été écartées puisqu elles ne permettent pas d atteindre l objectif fixé dans notre étude. Après avoir identifié toutes les séquences possibles, il faut les évaluer. Afin de distribuer la résolution de cette phase d évaluation ; nous proposons que chaque agent n évaluera que les arrangements où il est en tête de file. Il enverra ainsi le résultat aux autres agents et de même récoltera les résultats des autres agents afin de sélectionner le meilleur ordonnancement. 86

87 Chapitre III : Spécification et modélisation d une solution à base de SMA 8.5. Les Contraintes Plusieurs paramètres entrent ainsi en ligne de compte. Nous apportons une vision assez originale dans la mesure où nous avons intégré des contraintes localement dues au test courant, mais nous avons aussi rajouté une autre catégorie. Cette dernière est due à des contraintes venant d autres phases. Par cette vision plus globale, nous intégrons une vision générale décloisonnée du problème. Cette vision utilise des notions d interdépendances dans le choix de la priorité accordée à un produit. Figure 66: Ensemble de contraintes affectant la procédure décisionnelle du produit 8.6. Les principales variables Nous avons donc trois variables entières x, m et i - 1<x < Nombre d ordonnancement total (X ordonnancements) - 1<m < Nombre de ressources au total (M machines) - 1<i< Nombre de produits au total (N tâches) 87

88 Chapitre III : Spécification et modélisation d une solution à base de SMA Figure 67: Représentation graphique des principales variables 8.7. Fonction objectif La décision consiste à sélectionner la plus petite valeur de la fonction d évaluation que nous avons notée, correspondant à la fonction d évaluation du «x ème» ordonnancement. Cette fonction prend en considération plusieurs facteurs : Priorité : Variable dynamique indiquant la priorité (privilège) du produit Risque : Taux succès/échecs pour le test d un produit sur une machine donnée Coût : Estimations du coût du test d un produit donné sur une machine donnée Temps final : Temps d exécution global estimé de tous les tests sur toutes les machines Une seconde fonction notée f(x, m) permet de calculer la fonction Objectif correspondant à la séquence définie pour une machine m donnée pour un ordonnancement x donné. Pour une séquence de taille K nous avons : ( ) 88

89 Chapitre III : Spécification et modélisation d une solution à base de SMA Note : ɑ et ϐ sont des coefficients permettant de pondérer respectivement, l impact du temps d exécution global, et ou du temps d exécution moyen. Pour un couple (produit, machine) noté (n, m) nous posons les variables suivantes: Variable Pr (n) Rg (n) Rx (n, m) C (n, m) Description Donne la priorité fixée pour le produit n. Type Coefficient de pondération Ratio des Tests terminés sur le nombre total de test à Coefficient effectuer (taux d avancement global) de pondération Ratio succès/échecs pour le test d un produit donné sur Coefficient une machine donnée de pondération Cout d un produit donné sur une machine donnée Pénalité Tableau 11: Variable et pondération ( )) ( ) (( ) correspond au temps d exécution totale des produits (ensemble des tâches i) de la séquence k sur la machine (ressource) numéro m pondérée par le ratio risque et en prenant en compte la pénalité liée au coût. correspond au temps d exécution de la phase mobile du produit i sur la ressource m. Tₓ (i, m) correspond au temps d exécution de la phase d analyse du produit numéro i (tâche i) sur la machine (ressource) numéro m. La forme disjonctive de Tpa(i,x) est la suivante : 89

90 Chapitre III : Spécification et modélisation d une solution à base de SMA Cette fonction permet de prendre compte des critères quantitatifs et offre l avantage via la priorité notée, d intégrer le jugement de l expert. Ce dernier pouvant la fixer dans des cas extrêmes à 0 (priorité absolue). Cette méthode n annule pas la subjectivité des choix de l expert influençant ainsi plus ou moins la solution retenue. Figure 68: Représentation graphique de la fonction dévaluation dans l espace de recherche Jusque-là, l ensemble des agents produits construisent les mêmes structures de données. Les ordonnancements sont constitués de listes ordonnées sans répétions de produits s exécutant sur des ressources distinctes. L évaluation consiste à calculer une fonction d évaluation notée «FVAL(Ord)». 90

91 Chapitre III : Spécification et modélisation d une solution à base de SMA 9. CONCLUSION Ce chapitre décrit un modèle capable de piloter une partie de la production. Les caractéristiques du procédé requièrent une approche capable de lui conférer flexibilité et agilité. Les agents sont définis en s inspirant du modèle de produit actif pour les systèmes hétérarchique. L utilisation d agents permet l encapsulation des modèles de comportement utilisés en particulier pour l allocation et l ordonnancement des ressources. La coordination entre agents-produits est réalisée par le biais de partage d informations et d évaluations. Le comportement du système de pilotage est ainsi obtenu par émergence suite à ces interactions inter produits-actifs. 91

