UN SYSTÈME D AIDE À LA PRISE DE DÉCISIONS POUR L ANALYSE ET LE CONTRÔLE D UN PROCESSUS DE PRODUCTION.

Transcription

1 3 e Conférence Francophone de MOdélisation et SIMulation «Conception, Analyse et Gestion des Systèmes Industriels» MOSIM 01 du 25 au 27 avril 2001 Troyes (France) UN SYSTÈME D AIDE À LA PRISE DE DÉCISIONS POUR L ANALYSE ET LE CONTRÔLE D UN PROCESSUS DE PRODUCTION. A. Artiba, S. Iassinovski, D. Pichel CREGI-FUCaM, 151 Chaussée de Binche, B-7000 Mons Belgium artiba@fucam.ac.be RÉSUMÉ : Nous présentons dans cet article un système multi-modèle d aide à la décision. Ce système permet d analyser et d évaluer les performances d un processus de production dans le cadre d une démarche de Business Process Reengineering (BPR). A l issue de cette phase de BPR, le système d aide à la décision peut aussi contrôler le système de production réorganisé. Ces différents éléments sont décrits ci-dessous. L architecture opérationnelle du système sera en outre illustrée par un exemple inspiré d un cas industriel réel. La modularité et la flexibilité du système d aide à la décision seront ainsi mises en évidence. MOTS-CLÉS : prise de décisions, mesure de performances, simulation, système de production, interface utilisateur. 1. INTRODUCTION Ces dernières années, la pression sur les entreprises s est accrue à cause de l évolution de la situation des marchés. L augmentation de la productivité va de pair avec la réduction des coûts et ce, sans affecter le niveau de satisfaction des clients devenus de plus en plus exigeants. L élan d innovation actuel, les nouvelles technologies et la menace que constituent les sociétés ayant déjà adopté des modes de gestion radicalement différents et mieux adaptés, poussent les entreprises à se lancer dans une démarche de Business Process Reengineering (BPR). Une étude parue dans Business Intelligence a montré que les projets de BPR sont devenus très en vogue depuis le début des années 90. Pas moins de 77 % des entreprises interrogées avaient entamé une telle démarche alors que 13% avouaient envisager de se lancer dans cette voie (Harvey, 1994). Un nombre impressionnant d outils peuvent être utilisés pour analyser et pour réorganiser un système productif. Mais, beaucoup d entre eux n ont pas été développés dans cette perspective et sont en fait des outils IT quelque peu adaptés. En conséquence, il y a un manque réel d outils de BPR spécialement développés pour la visualisation, la simulation et l analyse, la modélisation et l amélioration d une organisation (MacIntosh et Francis, 1997). La majorité des projets de BPR n aboutissent dès lors que rarement à une réelle réorganisation. En effet, étant donné les coûts et les risques que cela engendre, il est très difficile de convaincre les décideurs de passer à la phase d implémentation. La simulation constitue une solution à ce problème puisqu elle peut donner une idée de l impact des changements proposés sur l atelier (Crosslin, 1995). «Simulation is bridging the gap between assessment of the existing and the designed of the future» (Aguillar et al., 1999). La simulation permet à l utilisateur de prendre en considération chaque ressource du processus comme entité interdépendante. En introduisant des paramètres dynamiques tels que le temps, les volumes, les capacités et la qualité, la simulation améliore fortement l analyse des performances du processus considéré. Elle permet aussi de suivre aisément les éventuels goulots d étranglements, l évolution des temps de traitement ou tout autre mesure de performance dynamique. Ce qui n est pas le cas d une analyse statique (Aguillar et al., 1999). L interaction de personnes avec des processus et technologies donne lieu à un nombre infini de scénarii qui sont impossibles à cerner et à évaluer sans l aide d un modèle de simulation (Turnay, 1996). Dans ce contexte, notre expérience et la demande croissante d entreprises belges pour des projets de réorganisation nous ont poussés à créer un système d aide à la décision basé sur la simulation. Ce système n entre dans aucune catégorie traditionnelle d outils car il inclut à la fois un bloc stratégique et opérationnel pour le BPR, un noyau de simulation souple intégrant l ordonnancement à court terme et des algorithmes d optimisation basés sur la recherche dans le graphe d état. Notons que nous utilisons une méthode de simulation à évènements discrets, qui est la technique la plus puissante pour la simulation de processus organisationnels. Elle fournit des facilités de modélisation qui permettent à l utilisateur de mieux comprendre comment l état des éléments du flux de production évoluent dans le système (Turnay, 1996). L une de nos forces est que nous avons trouvé un moyen de combiner une approche stratégique de réorganisation avec un outil d ordonnancement quotidien. L utilisation d un modèle de simulation à événements discrets pour calculer un planning de production a un avantage important : cela génère des

