SAMIR HADDAD

MODELE D'EVALUATION DES PERFORMANCES

D'UNE LIGNE DE PRODUCTION D'UNE SÉQUENCE
DE N PRODUITS DISTINCTS SUR M MACHINES
AVEC ( M l ) STOCKS TAMPONS

Mémoire présenté
à la Faculté des études supérieures et postdoctorales de l'Université Laval
dans le cadre du programme de maîtrise en Génie Mécanique
pour l'obtention du grade de Maître es Sciences (M. Sc.)

DEPARTEMENT DE GENIE MECANIQUE

FACULTÉ DE SCIENCES ET GÉNIE
UNIVERSITÉ LAVAL
QUÉBEC

2012

SamirHaddad, 2012
Résumé
Dans ce mémoire on considère une ligne de production constituée de M machines et de
(M-l) stocks tampons conçue pour traiter une séquence de N produits distincts. A chaque
produit on associe un temps de mise en route et un temps de traitement sur chaque machine.
Ces produits sont traités par lots de tailles connues. Les stocks tampons ont pour but de
découpler les différentes machines dont la cadence varie d'un produit à l'autre. La capacité
de chaque stock tampon est supposée connue. Un modèle de programmation a été utilisé
pour déterminer la durée de traitement de la séquence. Un programme a été mis au point
pour déduire les temps d'attente des produits de chaque lot sur chaque machine (famine,
blocage et maintenance dans le cas de machines non fiables). Le modèle et programme
développé permettent d'évaluer d'autres indicateurs de performances pour différents
scénarii de production et de maintenance.
Avant-Propos
Au terme de cette maîtrise, je tiens à exprimer toute ma gratitude à mon directeur de recherche,
le professeur Daoud Aït-Kadi, pour m'avoir soutenu, encouragé et cru en mon travail. Ses
conseils et ses directives m'ont été d'une grande utilité durant toutes les étapes de ce projet.

Samd rfacUad
 Ill

Table des matières

Résumé i
Avant-Propos ii
Table des matières iii
Liste des tableaux v
Liste des figures vi
Introduction 1
Chapitre 1 : Ligne de production avec stocks tampons intermédiaires de capacités finies....3
1. Introduction 3
2. Configuration étudiée : propriétés et caractéristiques 3
3. Revue des principaux travaux publiés 5
3.1. Méthodes d'analyse des lignes de production 5
3.2. Méthode d'optimisation des lignes de production 7
4. Approche de modélisation linéaire d'une ligne automatisée avec des stocks tampons
de capacité finie 8
4.1. Objectifs et considérations du modèle 8
4.2. Modèle linéaires 10
5. Conclusion 16
Chapitre 2 : Fiabilité et maintenance 17
1. Introduction 17
2. Sûreté de fonctionnement : concepts de base 17
2.1. La fiabilité 17
2.2. La maintenabilité 17
2.3. La disponibilité 18
3. Fondements théoriques de calcul de la fiabilité 20
3.1. Loi de survie 20
3.2. Caractéristiques d'un système réparable 23
4. Concepts de la maintenance 25
4.1. Rappel des termes fondamentaux relatifs à la maintenance 25
4.2. Types de maintenance 27
5. Conclusion 30
 IV

Chapitre 3 : Approche de modélisation, outil développé et résultats 31

1. Introduction 31
2. Objectifs et méthodologie 31
2.1. Objectifs 31
2.2. Méthodologie 32
2.3. Notations communes 33
3. Génération des pannes 33
3.1. Hypothèse globales de modélisation des pannes 33
3.2. Objectifs de cette étape 34
3.3. Types de pannes générées 34
3.4. Intégration des pannes et de la maintenance préventive 42
3.5. Fonctionnement de l'application développée 50
4. Présentation et analyse des résultats 52
4.1. Considérations des problèmes tests sélectionnés 52
4.2. Test de validation 53
4.3. Deuxième test sélectionné 59
5. Conclusion 62
Conclusion 63
Bibliographie 64
Liste des tableaux