92 Chapitre IV: Implémentation et simulations CHAPITRE IV: IMPLEMENTATION ET SIMULATIONS 1. INTRODUCTION Nous proposons un modèle de produit intelligent implémenté sur des systèmes multiagents (Plateforme JADE) pour assurer la résolution d un problème complexe d ordonnancement rencontré en industrie pharmaceutique. Nous allons, dans ce dernier chapitre, voir plus en détails les méthodes d implémentations utilisées. Nous verrons ainsi comment l utilisation de la plateforme JADE, et plus spécifiquement les mécanismes de comportements des classes «AGENT», nous on permit d implémenter notre produit actif. 2. L ENVIRONNEMENT DE PROGRAMMATION 2.1. L environnement «Eclipse» L environnement Eclipse est un environnement de développement intégré «EDI» (ou IDE en anglais). C est un logiciel regroupant un ensemble d'outils nécessaires au développement des applications dans un langage de programmation JAVA (Sighireanu 2012) Eclipse IDE est un environnement de développement intégré libre (le terme Eclipse désigne également le projet correspondant, lancé par IBM) extensible, universel et polyvalent, permettant potentiellement de créer des projets de développement mettant en œuvre n'importe quel langage de programmation. Eclipse IDE est principalement écrit en Java (à l'aide de la bibliothèque graphique SWT d'ibm), et ce langage, grâce à des bibliothèques spécifiques, est également utilisé pour écrire des extensions. (Wikipedia). 92

93 Chapitre IV: Implémentation et simulations 2.2. La plateforme JADE Le modèle du système multiagents est implémenté sur la plate-forme SMA JADE réalisée en Java, les agents que nous avons créés sont inspirés du modèle Agent Management Référence proposé par FIPA. Figure 69: Architecture de référence de l agent plateforme selon les normes FIPA Ce modèle établit les règles normatives qui permettent à une société d'agents d'inter-opérer. Environnement Figure 70: Architecture de référence de l agent plateforme selon les normes FIPA 93

94 Chapitre IV: Implémentation et simulations 3. L ENVIRONNEMENT EXPERIMENTAL Les expérimentations ont été réalisées sur un ordinateur avec les caractéristiques suivantes : Système d'exploitation indo s 7 Edition Intégrale (X86) Service Pack 1 Processeur Intel CORE i3 370M Cadencé à 2.40 GHz Carte mère Hewlett-Packard F Chipset Mémoire Pont nord : Intel HAVENDALE/CLARKDALE Host Bridge Pont sud : Intel HM55 2 Go de mémoire totale de type DDR3 à MHz BARRETTE RAMAXEL TECHNOLOGY de 2 Go Tableau 12 : Caractéristiques du matériel utilisé pour les expérimentations 4. CREATION DES SCENARIOS Afin de faciliter la création, nous avons développé un outil spécifique à la création de script. Sous forme de petite application, cet éditeur permet de créer un scénario à évènements discrets. Il permet de générer un fichier textuel (enregistrer sous l extension.spt). a) ENTITE PRODUIT L outil permet de retranscrire sous forme de codage les informations sur les entités «Produits» : Numéro de lot. Famille de produit soit 24 molécules. Priorité du produit. Heure d arrivée. Avancement global. 94

95 Chapitre IV: Implémentation et simulations Figure 71: Codage des familles de produits b) ENTITE «RESSOURCE» Permet de définir les compatibilités éventuelles allant de 1 à 24 produits. Il permet aussi de définir pour chaque correspondance un coût d exécution échelonné de 1 à 10 ainsi que des durées allant de 30min à plus de 4heure. Les données ainsi construites seront alors stockées sur un fichier «.spt». Figure 72: Zone dédiée au paramétrage d une ressource 95