2 ordonnancements à capacité finie pour des systèmes qui peuvent avoir des contraintes ou des interrelations logiques très complexes. Cela est rendu possible par le fait que ces dernières font partie intégrante du modèle de simulation (Vanmaele and Van Landeghem, 1995). Néanmoins, l ordonnancement basé sur la simulation revêt quelques limites, étant donné que seule une optimisation locale est effectuée, et ce à chaque fois que survient un événement (Vanmaele and Van Landeghem, 1995). La combinaison de la simulation avec d autres méthodes pourra dès lors apporter des résultats encore meilleurs. Ainsi, selon Matt Rohrer d AutoSimulations, Inc (Banks, 1998), "a possible new approach to ERP planning and scheduling is a combination of algorithmic models and simulation". L utilisation de metaheuristiques en vue d améliorer ce genre de résultats a d ailleurs déjà été envisagée dans le littérature (Glover and Kelly). Combiner la simulation avec de l optimisation apporte trois avantages majeurs : des solutions très qualitatives malgré un environnement incertain, des solutions optimisées localement et la capacité de traiter des relations non-linéaires. Une partie importante du système considéré est un système expert capable d aider le gestionnaire à prendre des décisions sur le processus productif simulé. En effet, selon C. Dennis Pedgen de Systems Modelling Corporation, "in the future, much greater focus will be placed on making it easier for the user to make decisions using the model" (Banks, 1998). 2. LA STRUCTURE DU SYSTEME D AIDE A LA DECISION Le système d aide à la décision est constitué des éléments suivants : un modèle générique de simulation d un job-shop, un bloc d optimisation intégré, des bases de connaissances et de données et une interface utilisateur (Figure 1). Description du système Base de connaissances Règles de décision Comportement du système Règles d optimisation Simulation Interface utilisateur Base de données Eléments du système Résultats de simulation Règles d ordonnancement Modèle générique de simulation Bloc d optimisation Ordonnancement Traitement des résultats Figure 1. L architecture fonctionnelle du système Le modèle de simulation est utilisé pour évaluer la performance d un système de production selon différents scénarii ou d un processus d ordonnancement. En ce qui concerne l ordonnancement, le modèle utilisera le bloc d optimisation incorporé. Les autres composants du système d aide à la décision servent essentiellement à faciliter l utilisation du modèle. Les règles de décision stockées dans la base de connaissances sont utilisées pour analyser les résultats de la simulation et pour générer des conseils concernant la restructuration du processus productif ou d ordonnancement. Le système développé peut aussi opérer en mode automatique. Dans ce cas, les règles de décisions génèrent et testent, au moyen du modèle de simulation, les différentes hypothèses visant l amélioration des performances du processus. 3. LE MODELE DE SIMULATION Notre objectif est de créer un système d aide à la décision qui pourrait être appliqué à une certaine classe de systèmes manufacturiers, de sorte que nous évitions de devoir développer un modèle de simulation propre à chaque cas. Nous avons dès lors besoin d un modèle de simulation flexible qui puisse être assez facilement adapté à un processus productif donné. Notre expérience en la matière a montré qu en dépit de l existence de certaines caractéristiques communes, chaque processus de production possède de nombreuses nuances qui ne peuvent être négligées sous peine de nuire fortement à la représentativité du modèle. La nécessité d avoir un modèle de simulation adaptable rend difficile, voire impossible, l utilisation d outils de simulation de haut niveau non-programmables dotés d une interface graphique. Banks et Gibson (1997) affirment sur base de nombreuses années d expérience en la matière que «The higher the level of the simulation software interface, the less flexibility the