Tableau 1 : Loi de distributions des durées de vie communément utilisées 22

Tableau 2 : Caractéristique de l'exemple test N°l 55
Tableau 3 : Instances de test pour l'exemple N°l 55
Tableau 4 : Résultat du test N°l (Partie 1) 56
Tableau 5 : Pannes générées pour le test N°l 57
Tableau 6 : Séquences modifiées générées pour le test N°l 57
Tableau 7 : Résultats du test N°l (Partie 2) 58
Tableau 8 : Caractéristiques du test N°2 59
Tableau 9 : Données communes du test N°2 59
Tableau 10 : Instances du test N°2 60
Tableau 11 : Arrêts générés pour le testN°2 60
Tableau 12 : Indicateurs de performance pour le test N°2 61
Liste des figures

Figure 1: Ligne de production constituée de m machines et (m-1) stocks tampons 4

Figure 2: Durée minimale de traitement pour Mi sous des contraintes d'entrée (k = 2) 13
Figure 3: Durée minimale de traitement pour M; sous des contraintes de sortie (k = 2) 15
Figure 4 : Les états successifs d'un système réparable 23
Figure 5: Évolution du taux au cours de la durée de vie d'un bien 27
Figure 6 : Impact de la maintenance systématique sur la fiabilité 29
Figure 7 : Structure de données caractérisant une panne 34
Figure 8 : Logique de génération des pannes aléatoires 36
Figure 9 : Logique de génération des pannes d'usures 39
Figure 10 : Méthode d'estimation du nombre de pannes 41
Figure 11 : Logique d'intégration des pannes 44
Figure 12 : Exemple d'une séquence initiale 46
Figure 13 : Génération des pannes 47
Figure 14 : Insertion des pannes 47
Figure 15 : Logique d'intégration des opérations de maintenance préventive 49
Figure 16 : Exemple d'intégration de la maintenance préventive 50
Figure 17 : Interface principale de l'outil développé 51
Figure 18 : Schéma d'intégration de l'application 52
Introduction

Dans un contexte de production série, l'impact des défaillances sur la production se trouve
renforcé. Tout arrêt de machine peut entrainer l'arrêt complet de toute la ligne. Diverses
solutions existent. Les unes plus adaptées que d'autres selon le contexte, on peut en citer la
redondance ou la production sur stock, etc. Une autre solution qui s'est montrée très adaptée
pour ce genre de configuration consiste à prévoir des zones de stockage tampon entre les
différentes machines composant la ligne. Ces stocks tampons visent à emmagasiner
temporairement les en-cours dans le but de découpler les machines et de réduire l'impact de
la panne. Cette solution, qui semble à prime abord, simple à mettre en place, pose le
problème du dimensionnement de ces espaces et du design de la ligne dans un objectif de
flexibilité et d'aptitude à mieux répondre aux variations des séquences de produits à
fabriquer. Diverses études se sont intéressées au problème. Elles se sont basées sur
différentes méthodes de modélisation de la ligne de production. Parmi ces
méthodes mentionnons, la modélisation markovienne, l'approche des files d'attentes, la
simulation ou la modélisation linéaire.

