Thèse soutenue

Gestion et optimisation basée sur les données de la maintenance des pièces de rechange dans une chaînes d'approvisionnement en boucle fermée

FR  |  
EN
Auteur / Autrice : Abdelhamid Boujarif
Direction : Oualid JouiniZhiguo 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

Résumé

FR  |  
EN

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.