model is given. The higher the level of the interface, the more decisions are made by the developers of the software, rather than by the user.» En tenant compte de cette réalité, nous avons développé un modèle écrit dans un langage de simulation très flexible : RAO (Artiba et al., 1998). Ce langage est basé sur une approche orientée actions, ces dernières étant décrites au moyen de règles de production modifiées. Les règles de production contribuent à une grande flexibilité dans la description qui nous permet de modifier facilement le modèle. Les modifications possibles concernent notamment le processus de génération et de traitement des commandes et de production, la gestion des stocks, l approvisionnement en matières, la gestion des déplacements et les règles d ordonnancement. Notre modèle traite les entités suivantes : les stocks, les commandes, les ordres de fabrication, les batches de fabrication, les ouvriers et les postes de travail. Les commandes des clients sont générées par le modèle selon des statistiques réelles, en fonction du volume et de la fréquence de la demande pour chaque produit, ainsi que de l intervalle de temps moyen entre deux commandes. L unité de traitement de base du modèle est l ordre de fabrication (OF). Un OF est créé lorsque cela s avère nécessaire, en fonction des règles de gestion de l entreprise. Le plus souvent, ces règles prennent en

3 compte l état courant des stocks, les commandes des clients, et la quantité la plus rationnelle techniquement et/ou économiquement à imputer à ces OF. Les OF sont divisés en batches. Un batch est une unité de production qui suit une gamme prédéfinie dans le système. Dans le modèle développé, ces gammes sont constituées d opérations de traitement ou d assemblage. Outre le batch, une opération de traitement impliquera une machine ou un poste de travail et un ouvrier, tous deux disposant des aptitudes requises. Une opération d assemblage nécessitera aussi la précision d une série de composants à partir desquels le produit sera constitué. Chaque produit pourra dès lors être soit livré directement au client, soit servir de composant dans le cadre d une autre opération d assemblage. Lorsque le processus de fabrication est terminé, le batch est détruit et l état de l OF correspondant est ainsi modifié. Dès que tous les batches d un OF sont terminés, celui-ci est détruit et les produits finis qui en ont découlés sont imputés au stock correspondant. Tous les produits sont classés en famille. Une famille de produits est une série de produits qui suivent un même processus de fabrication. L idée est de créer une nouvelle famille de produits à chaque fois que nous rencontrons un produit qui ne puisse s inscrire dans aucune famille existante. Nous pouvons ainsi varier le niveau de détail de notre description. Nous pouvons en effet grouper dans un premier temps tous les produits selon des familles. Ensuite, si cela s avère nécessaire, nous pouvons augmenter le niveau de précision, en affinant les familles (création de sous-familles) en fonction des temps opératoires par exemple. Enfin, dans des cas extrêmes, une famille peut éventuellement ne contenir qu un seul produit. Chaque opération est présentée selon la structure présentée en Figure 2. Ce mode de représentation nous permet de formaliser l objectif, les aptitudes nécessaires, les matières et composants en entrée et en sortie, et la durée pour toutes les opérations. La notion d aptitude est utilisée pour décrire quelle opération peut être effectuée par quelle machine et par quel ouvrier. L un des attributs de chaque opération est donc l aptitude requise. Une matrice est à cette fin utilisée pour décrire les aptitudes que possèdent chaque poste de travail. Chaque cellule de cette matrice correspond donc à une machine donnée et à une aptitude précise et contient un nombre entier. Si ce nombre vaut zéro, cela signifie que le poste ne peut être utilisé pour cette aptitude. Plus ce nombre est élevé, plus la priorité d utilisation de ce poste pour une aptitude donnée est importante. Ainsi, pour effectuer une opération, avec une aptitude donnée, nous sélectionnons la machine disponible possédant la valeur la plus élevée dans la matrice. Le même principe est utilisé pour la sélection des ouvriers. Cela nous offre la possibilité de décrire de façon très flexible la polyvalence du personnel et du parc de machines. Cette possibilité s avère primordiale, spécialement au sein de petites entreprises. Produits