Le présent mémoire s'inscrit dans ce contexte. Il vise à fournir aux gestionnaires un outil
d'aide à la décision qui permet, dans une optique de prédiction, de concevoir ou de modifier
la configuration du système de production. L'approche proposée prend en compte les
caractéristiques intrinsèques du système, les paramètres relatifs à un scénario d'exploitation
donné et les propriétés de fiabilité des machines composant le système pour évaluer un
ensemble d'indicateurs de performance. Un modèle de programmation linéaire a été utilisé
pour déterminer la durée de traitement de chaque lot de produit sur chaque machine. Un
programme de traitement des données et des résultats générés par le modèle, a été mis au
point. Ce programme calcule les temps d'attente de chaque machine notamment pour des
raisons de famine (cas où le stock en amont est vide) ou de blocage (cas où le stock en aval
est plein). Les calculs ont été effectués dans le cas où les machines sont supposées fiables et
dans le cas où des actions de maintenance (préventives ou correctives) sont effectuées.
Ce mémoire est divisé en trois chapitres. Dans le premier chapitre, nous présentons une
revue des principaux travaux liés aux méthodes d'analyse et d'optimisation des lignes de
production avec stocks tampons. La première partie de la revue de littérature porte sur une
présentation large des différentes approches utilisées pour traiter ce type de problèmes.
Dans la deuxième partie de ce premier chapitre, nous introduisons les travaux liés à la
méthodologie de modélisation que nous avons adoptée dans le but d'y apporter des
extensions. Dans le deuxième chapitre, nous présentons les principes fondamentaux de la
fiabilité et de la maintenance qui ont servi comme base théorique pour les extensions que
nous proposons. Dans le troisième chapitre, nous présentons, dans une première partie,
l'outil que nous avons développé dans le cadre de cette maîtrise, l'approche de modélisation
et les algorithmes qu'il met en application. Dans la dernière partie de ce troisième chapitre,
nous présentons les tests réalisés sur quelques problèmes suivis d'une brève analyse des
résultats. Cette analyse vise à vérifier le bon fonctionnement de l'outil et la justesse de la
logique de modélisation. Une conclusion est présentée à la fin du mémoire pour préciser
l'apport de ce travail et les perspectives d'extensions qu'il ouvre.
Chapitre 1 : Ligne de production avec stocks tampons
intermédiaires de capacités Unies

1. Introduction
Les systèmes manufacturiers peuvent être conçus selon diverses sortes de configurations.
Toute configuration est caractérisée par des propriétés de flexibilité, de fiabilité, de qualité,
de coûts ou encore de productivité. Les chercheurs ont toujours travaillé à développer des
approches et des méthodes qui maximisent les performances des systèmes manufacturiers
en essayant de répondre au mieux aux spécificités du système étudié.

Dans ce projet, nous nous intéresserons exclusivement aux systèmes configurés en ligne de
production avec stocks tampons de capacités finies. À travers ce premier chapitre, nous
pourrons comprendre les caractéristiques de cette configuration et parcourir les principaux
travaux de recherche publiés qui traitent de ce sujet. Nous apporterons, en dernière partie
du chapitre, une attention particulière aux travaux qui ont servi de base à cette maîtrise.

2. Configuration étudiée : propriétés et caractéristiques

Les systèmes manufacturiers constitués d'une série de machines disposées en ligne et
séparées les unes des autres par des zones de stockage intermédiaire sont communément
appelés lignes de production, lignes de transfert ou lignes de fabrication [17] [24] [23] [1].
Les industries ayant recours à ce type de configuration sont nombreuses, on peut citer à
titre d'exemple, les chaînes de montage des composants électroniques et les lignes de
production des pièces automobiles (caractérisées par un gros volume de production).

Cette configuration est très répondue dans les industries caractérisées par un flux de
production continu. Pour une ligne automatisée, la défaillance d'une machine et la capacité
des stocks intermédiaires représentent des facteurs ayant un impact direct sur l'efficacité de
la ligne de production. La panne d'une machine pouvant causer l'arrêt total de la ligne, le
stock tampon joue ici deux rôles, d'une part il diminue l'impact des écarts de productivité
des machines dans une ligne non équilibrée et d'autre part il permet, en cas de panne, de
combler, pour une durée donnée, la demande des machines situées en aval de celle qui est
en arrêt.

Dans ce contexte, l'optimisation des espaces alloués aux stocks tampons intermédiaires
reste une problématique importante dans la conception et l'analyse de ces systèmes de
production, spécialement ceux où les machines sont assujetties à des pannes imprévisibles
et dont la réparation est longue.

Dans un tel système, le flux de matières partant d'un centre opératoire vers le stock tampon
puis vers le centre suivant suit une séquence de fabrication fixe, il ne visite chaque centre
qu'une seule fois (le flux ne contient aucune boucle).

Un centre opératoire peut être constitué d'une seule machine, d'une série de machines
similaires disposées en parallèle et partageant un stock tampon commun ou d'un opérateur
(voir plusieurs effectuant la même tâche).

