Contribution à l'ordonnancement conjoint de la production et de la maintenance : application au cas d'un job shop

Contribution to the conjoint production and maintenance scheduling : application to the job shop

• Auteur / Autrice : Youssef Harrath
• Direction : Saïd Noureddine Zerhouni
• Type : Thèse de doctorat
• Discipline(s) : Automatique et informatique
• Date : Soutenance en 2003
• Etablissement(s) : Besançon
• Partenaire(s) de recherche : autre partenaire : Université de Franche-Comté. UFR des sciences et techniques

Mots clés

Mots clés contrôlés

Ordonnancement (gestion)

Maintenance automatisée

Optimisation combinatoire

Algorithmes génétiques

Résumé

Le contexte de notre travail s'intéresse à l'ordonnancement d'un job shop. L'objectif de la thèse concerne l'élaboration d'une méthode de résolution aussi bien dans le cas classique d'un ordonnancement relatif à la production que dans le cas beaucoup moins étudié touchant l'ordonnancement conjoint de la production et de la maintenance. Les algorithmes génétiques ayant fait leur preuve dans le domaine aussi bien mono objectif que multiobjectif sont à la base de notre étude. Etude faite tout d'abord sur un classique de job shop noté J / / Cmax , en ne tenant pas compte des contraintes de disponibilité des machines. Puis en introduisant dans un deuxième temps la maintenance préventive ayant des objectifs parfois antagonistes avec la production. Notre contribution comporte deux volets. Le premier, prend appui sur les solutions générées par un algorithme génétique qui sont étudiées par des méthodes d'apprentissage. Méthodes resituées dans le processus d'Extraction de Connaissance à partir des Données. Dans un soucis de validation et de comparaison par rapport aux travaux de la communauté, la démarche proposée a été élaborée sur des benchmarks connus. Le deuxième volet propose un algorithme génétique Pareto optimal résolvant le problème d'ordonnancement conjoint de la production et de la maintenance au sein du job shop. Cet algorithme génétique génère des solutions Pareto optimales. Solutions validées par des bornes inférieures. Nous optons pour la maintenance préventive systématique pour l'appliquer au job shop. L'une des difficultés majeures de ce type de maintenance est le choix des périodes d'interventions. Nous proposons dans ce cadre deux méthodes de choix de périodes systématiques.

We study in this thesis the deterministic job shop scheduling problem. We consider the problem noted J/ / Cmax under the machine availability constraints. We propose a novel use of Knowledge Discovery from Data process to solve the job shop. We adapt this process to explore patterns from genetic algorithm solutions of different job shop instances. We develop a scheduling rule set which approximate the genetic algorithm's scheduler. Genetic algorithms often provide fast solutions to traditional numeric problems. However, they do not demonstrate repeatability or provide an explanation of how a solution is developed. We propose a method for inducing dispatching rules from the genetic algorithm solutions. These rules have been applied differently to solve the job shop. Firstly, the rules were transformed into a heuristic to solve different-size problems. Secondly, the rules have been applied with success to similar job shop with the same size as the learning example. In the second part of the thesis, we study the combined maintenance and production scheduling. Such problem is traditionally treated independently specially for the multi product environment. We optimize jointly two criteria, one for production: the makespan and one for maintenance: the total cost. These two criteria are antagonist, that is why we develop a multiobjective and genetic algorithm based method to schedule simultaneously production and maintenance. The genetic algorithm uses a Pareto optimal selection keeping only the more adapted solutions, which are validated using some lower bounds. To reduce the breakdowns frequency, we apply the preventive maintenance and we compare two types of maintenance periods.