Recherche Avancée

Thèse soutenue

Planification de la production pour la customisation de masse dans un système de fabrication reconfigurable

FR  |  
EN
Auteur / Autrice : Sini Gao
Direction : Julien Le Duigou, Joanna Daaboul
Type : Thèse de doctorat
Discipline(s) : Génie Industriel : Unité de recherche en Mécanique - Laboratoire Roberval (FRE UTC - CNRS 2012)
Date : Soutenance le 20/03/2023
Etablissement(s) : Compiègne
Ecole(s) doctorale(s) : École doctorale Sciences pour l'ingénieur (Compiègne)
Partenaire(s) de recherche : Laboratoire : Unité de recherche en mécanique acoustique et matériaux / Laboratoire Roberval

Résumé

FR  |  
EN

De nos jours, les industries sont confrontées à un environnement socio-économique difficile en raison de clients plus exigeants. Pour faciliter la diversité accrue des produits personnalisés et le faible coût de la production de masse, le système de fabrication reconfigurable (RMS) est fortement recommandé comme le système de fabrication le plus adapté à la personnalisation de masse (MC). La planification de la production de la personnalisation de masse est complexe. La reconfigurabilité des systèmes de fabrication reconfigurables offre une certaine souplesse pour MC sans perdre les économies d'échelle et l'efficacité de la production de masse. Malgré cela, les reconfigurations fréquentes des machines et de l'agencement prennent du temps et compliquent la production de MC. Sur la base de ce qui précède, la recherche dans cette thèse a construit des modèles mathématiques multi-objectifs qui intègrent la planification du processus et l'ordonnancement pour MC ainsi que la reconfiguration de l'agencement de RMS, afin d'obtenir un plan de production optimal. Cette thèse présente d'abord un modèle mathématique bi-objectif et les approches de solutions approximatives combinées aux techniques de traitement des contraintes proposées. Ensuite, elle introduit un modèle mathématique à trois objectifs étendu à partir du modèle bi-objectif initial en considérant en plus la durabilité environnementale, et présente une efficacité de Pareto modifiée spécifique au problème pour les approches de solution. Enfin, il présente l'approche d'apprentissage par renforcement basée sur l'apprentissage Q pour résoudre le modèle mathématique bi-objectif réduit.