La matière première entre dans le système au niveau du premier centre M., suit la direction
des flux (voir figure 1) et subit les opérations définies au niveau de chaque centre. Le
produit final quitte le système au niveau du dernier centre Mm. En cas d'arrêt de la machine
Mj ou si elle a un temps opératoire plus long, la machine MM située en amont peut rester
opérationnelle jusqu'à ce que le stock tampon BM soit saturé (rempli), et la machine en aval
Mj+i peut rester opérationnelle jusqu'à ce que le stock Bi soit épuisé. Si le stock Bj est
saturé, la machine Mi doit temporairement arrêter sa production jusqu'à ce qu'un espace de
stockage au niveau de Bj se libère, la machine Mi est dite bloquée. La production de Mi est
aussi arrêtée si le stock tampon BM est épuisé ; dans ce cas, cette machine est dite en
famine. La mise en place de stocks tampons vise à découpler les centres de travail et à
minimiser les temps de blocage et de famine.

Matière Produit
première M, M, Mn Mn final

V \B^/

Figure 1: Ligne de production constituée de m machines et (m-1 ) stocks tampons

En résumé, le système de production auquel s'intéresse ce projet peut être décrit comme une
ligne de production multi-niveaux et multi-produits. Il est capable de traiter des produits
variés caractérisés par une taille de lot donnée et une durée de traitement sur chaque
machine. Une séquence commune à toutes les machines définit l'ordre de traitement des
différents produits. Chaque unité de chaque produit est immédiatement transférée d'une
machine à une autre après son traitement, elle transite par un espace de stockage
intermédiaire sur une base unitaire. Les différentes machines qui composent la ligne
nécessitent un temps de setup au changement du produit ou à la préemption du même
produit dans le cas où la machine tombe en panne.

3. Revue des principaux travaux publiés

Cette revue de la littérature est divisée en deux parties. La première partie présente les
travaux relatifs aux méthodes d'analyse des lignes de production utilisant des stocks
tampons, la deuxième, présente les publications qui traitent des méthodes d'optimisation de
ces lignes.

3.1. Méthodes d'analyse des lignes de production

Une revue de littérature détaillée sur les méthodes d'évaluation de la performance des lignes
de production peut être consultée par exemple dans [17] [40][38]. Vladzievskii [51] a été
l'un des précurseurs de la recherche sur l'analyse des stocks tampons. Dans ses travaux
publiés en 1953, il a utilisé la théorie des probabilités pour étudier le comportement d'une
ligne de transfert automatique.

En 1959, Koeningsberg [35] a proposé une méthode analytique pour la modélisation des
lignes de production avec stocks tampons. Il s'est particulièrement intéressé aux cas limites:
stock tampon à capacité nulle, ou bien de capacité infinie.

Plus tard, l'approche des files d'attente a été utilisée par plusieurs auteurs [8][34][41]. Des
techniques de modélisation de systèmes manufacturiers sont proposées dans [11] où
plusieurs types de files d'attente sont employés.

Buzacott a proposé, en 1967, un modèle basé sur une approche Markovienne [10]. Dans
son modèle il considère un stock de capacité finie, les distributions des pannes et des
réparations sont supposées géométriques, et les pannes dépendent uniquement de
l'opération et non du temps. Une extension de ce modèle a été proposée par Buzacott et
Shanthikumar [9], pour inclure les pannes dépendant du temps. Beaucoup d'autres modèles
qui traitent le cas de deux machines et un stock intermédiaire ont été élaborés, on peut en
citer [43] [42] [46]. Gershwin et Berman [25] ont étendu le modèle de Buzacott en prenant
en compte les probabilités de défaillance et de réparation simultanées des deux machines.

Gershwin et Shick [26] ont proposé une méthode utilisant l'approche markovienne pour
modéliser une ligne de production constituée de m machines non fiables et des stocks
tampons à capacité finie. Ils ont supposé que toutes les machines composant la ligne ont
des temps de traitement égaux et constants et qu'elles débutent leurs opérations en même
temps. Ils ont appliqué leur approche à une ligne comportant 3 machines.

