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

Data-Driven Optimization of Spare Parts Maintenance in Closed-Loop Supply Chains

• 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
• Partenaire(s) de recherche : Référent : CentraleSupélec
• Partenaire(s) de recherche : graduate school : Université Paris-Saclay. Graduate School Sciences de l'ingénierie et des systèmes (2020-....)
• Jury : Président / Présidente : Marija Jankovic
• Jury : Examinateurs / Examinatrices : Faicel Hnaien, Phuc Do Van, Pierre Dersin
• Jury : Rapporteurs / Rapporteuses : Faicel Hnaien, Phuc Do Van

Mots clés

Mots clés contrôlés

Maintenance conditionnelle

Chaîne de valeur

Fiabilité

Analyse des données

Apprentissage profond

Mots clés libres

Systèmes réparables multi-Composants

Chaîne d'approvisionnement en boucle fermée

Maintenance opportuniste

Prédiction de la fiabilité

Apprentissage profond

Optimisation stochastique

Multi-Component repairable systems

Closed-Loop supply chain

Opportunistic maintenance

Reliability prediction

Deep learning

Stochastic optimization

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.

With growing competition and heightened awareness of environmental challenges, repairing and reusing spare parts presents an efficient yet complex solution for extending the life cycle of products in closed-loop supply chains (CLSCs). Determining the optimal maintenance level for repaired parts is necessary, as poor decisions can increase failure rates and, consequently, raise inventory consumption. Restoring parts to a functional state may overlook the varying wear levels of components, while excessive replacements undermine both operational efficiency and sustainability. The task is further complicated by uncertainties in reliability data, component dependencies, and fluctuating inventory constraints. Therefore, we focus on optimizing the maintenance of repairable spare parts considering CLSC constraints. We developed an adapted opportunistic maintenance model under dependency for spare parts repair. We decreased the total cost of maintenance operations by 5% and the cost of early life failures by 42%. We used a combination of statistical methods and deep learning techniques to model the reliability of the spare part as a function of the reliability of its components under incomplete structure information and interval-censored data. The proposed approach outperforms all tested reliability prediction models. Additionally, a semi-myopic joint optimization approach was developed to balance inventory and maintenance operations under uncertainty in lifetime parameters and demand forecasts. We show the model's ability to adapt the reorder point depending on future demand predictions, and its ability to adapt the level of repair subject to the inventory constraints.