Vers une méthode d’aide à la décision pour l’intégration d’innovations dès la conception préliminaire des architectures de systèmes complexes

Towards decision support for complex system architecture design with innovation integration in early design stages

• Auteur / Autrice : Marie-Lise Moullec
• Direction : Jean-Claude Bocquet
• Type : Thèse de doctorat
• Discipline(s) : Génie industriel
• Date : Soutenance le 24/01/2014
• Etablissement(s) : Châtenay-Malabry, Ecole centrale de Paris
• Ecole(s) doctorale(s) : École doctorale Sciences pour l'Ingénieur (Châtenay-Malabry, Hauts de Seine)
• Partenaire(s) de recherche : Laboratoire : Laboratoire génie industriel (Gif-sur-Yvette, Essonne) - Laboratoire Génie Industriel
• Jury : Président / Présidente : Claudia Eckert
• Jury : Examinateurs / Examinatrices : Jean-Claude Bocquet, Samuel Gomes, David Wynn, Jean-François Boujut, Marc Bouissou
• Jury : Rapporteur / Rapporteuse : Samuel Gomes, David Wynn

Mots clés

Mots clés contrôlés

Statistique bayésienne

Génie industriel

Conception technique

Mots clés libres

Méthodologie de conception

Systèmes complexes

Architecture de systèmes

Design methodology

Complex systems

System architecture

Résumé

L’objectif de ce travail de recherche est de proposer une méthode d’aide à l’intégration d’innovations dès la conception préliminaire des systèmes complexes. Cette étape de la conception a en effet de forts impacts sur le reste de cycle de vie du produit. En se focalisant sur l’aide à la génération d’architectures de système complexe, cette méthode utilise un réseau Bayésien combiné à un problème de satisfaction de contraintes (CSP) pour générer et évaluer automatiquement des architectures de systèmes complexes. Le modèle de réseau Bayésien proposé est utilisé pour représenter le problème de conception de l’architecture en termes de variables de décision, de contraintes et de performances. Un algorithme parcourt le graphe ainsi défini afin de générer les solutions d’architecture qui sont considérées comme faisables et qui présentent un niveau de confiance acceptable. Ce niveau de confiance estime l’incertitude associée à chaque architecture générée. Les performances des architectures sont aussi calculées grâce au réseau bayésien. Une fois les architectures générées, un modèle de problème de satisfaction de contraintes permet d’optimiser le placement des composants au vu des contraintes de placement et des objectifs d’optimisation préalablement définis par les concepteurs. Un logiciel a été développé pour faciliter la modélisation du problème et la visualisation des solutions. Deux cas industriels ont permis de tester la méthode et de nombreuses solutions d’architecture ont été générées. Afin de tester la faisabilité de l’étape de sélection d’architectures dans un cadre industriel, un atelier de sélection d’architectures a été organisé afin d’être par la suite analysé. Il a impliqué quatre concepteurs de Thales et portait sur un des cas industriels précédents. Cette dernière étude a souligné des difficultés dans la définition des critères de sélection des architectures et propose des recommandations pour un futur support à la sélection d’architecture système.

The aim of this research work is to propose a method allowing innovation integration in early design stages and supporting architecture design of complex systems that have significant implications for the rest of overall system life-cycle. Focusing on system architectures generation support, this method proposes to use Bayesian networks combined with Constraint Satisfaction Problem (CSP) techniques in order to semi-automatically generate and evaluate complex systems architectures. Bayesian network model is used to represent the design problem in terms of decision variables, constraints and performances. Furthermore, an architecture generation algorithm is proposed to generate feasible solutions and to cluster them with regard to a given confidence level threshold. This confidence level is representing the estimation of the uncertainty on the overall system. Estimation of architecture performances are also calculated within the Bayesian network. Once the system architectures are generated, a CSP model optimises the component placement regarding placement constraints and optimisation objectives defined by designers. Software has been developed for the purpose of problem modelling and solutions visualisation. Two industrial implementations yielded in a generation of a high number of architecture solutions. In order to test the feasibility of architecture selection in an industrial environment, a study was conducted integrating four system designers. This study underlined the difficulties in defining architecture selection criteria and provides recommendations for the future system architecture selection support.