Il faut souligner ici que l'approche de modélisation markovienne atteint rapidement ses
limites si le nombre de machines qui composent la ligne est important. Dans ce cas il est
difficile de développer des modèles exacts puisque le nombre d'états du système augmente
exponentiellement en fonction du nombre de machines. La méthode d'agrégation qui a été
introduite dans [50], permet l'étude des lignes de grandes tailles. Dans cette méthode,
chaque combinaison de deux machines et du stock tampon qui les sépare, est substituée par
une seule machine équivalente. Une agrégation successive permet ainsi de remplacer toute
la ligne par une seule machine équivalente possédant le même taux de production.

D'autres approches de modélisation ont été explorées pour l'évaluation de la performance

des lignes de production. Parmi ces approches, citons le travail de Johri [32] qui propose
une méthode de modélisation totalement différente de ce qui précède. Il ne se base ni sur
l'analyse des chaînes de Markov, ni sur la théorie des files d'attente. Cette approche, qui
fera partie intégrante de cette maîtrise, sera traitée plus en détail plus loin dans ce chapitre.

Gershwin [24] a proposé une méthode qui a pour but de généraliser le résultat obtenu pour
deux machines [25] à un système de n machines et (n - 1) stocks tampons. Cette technique
se base sur la décomposition de la ligne originale, en plusieurs lignes fictives. L'élément clé
de cette méthode de décomposition est d'assurer que les flux entrant et sortant des tampons
des lignes fictives correspondent à ceux des tampons de la ligne de production originale.
Dallery, David et Xie [19] ont développé une méthode numérique itérative (algorithme
DDX) permettant d'approximer le taux de production d'une ligne à n machines et (n - 1)
stocks tampons en se basant sur la méthode de décomposition de Gershwin [24].

L'algorithme DDX [19] présente l'avantage de permettre d'approximer le taux de

production de la ligne en un temps très court et les résultats générés s'approchent
grandement de ceux produits par simulation. Pour les lignes non équilibrées, les techniques
d'homogénéisation proposées dans [17] ou l'algorithme ADDX de Burman [7] représentent
des extensions qui conservent les avantages de l'algorithme DDX.

Bien que la majorité des travaux existants s'intéressent à l'évaluation des performances
d'une ligne de production en régime permanent, il existe aussi un certain nombre de travaux
qui s'intéressent au comportement de la ligne en régime transitoire [4] [15] [21] [26] [27]
[52] [53]. Il faut noter aussi que plusieurs études basées sur la simulation ont également été
réalisées [4] [5] [16] [28] [33].

3.2. Méthode d'optimisation des lignes de production

Une revue de littérature concernant l'optimisation des stocks intermédiaires peut être
trouvée par exemple dans [23] ou [38]. Une étude détaillée des travaux de recherche liés à
cette problématique est fournie dans [45] et [39]. La plupart de ces travaux concernent des
lignes de production de petite taille [30] [29]. Ho et al. [31] ont étudié l'optimisation de la
performance d'une ligne de production en utilisant les techniques d'analyse des
perturbations pour calculer des gradients par simulation. Gershwin et Shor [23] ont proposé
des algorithmes basés sur la méthode du gradient. Dans [20], les auteurs ont développé un
algorithme génétique pour résoudre ce type de problème. L'outil d'évaluation de
performance utilisé est basé sur une méthode d'agrégation. Balakrishnan et al. [6] ont
développé un algorithme hybride utilisant les algorithmes génétiques pour la conception
des lignes de production

Il existe aussi des travaux qui utilisent des techniques basées sur les métaheuristiques pour
l'optimisation des lignes de production de grandes tailles [48] [49] [47] Spinellis et al. [47]
ont appliqué le recuit simulé pour résoudre le problème d'allocation optimale des stocks
tampons, les auteurs ont utilisé une méthode basée sur les files d'attente pour l'évaluation de
la performance. Dans [48], les auteurs ont développé un algorithme d'optimisation basé
aussi sur le recuit simulé, mais en utilisant la méthode de décomposition pour l'évaluation
de la performance. Spinellis et Papadopoulos [49] ont présenté une étude comparative entre
l'algorithme génétique et le recuit simulé pour la résolution du problème d'allocation
optimale des stocks tampons dans des lignes dont les machines sont considérées fiables. Shi
et Men [44] ont proposé une nouvelle méthode d'optimisation appelée Nested Partitions
pour ce problème. Les auteurs ont effectué des tests comparatifs entre cette méthode et la
recherche avec tabou. Les résultats obtenus avec la méthode Nested Partitions étaient
supérieurs.

