Gestion et optimisation basée sur les données de la maintenance des pièces de rechange dans une chaînes d'approvisionnement en boucle fermée
Auteur / Autrice : | Abdelhamid Boujarif |
Direction : | Oualid Jouini, Zhiguo Zeng |
Type : | Thèse de doctorat |
Discipline(s) : | Ingéniérie des systèmes complexes |
Date : | Soutenance le 29/11/2024 |
Etablissement(s) : | université Paris-Saclay |
Ecole(s) doctorale(s) : | École doctorale INTERFACES : approches interdisciplinaires, fondements, applications et innovation |
Partenaire(s) de recherche : | Laboratoire : Laboratoire Génie Industriel |
Référent : CentraleSupélec | |
graduate school : Université Paris-Saclay. Graduate School Sciences de l'ingénierie et des systèmes (2020-....) | |
Jury : | Président / Présidente : Marija Jankovic |
Examinateurs / Examinatrices : Faicel Hnaien, Phuc Do Van, Pierre Dersin | |
Rapporteurs / Rapporteuses : Faicel Hnaien, Phuc Do Van |
Mots clés
Mots clés contrôlés
Résumé
Face à la concurrence croissante et à la prise de conscience environnementale, la réparation et la réutilisation des pièces de rechange représentent une solution efficace mais en même temps complexe pour prolonger le cycle de vie des produits dans les chaînes d'approvisionnement en boucle fermée (CLSC). Optimiser le niveau de maintenance des pièces réparées est essentiel, car des décisions inadéquates peuvent entraîner des taux de défaillance plus élevés et, par conséquent, une augmentation de la consommation des stocks. Si la restauration des pièces à un état fonctionnel peut ignorer les niveaux d'usure spécifiques des composants, des remplacements excessifs compromettent l'efficacité opérationnelle et les objectifs de durabilité. Cette complexité est amplifiée par les incertitudes entourant les données de fiabilité, les interdépendances entre composants aisni que les fluctuations des stocks. Dans ce contexte, nous nous concentrons sur l'optimisation de la maintenance des pièces réparables, en intégrant les contraintes des CLSC. Nous avons conçu un modèle de maintenance opportuniste adapté à la réparation des pièces sous dépendance, réduisant ainsi le coût total des opérations de maintenance de 5% et les coûts liés aux défaillances précoces de 42%. En combinant des méthodes statistiques et des techniques d'apprentissage profond, nous avons pu modéliser la fiabilité des pièces en fonction de celle de leurs composants en tenant compte d'informations incomplètes et des données d'intervalles censurés. Cette approche a surpassé tous les modèles de prédiction de fiabilité testés. Par ailleurs, nous avons développé une approche d'optimisation conjointe semi-myopique qui équilibre les opérations d'inventaire et de maintenance, en intégrant l'incertitude des paramètres de durée de vie et les prévisions de la demande.