en entrée Durée Description Aptitude requise Produits en sortie Figure 2. La description d une opération Le modèle calcule les mesures de performances suivantes nous permettant ainsi d évaluer la qualité du fonctionnement du système : L utilisation des machines, éventuellement détaillée par aptitude. L utilisation des opérateurs, éventuellement détaillée par aptitude. Des statistiques sur les niveaux des stocks d encours, pour chaque produit, à chaque étape du processus (minima, maxima, moyennes). Des statistiques sur les OF (temps de production, avances, retards, temps d attente). Des statistiques sur les commandes (temps de production, avances, retards, temps d attente). Pour une analyse plus approfondie, il est possible de représenter graphiquement l évolution dans le temps de chacun des paramètres du modèle (ordres en cours de fabrication, niveaux des stocks, etc.). 4. UNE APPLICATION : LE CAS D UNE FABRIQUE DE MEUBLES Illustrons certaines caractéristiques du système d aide à la décision que nous avons développé par l exemple d une fabrique de meubles. Depuis quelques années, cette entreprise connaît une expansion impressionnante. Cette tendance devrait s accroître dans le futur, puisque la croissance annuelle est estimée à quelque 20%. La demande du marché est aussi en pleine expansion. De ce fait, les responsables de cette entreprise doivent adapter leurs installations au volume à produire et, anticiper ainsi des probables goulots d étranglement dans le système. C est pourquoi, l analyse du processus de fabrication actuel, suivie d une restructuration de l atelier s avèrent nécessaires Description de l usine L usine fabrique tous les types d ameublements que l on peut trouver dans une maison. Différentes tailles, couleurs et vernis sont proposés selon les désirs du client. Une partie de ces produits est achetée à l état semi-fini. Dans ce cas, la firme doit uniquement procéder à la finition et à la vente. Au total, l usine commercialise plusieurs centaines de références différentes. En nous basant sur les caractéristiques communes de ces produits, nous avons constitué

4 quelques 120 familles de produits. Notons que l entreprise emploie actuellement 23 ouvriers et possède 62 postes de travail. L exemple d une famille de tiroirs est présenté en Figure 3. Les tiroirs sont fabriqués dans le but de devenir des composants de meubles plus importants tels que des commodes ou encore des tables. Ils sont constitués de 5 pièces : un fond, une face avant, une face arrière et deux côtés. Leur processus de fabrication est présenté en Figure 4. des ouvriers va aussi probablement survenir. Leurs taux d utilisation sont déjà assez élevés, et seul leur polyvalence et leur flexibilité permet à la société de faire face à la demande croissante, mais ce n est pas une solution fiable à long terme. ARRIERE FOND FACE COTE Figure 3. La famille de produits «tiroirs» Figure 5. Utilisation des opérateurs (extrait du rapport complet), avec respectivement le nom, l occupation et le nombre total d heures de travail pour chacun COTE FACE Débitage et rabotage ARRIERE Usinage rainure Débitage et rabotage Débitage Usinage 1 Usinage 2 Ponçage Ponçage Ponçage 2 Assemblage FOND Débitage Figure 4. Le processus de fabrication de la famille des tiroirs La logique de gestion des OF est basée sur le principe suivant. Si pour un composant ou un produit fini, la somme du point de recommande du stock correspondant et du nombre d éléments demandés dépasse la somme de la quantité actuelle de pièces dans le stock et du niveau de pièces en cours de production pour le produit, alors un ou plusieurs OF seront générés. Le nombre de pièces demandées est calculé sur base des commandes des clients qui n ont pas encore été satisfaites. Le nombre d OF générés dépend des tailles minimale et maximale de ces OF, qui sont généralement différentes pour chaque produit Les résultats de la simulation La simulation porte sur une période de 26 semaines. Une commande arrive dans le système toutes les 75 minutes environ. L éventail de produits demandés a été généré selon des données statistiques réelles. Des écrans de résultats de la simulation sont présentés en Figure 5 et Figure 6. Les résultats de la simulation pour la configuration actuelle ont mis en évidence des goulots d étranglement, spécialement sur certains postes de travail qui pourraient devenir des ressources critiques dans le futur. Dans l éventualité d une demande croissante, une surcharge