Notons qu'une grande partie des travaux publiés considèrent souvent des lignes de
production dont les machines sont fiables. Dans ce qui va suivre, nous allons présenter en
détail le modèle développé par Johri [32] qui constitue une des bases principales du
développement de ce projet de maîtrise.

4. Approche de modélisation linéaire d'une ligne automatisée

avec des stocks tampons de capacité finie
4.1. Objectifs et considérations du modèle
4.1.1. Objectifs du modèle
L'étude présentée par Johri [32] en 1987 a deux principaux objectifs. D'une part elle vise à
fournir au gestionnaire une information qui lui permet une prise de décision sur le long
terme (conception de la ligne), d'autre part, l'approche proposée peut aider à la prise de
décision sur une base quotidienne (paramètres de configuration).

Les paramètres de configuration liés à la gestion quotidienne sont : le dimensionnement des

stocks tampons, l'ordonnancement de la séquence de production et la taille des lots à
produire.

4.1.2. Considérations du modèle

Dans son modèle, l'auteur propose de majorer les durées nominales de traitement sur les
machines pour prendre en compte les temps d'arrêt (pannes et réparation). C'est sur ce point
que se basent les extensions proposées dans ce mémoire. Dans le Chapitre 3, nous allons
proposer une méthode différente pour la prise en compte des arrêts.

Dans ce modèle la production se fait à flux continu. La même séquence se répète pendant
une longue période et le temps de cycle est défini comme la mesure moyenne du temps de
traitement d'une séquence complète.

Hypothèses

1 Toutes les machines d'une même station fabriquent le même type de produit
jusqu'à l'achèvement de tout le lot.

2 Les articles suivent la même séquence de production sur toutes les machines.

Paramètres du modèle

s nombre de stations

m; nombre de machines à la station i

bj capacité du stock tampon entre la station i et la station i+1, i = 1,.., s-1

c nombre de lots

nj taille du lot de produits de type j

Pij durée nominale de traitement du produit j sur une machine appartenant à la

station i

sty temps de setup de la machine i pour lancer le lot de produits de type j

4.1.3. Conditions fondamentales

Le rôle que joue le stock tampon dans le processus de production a été résumé par l'auteur
en deux conditions fondamentales qui doivent être vérifiées en tout temps. Ces deux
conditions sont les suivantes :

tout instant donné t, la quantité totale produite par une station i (considérant que la
production a été initialisée dans toutes les stations à t = 0) :

(a) ne peut dépasser ce qui a été produit par la station i+1 que par une quantité
inférieure ou égale à la capacité du stock intermédiaire qui les sépare
 10

(b) ne peut être inférieure à ce qui a été produit par la station i-1 que par une
quantité inférieure ou égale à la capacité du stock intermédiaire qui les
sépare

La première condition est appelée condition de sortie, la deuxième est appelée condition
d'entrée. La condition d'entrée d'une station i est équivalente à la condition de sortie de la
station i-1, cependant la distinction doit se faire entre les deux, car les contraintes linéaires
qui traduiront ces 2 conditions ne sont pas équivalentes.

Deux autres conditions doivent être vérifiées. Ces dernières stipulent que la quantité totale
produite par une station :

(c) ne peut dépasser la capacité de cette station

(d) ne peut dépasser la quantité totale produite par la station située en amont ou
être inférieur à la quantité produite par la station située en aval

Les contraintes linéaires proposées dans la suite visent à traduire ces conditions
indépendamment du temps. Dans cette logique deux nouvelles variables ont été définies :

di, représente la durée de temps consommé par la station i pour produire tout le
lot j , elle inclut le temps de setup, le temps de production effectif et le temps
que passe la machine en état de blocage/famine.

