Une approche distribuée pour la gestion de production d'un système manufacturier cellulaire et intelligent, offrant de la customisation de masse

A distributed approach for smart production management in cellular manufacturing system for mass customization

• Auteur / Autrice : Elie Maalouf
• Direction : Julien Le Duigou, Bassam Hussein
• Type : Thèse de doctorat
• Discipline(s) : Génie Industriel : Unité de recherche en Mécanique - Laboratoire Roberval (FRE UTC - CNRS 2012)
• Date : Soutenance le 12/07/2022
• Etablissement(s) : Compiègne
• Ecole(s) doctorale(s) : École doctorale 71, Sciences pour l'ingénieur (Compiègne)

Mots clés

Mots clés contrôlés

Optimisation par essaims particulaires

Métaheuristiques

Optimisation mathématique

Algorithmes génétiques

Systèmes cellulaires de fabrication

Temps réel (informatique)

Traitement réparti

Industrie 4.0

Personnalisation de masse

Procédés de fabrication

Ordonnancement (gestion)

Logistique (gestion)

Production -- Gestion

Production -- Planification

Production -- Contrôle

Mots clés libres

Production intelligente

Fabrication cellulaire

Customisation de masse

Mass customization

Smart production

Cellular manufacturing

Distributed system

Genetic algorithm

Particle swarm optimization

Supply chain management

Production control

Production planning

Production management

Production scheduling

Real-time

Manufacturing cells

Metaheuristics

Industry 4.0

Résumé

Cette recherche tente de répondre à la question suivante : Comment optimiser la planification de la production (y compris la planification et l'ordonnancement des processus) pour les produits personnalisés en masse et le système de fabrication cellulaire dans un contexte d'industrie 4.0, donc dans une usine et une chaîne d'approvisionnement intelligentes et connectées ? Cette recherche propose une approche distribuée pour la gestion intelligente de la production dans les systèmes de fabrication cellulaire pour la customisation de masse. Plus précisément, il propose une approche complète pour la planification et le contrôle de la fabrication pour CMS et MC basée sur la planification et l'ordonnancement dynamiques et distribués des processus/production. Il repose sur trois niveaux de décision : 1 - Niveau usine appelé master planning, intégrant en temps réel les données de la supply chain ; 2 - Niveau cellulaire, appelé planification cellulaire ; 3 - Niveau de l'atelier appelé système d'enchères, traitant des événements inattendus. Les principales contributions à la recherche sont : 1 - L'approche distribuée complète intégrant la planification, l'ordonnancement et l'allocation de la manutention tout en tenant compte des données en temps réel de la chaîne d'approvisionnement ; 2 - Une formulation mathématique du problème d'optimisation multi-objectifs pour le master planning (niveau usine) ; 3 - Deux approches de résolution basées sur les séquences mises en œuvre sur deux métaheuristiques, l'algorithme génétique de tri non dominé II (NSGAII) et l'optimisation d'essaim de particules multi-objectifs à vitesse contrainte (SMPSO).

This research tries to answer the following question: How to optimize production planning (including process planning and scheduling) for mass customized products and cellular manufacturing system in an industry 4.0 context, hence in a smart connected factory and supply chain? It proposes a distributed approach for smart production management in cellular manufacturing systems for mass customization. More precisely, it proposes a full approach for manufacturing planning and control for CMS and MC based on dynamic and distributed process/production planning and scheduling. It is based on three decision making levels: 1 - factory level called master planning, integrating real time data from the supply chain; 2 - cell level, called cell planning; 3 - shop floor level called bidding system, dealing with unexpected events. The main research contributions are: 1 - The full distributed approach integrating planning, scheduling, and material handling allocation while considering real time data from the supply chain. 2 - A multi-objective optimization formulation for the master planning problem (factory level). 3 - Two sequence-based resolution approaches implemented on two metaheuristics, Non-dominated Sorting Genetic Algorithm II (NSGAII), and Speed-constrained Multi-Objective Particle Swarm Optimization (SMPSO).