96 Chapitre IV: Implémentation et simulations 5. TESTS ET SIMULATION 5.1. Paramètres en entrée Pour ce premier jeu de scénarios nous prenons le cas d un atelier totalement flexible. C'est-à-dire que n importe quel produit peut être testé sur n importe quelle ressource. Nous avons en entrées : 1. Deux ressources portant les PID «0» et «1». 2. Trois produits portant les PID «101», «102» et «103». l arrivé des produits et supposée concomitante. L atelier étant totalement flexible, chaque agent génère la table de compatibilité TCOMP suivante : 5.2. Résultats Tableau 13 : Table des compatibilités pour le scénario a) PARCOURS DE L ESPACE DE RECHERCHE Les structures de données permettent de générer uniquement l'espace de recherche pertinent. Ce qui représente un gain important en termes de ressources et de temps d'exécution. C est ce point qui rend possible l'utilisation d'une méthode exacte. De plus, cette approche de formalisme facilite l'extension à d'autre phase de cycle de vie du produit Nous avons les six valeurs suivantes pour les fonctions de compatibilités: Fcomp (101, 0) =1; Fcomp (101, 1) =1 Fcomp (102, 0) =1; Fcomp (102, 1) =1 Fcomp (103, 0) =1; Fcomp (103, 1) =1 96

97 Chapitre IV: Implémentation et simulations Ncomp(P) égal au nombre de ressources sur lesquelles le produit P peut s exécuter Ncomp(101)= Ncomp(102)= Ncomp(103)= Chaque agent crée alors une table contenant les différentes affectations possible. Cette table est noté «Tcombi». A cette étape de la résolution on ne parle que de combinaison puisqu il s agit jusque-là de listes non-ordonnées. Son contenu peut alors être représenté comme suit : Affectation 1 Affectatio n 2 Affectation 3 Affectation 4 Affectation 5 Affectation 6 Affectation 7 Affectation 8 Ress (vide) Ress.2 (vide) Tableau 14 : Représentation de la table des combinaisons Tcombi La longueur de la table «Tcombi» correspond au nombre de combinaison soit 2³ schémas d affectations possibles. Ce qui donne, coté console, le résultat suivant : Figure 73: affichage des différentes affectations possible sur la console éclipse 97

98 Chapitre IV: Implémentation et simulations b) GENERATION DES AFFECTATIONS Une fonction notée f(p) permet par empilement et appel récursif des créer et de renseigner la table des compatibilités. Figure 74: Création des ordonnancements Tord à partir de Taffect c) GENERATION DES SEQUENCES Pour le premier schéma d affectation, chaque agent va générer une nouvelle table similaire à Tcomp. Cette table est de longueur égale au nombre d affectations possible. On réutilise le même concept que celui de la table de compatibilité remplissant les lignes par des ressources et les colonnes par des arrangements (listes ordonnées) générées à partir des combinaisons respectives des ressources affectation par affectation. 98

99 Chapitre IV: Implémentation et simulations Figure 75: Table des combinaisons Tcombi pour le scénario 1 d) REPARTITION DES EVALUATIONS L agent considère la table à la manière d un ensemble de règle (six pour la première ressource et une seule pour la seconde). Ainsi il procède à l application des règles deux à deux générant ainsi 6 arrangements possibles. Ces résultats sont sauvegardés dans une table «Tordi» contenant tous les ordonnancements. L agent passe alors à l affectation suivante créant un nouveau tableau de compatibilité correspondant et ainsi de suite jusqu à la génération de tous les ordonnancements possibles. 99

100 Chapitre IV: Implémentation et simulations Ordonnancement Ressource 1 Ressource (vide) (vide) (vide) (vide) (vide) (vide) (vide) (vide) (vide) (vide) (vide) (vide) Tableau 15 : Représentation de la table des combinaisons Tordi L évaluation est repartie comme suit : Chaque produit va évaluer l arrangement où il est en tête de liste ; notons que ce choix de critères garantie l équité dans le cas d ateliers totalement flexibles. 12 Evalués par l agent Evalués par l agent Evalués par l agent Evalués par tous les agents produits Tableau 16 : Répartition du calcul des fonctions d évaluation 100

101 Chapitre IV: Implémentation et simulations 5.3. Interaction entre les agents Les deux figures ci-après montrent l interface graphique de l agent SNIFFER. L entité Master représente l instanciation de la classe mère «Ag_simo.jar». C est cette classe qui instancie les deux autres, à savoir, les agents produits nommés 101,102 et 103 ; et ressources nommés 1 et 0 ; à partir de leurs classes respectives. a) INSATANTIATION DES AGENTS Quand un agent produit est créé, il diffuse les informations le concernant ; et parallèlement récolte les informations sur les agents produits et ressources concernés par le test en cours. Cette étape est cruciale parce qu elle permet aux agents d avoir une vision exhaustive de leur environnement. Figure 76: Premières communications au fur et à mesure de l arrivé de nouveaux agents b) RESOLUTIONS ET PARTAGE D INFORMATIONS Quand les comportements d évaluation sont déclenchés, chaque agent génère les combinaisons puis en évalue une partie. Une fois cette évaluation «partielle» terminée, il partage les informations en les diffusant à tous les autres agents. 101