Figure 6. Extrait des statistiques sur les produits finis Les stocks d encours de fabrication sont extrêmement élevés, tout au long de la période de simulation. Cela est essentiellement dû à la famille des lits, pour lesquels le poste d emballage est plus que saturé. L utilisation moyenne des ouvriers s élève à 83%. En tenant compte des erreurs de précision du modèle (quelques pourcents) et de la croissance attendue, nous affirmons qu il y a un problème potentiel de surcharge de l entreprise. La direction doit absolument procéder à un recrutement d ouvriers compétents dans les mois qui viennent. Environ 27% des produits sont livrés au delà du délai proposé au client. Parmi ces commandes en retard, plus de 40% portent sur des lits, ce qui confirme ce que nous supposions, à savoir que les lits constituent des produits critiques. Différentes statistiques ont été calculées pour chaque famille de produits. La Figure 6 montre respectivement pour chacune d entre elles le nombre total, moyen et maximal de commandes présentes dans le système, le nombre moyen et maximal d OF, le temps de production

5 moyen, minimal et maximal, le nombre de commandes en retard et, finalement, le retard moyen, minimal et maximal. La Figure 6 est en fait un extrait du rapport complet que nous avons fourni à la direction de l entreprise. Ce rapport comprenait des résultats très détaillés et des conseils au sujet de la gestion de la maind œuvre et du parc machine, sur le suivi des commandes, sur les produits et sur les stocks. Le système d aide à la décision nous permet d effectuer une analyse graphique précise de l évolution des encours de fabrication pour chaque produit de chaque famille (Figure 7). Cette figure nous montre que certains points de recommande de matières premières ou de composants semblent trop élevés. 33.6% Commandes, OF et batches Temps total de traitement moyen Temps d attente moyen Retard moyen Commande s Utilisation moyenne : OF Batches hrs hrs hrs hrs hrs hrs hrs Avance moyenne hrs hrs hrs Temps de traitement moyen hrs Stocks Valeur moyenne des stocks d encours : Euros. Figure 8. Tableau de bord final 5. RESTRUCTURATION DU PROCESSUS Figure 7. Inventaire des encours de fabrication de longerons de lits Chaque rapport de simulation aboutit à un tableau de bord résumant les mesures de performance, spécialement sélectionnées en fonction des problèmes qui ont été mis en évidence. Voici un exemple de tableau de bord, appliqué à l étude évoquée dans cet article (Figure 8). Nous avons ainsi rassemblé toutes les statistiques permettant d évaluer facilement l essentiel du processus de production. Ouvriers Nombre d ouvriers : 23 Total d heures de travail : 40 heures /semaine Taux d utilisation : % Postes de travail Nombre de postes Atelier d usinage Atelier d assemblage Atelier de finition Utilisation 16.8% 42% 54.6% Ayant terminé la simulation du processus actuel, et une fois détectés les problèmes éventuels, nous pouvons entamer la seconde phase du BPR la réorganisation du processus. En utilisant la simulation comme moyen d évaluation des performances, la seule façon d améliorer l organisation du flux est d effectuer des simulations répétées, en testant ainsi des hypothèses raisonnables. La réalisation de ces hypothèses est une tâche très délicate qui requiert l intervention de spécialistes expérimentés en simulation et en gestion industrielle. Afin de rendre la création de scénarii plus accessible, nous avons imaginé d utiliser dans notre système d aide à la décision, une sorte de système expert basé sur les règles de production. Ces règles peuvent ainsi générer des hypothèses raisonnables à tester par simulation, comme illustré ci-dessous. SI (il y a un ouvrier surchargé et que d autres sont sousutilisés.) ALORS (tester l hypothèse selon laquelle on peut former des ouvriers sous-utilisés de sorte qu ils acquièrent certaines compétences propres à l ouvrier surchargé. ) SI (il y a des ruptures de stocks) ALORS (tester l hypothèse de changement des points de recommandes et/ou des délais de livraison)

