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