102 Chapitre IV: Implémentation et simulations Figure 77: Partage des informations entre agents produits 5.4. Comportement des agents En résumé les comportements implémentés sont de trois types : SIMPLEBEHAVIOUR, ONESHOTBEHAVIOUR et TICKERBEHAVIOUR. : 1. SIMPLEBEHAVIOUR : Ce sont des comportements destinés à se répéter en boucle de maniéré à persister. 2. ONESHOTBEHAVIOUR : Exécute le code qu il contient séquentiellement une seule fois et se termine. 3. TICKERBEHAVIOUR : Exécute le code qu il contient une fois à chaque fois qu un laps de temps prédéfini s écoule. Sur cette base nous avons implémenté six comportements différents : 1. PERCEPTION : Comportement persistant, servant à capter les informations de l environnement de l agent candidat au même teste, mais aussi de répondre à des requêtes. 2. ECOUTE : L écoute permet à l agent produit de récolter et de stocker de façons ordonnées les évaluations des autres agents. 3. LOOP : A chaque arrivée d agent, tous les autres déjà présents définissent une nouvelle échéance pour commencer la résolution. Cette fonction est une boucle qui vérifie si l échéance est franchie pour, le cas échant, déclencher la résolution coordonnées. 4. TREE : Ce comportement permet à chaque agent de générer l ensemble des affections possibles dans un premier temps, puis de l ensemble des séquences composant l espace de recherche. 102

103 Chapitre IV: Implémentation et simulations 5. EVAL : Permet de calculer et de diffuser les évaluations partielles. 6. PROG : Contrôle-le suivie de l ordonnancement avec la plus petite fonction «Objectif». Comportement type Déclenchement PERCEPTION SIMPLEBEHAVIOUR AG_PROD.SETUP () ECOUTE SIMPLEBEHAVIOUR AG_PROD.SETUP () TREE ONESHOTBEHAVIOUR LOOP LOOP TICKERBEHAVIOUR AG_PROD.SETUP () PROG TICKERBEHAVIOUR TREE Tableau 17 : Digramme de séquences de l algorithme de résolution 5.5. Résultats point de vue produit intelligent Les agents sont définis en se basant sur le modèle de produit actif pour les systèmes Hétérarchiques. L utilisation d agents permet l encapsulation des modèles de comportement (que nous nommons activités) utilisés en particulier pour l ordonnancement des ressources. La coordination entre agents produits est réalisée par le biais de partage d informations et d évaluations. L évaluation du système de pilotage ainsi défini se fait en utilisant l interaction entre produits actifs. Figure 78: Séquence de déclenchement des comportements dans une résolution type Les comportements sont comme des briques logicielles, réutilisables et modulaires qui, combinées entre elles, permettent d envisager d étendre à des taches dans différents domaines, tel que l ordonnancement de production, la logistique ou encore la planification de personnel. 103

104 Chapitre IV: Implémentation et simulations 5.6. Efficacité de la méthode Les structures de données permettent de générer uniquement l'espace de recherche pertinent. Ce qui représente un gain important en termes de ressources et de temps d'exécution. C est ce point qui rend possible: premièrement, l'utilisation d'une méthode exacte d énumération totale, deuxièmement, cette approche de formalisme facilite l'extension à d'autres phases de cycle de vie du produit Figure 79: Ecart entre espace totale et espace pertinent 104

105 Chapitre IV: Implémentation et simulations 5.7. Efficacité de la méthode et hétérogénéité des produits Comme le montre les premiers résultats, l'efficacité de notre méthode est positivement affectée par l'hétérogénéité. En effet, plus les produits à ordonnancer sont de familles différentes, plus les temps de changement d'outils peuvent s'avérer importants. En résulte une progression avec une courbe de tendance de 237,17 exp (0,14 x). Notre méthode est alors d'autant plus efficace que l'hétérogénéité des produits est importante. Figure 80 : Impacte de l hétérogénéité des produits sur les résultats 5.8. Temps d exécution Pour un nombre réduit d agents-produits les temps de résolution sont tout à fait acceptables. Cette validation tient compte de l environnement industriel du cas pratique. En effet, dans le contexte pratique, le nombre de machines d HPLC est de quatre machines. Pour les produits, une simple présélection des produits à traiter suffit à garder les données dans un cadre mathématiquement exploitable. 105