6 SI (un produit est souvent hors délais) ALORS (tester l hypothèse de changement des niveaux de priorité des OF correspondants) 6. ORDONNANCEMENT Ce bloc est aussi basé sur le modèle de simulation générique qui simule l existant. Ce modèle ordonnance les tâches sur les postes de travail selon les règles de priorités d heuristiques données ou sélectionnées par l utilisateur. Le système d aide à la décision possède aussi un bloc permettant des optimisations locales. Ce bloc utilise la recherche dans le graphe d état. Plusieurs méthodes de recherche dans le graphe d état ont été analysées par Nilsson (1980) qui a apporté certaines considérations théoriques pour chacune. Il a été démontré qu il était possible par cette méthode d atteindre des décisions optimales. Il est aussi possible de retenir des compromis s éloignant quelque peu de la décision optimale mais qui peuvent être atteints en un temps plus raisonnable. L intérêt de cette méthode est qu elle permet de résoudre des problèmes d optimisation de différentes natures. C est dans cette optique qu elle a été intégrée à RAO (Iassinovski, 1997). Dans le cadre de l étude qui nous concerne, de meilleurs plannings peuvent être obtenus grâce à cet outil d optimisation. Tout comme pour l approche de BPR décrite plus haut, l utilisateur doit mener itérativement des simulations pour obtenir une solution intéressante. Il peut ainsi modifier des paramètres du modèle tels que les niveaux de priorité des OF par exemple, afin de minimiser les temps de set up, de respecter les délais, etc. Cela peut aussi être envisagé de façon automatique par un système expert. 7. CONCLUSION Nous avons présenté un système d aide à la décision pour la gestion d un processus productif. Ce système permet à la fois d analyser les flux de fabrication, de les améliorer et de les adapter à des modifications prévisibles dans la situation du marché, et d ordonnancer les tâches quotidiennes de l atelier. Cet outil est basé sur un modèle de simulation générique et adaptable. Le simulateur RAO, basé sur les règles de production modifiées, a été utilisé afin de développer le modèle en intégrant un bloc d optimisation et un système expert. Le modèle de simulation a été appliqué dans le cadre de plusieurs études industrielles. Il a ainsi prouvé sa capacité à analyser en profondeur un processus de fabrication, son adaptabilité et sa flexibilité. Les règles de production concernant l amélioration des processus de production et l ordonnancement, qui constituent la base de connaissances sont basées à la fois sur des idées simples et sur l expérience de décideurs chevronnés. Le principal problème restant à résoudre réside dans la sélection et la formulation de règles de production pertinentes. Nous devons aussi tester la robustesse de ce système expert en l appliquant à de nombreux cas industriels en mode automatique. REFERENCES Aguillar M., Rautert T. and Pater A.J.G., (1999). Business Process Simulation : a fundamental step supporting process centered management. Proceedings of the 1999 Winter Simulation Conference, p.1386, Internet site: Artiba A., Emelyanov V. V. and Iassinovski S. I., (1998). Introduction to Intelligent Simulation: The RAO Language. Kluwer Academic Publishers, London. Banks J., (1998). The future of simulation software : a panel discussion. Proceedings of the 1998 Winter Simulation Conference, pp Banks J., Gibson R., (1997). Simulation Modelling : Some Programming Required. IIE Solutions, February, pp Crosslin R. (1995). Simulation, a key to designing and justifying business reengineering projects. Enterprise Reengineering. August Internet site : Glover F., Kelly J. P. Combining simulation and optimization for improved business decisions. Systems Modelling Corporation. Internet site optquest.htm Harvey D. (1994). Reengineering: the Critical Success Factors, Business Intelligence. Iassinovski, S. I. (1997). Rules-based decision making for simulation and scheduling. Proceedings of the Int. Conf. on Industrial Engineering and Production Management, Lyon, Oct , Book I, MacIntosh R., Francis A. (1997). The Market, Technological and Industry Contexts of Business process R-engineering in UK Businesses. A consultancy report for the economic and social research council, p. 11. Internet Site: Business Processes Resource Centre from Department of Management Studies, Glasgow Business School: Nilsson N. J., (1980) Principles of Artificial Intelligence. Tioga Publishing. Pedgen D. Simulation-based scheduling in Tempo: an overview. Systems Modelling Corporation. Internet site: whitepapers/tempooverview.htm. Turnay K., Bussiness Process Simulation. Enterprise Reengineering, Jan-Feb Internet site: Vanmaele H., Van Landeghem R., (1995). The integration of optimization paradigms and simulation practice in industrial management. Belgian Journal of Operations Research, Statistics and Computer Science, vol. 35 (1), pp