T représente la durée totale d'un cycle de production

4.2. Modèle linéaire

4.2.1. Contraintes de production
Les contraintes de production sont obtenues d'une façon directe. Elles stipulent que le
temps nécessaire pour la fabrication d'un lot entier d'un produit donné, doit être supérieur
ou égal à la somme du temps de fabrication de tous les articles constituant le lot et du temps
de setup de la machine :

dij > Pijïij + stij i = l,..,s ; j = l,..,c (1)

4.2.2. Contraintes d'entrée

Ces contraintes visent à traduire la deuxième condition fondamentale citée dans le
paragraphe 4.3. Le temps que met la machine pour finir un lot est la somme des temps de
 11

fabrication, de setup et de blocage/famine. Sous l'hypothèse que la production est effectuée

à taux constant durant ce laps de temps diminué du temps de setup, le temps nécessaire
pour le ravitaillement du stock tampon est facilement exprimé en fonction de djj. La
capacité des stocks tampons étant définie, il faut donc prendre en considération le cas où le
stock tampon peut contenir des lots de produits différents.

La fonction W(i, j , k) est définie comme la le temps nécessaire pour ravitailler le stock
tampon situé en aval de la station i, sachant que cette station produit les lots j-k, j-k+l,..,j
dans cet ordre. Deux cas sont à étudier :

Si la taille totale des lots en question est inférieure à la capacité du stock tampon :

ï,U j _ k n r <b i (2)

Alors :

W(i,j,k-) = YJ r = j _ k d i r (3)

Sinon, on définit r) = r|yk comme le plus petit entier qui vérifie :

Y/r~=T-lnr^bi (4)

On peut traduire ceci par le fait que le remplissage du stock tampon nécessite les quantités
totales de produits des lots j-k, ..., j-k+r|-l et une fraction du lot j-k+r|-l. Cette fraction
notée Yijk peut être calculée comme suit :

Yijk = — % T — (5)
n
j-k+ri

Et l'expression de W(i, j , k) est finalement donnée par :

W(i,j, k) = E ^ - k - 1 d ir + Y..k(<*i,;-*+„ - st i#j _ k+ „) + st u _ k + r 7 ( 6)

 12

Pour une station i et étant donné j et k, les contraintes d'entrée visent à formuler
l'expression du temps minimal nécessaire pour le traitement des lots j-k, j-k+l,..j , la
figure 2 qui suit tirée de [32] illustre la logique de la formulation :

• Si la station i-1 consomme la durée de temps comprise entre les dates ti et t_ pour
traiter les lots en question, alors, la station i ne peut pas finir le traitement des
mêmes lots avant la date t2 + py (puisque la dernière pièce arrivera au plus tôt à la
machine i à la date t:).

• Aussi, la durée maximale que peut attendre la station i avant de commencer le

traitement de ces lots (setup effectué pour le lot j-k) correspond au moment où le
stock tampon est plein à la date ti + W(i-1, j , k) - stjj_k.(premier produit dans la file
d'attente de type j-k puisque c'est un ravitaillement W(i-1, j , k), i a traité tous les
autres produits) Alors la durée de temps consommée par i pour finir le traitement de
ces lots doit être supérieure ou égale à :

t2 + Pu -h-WÇi-1 J, k) + stiihk (1)

• Par conséquent, pour i = l,..,s ; j = l,..,c, k = 0,..,c-l

£r=o dij-r > ï r = 0 d,_ 1J _ r - W(i - 1 , ; , k) + Vij + stu.k ( 8)

 13

Durée minimale de traitement des

jots j-2, j-1 et j sur la station i
k

Production * i

■ i
■ ■
i p i

Setup ^ ^
b,.
Production

Temps
►

d,. lj-2 Jj-lj-l d,.,.

W(i-l,j,2)

Figure 2: Durée minimale de traitement po ur une statio n i sous des contraintes d'entrée (k = 2)

4.2.3. Co ntraintes de so rtie

Ces contraintes, similaires aux contraintes d'entrée, visent à traduire la première condition
fondamentale de modélisation des lignes de production avec stock tampon à capacité finie.

Étant donné la station i qui produit les lots j-k, j-k+l,..,j dans cet ordre et t la date de fin du
traitement de ces lots, la fonction Y(i, j , k) est définie comme la durée avant t nécessaire
pour traiter une quantité de produits égale à la capacité du stock tampon situé en amont de
la station i (ou la séquence complète si elle est inférieure à la capacité du stock tampon).

L'expression de Y(i, j , k) n'a pas été explicitement formulée dans l'article [32]. Elle peut
être déterminée en suivant la même approche adoptée pour déterminer W(i ,j ,k). Les
différences entre les deux fonctions viennent du fait que pour W le stock tampon est situé
en aval de la station i, mais pour Y il est situé en amont. Soulignons aussi le fait que W est
relatif au temps nécessaire pour ravitailler le stock tampon en commençant par le lot j-k
quant à Y elle réfère à la durée de vidange du stock tampon en finissant par le lot j .
 14

Comme précédemment, deux cas sont à étudier :

Pour i = 2,..,s ; j = l,..,c et k = 0,..,j-l

Si la taille totale des lots j-k, j-k+l,..,j est inférieure à la capacité du stock tampon :

E;r=;_knr<Vi (9)

Alors :

Y(i,j,k)=Zl =j _ k d Lr (10)

Sinon, r) = rip est le plus petit entier qui vérifie :

l J r=j-k+rj n r ^ V l C11)

Ce qu'on peut traduire par le fait que le remplissage du stock tampon nécessite les quantités
totales de produits des lots j-k+r|+l, ..., j et une fraction du lot j-k+m Cette fraction notée
Yijk peut être calculée comme suit :

Ytjk = b i -*-f'-^ n r (12)

Et l'expression de Y(i, j , k) est finalement donnée par :

Y(i,j, k) = YJ r = p k + r ] + 1 d i r +Y. jk (d.,;- k+7 , - stjj_ k+r7 ) + sti;j_k+77 ( 13 )

Étant donné j et k, l'expression des contraintes de sortie pour la station i peut ainsi être
formulée (voir figure 3):

• Si la station i+1 consomme la durée de temps comprise entre les dates t3 et U pour
finir le traitement des lots j-k, j-k+l,..,j alors la station i doit commencer à la date
t3-pij-k+Sti+l j-k .

• Aussi, cette station ne peut pas finir avant la date t 4 -Y(i+l, j , k) sinon un
débordement sera constaté au niveau de la station i, ce qui n'est pas permis
 15

• Ceci est valable pour i=l,..,s-l ; j=l,..,c ; k=0,..c-l

Lr =0 "ij-r ^ Lr=0 "i+lj-r Y(i + 1 ,_/ > k) + Pi,j-k ~ s

^i+l,j-k (14)

Production
Setup
Durée minimale de traitement des
lots j-2, j-1 et j sur la station i Production

ii+lj-2 d,- i.j-i di+ij

Y(i+l,j,2)

Figure 3: Durée minimale de traitement pour une station i sous des contraintes de sortie (k = 2)

4.2.4. Contraintes de cycle

Ce dernier type de contraintes définit une limite inférieure pour le cycle de production,
cette contrainte stipule que ce cycle doit être supérieur ou égal à la durée de temps
consommée par chacune des stations du système pour le traitement de la séquence de
production complète.

T>i:u dii i = l,..,s (15)

Il est à noter que si la capacité des stocks tampons est grande, alors les contraintes d'entrée
et de sortie deviennent redondantes et au contraire si la taille de ces stocks est trop petite,
alors ces contraintes forcent toutes les stations à produire au taux de la station la plus lente.
 16

4.2.5. Fonction objectif

Suite à la définition des différentes contraintes du modèle, la fonction objectif est de
minimiser le temps de cycle.

Le programme linéaire est résumé comme suit :

Minimiser T + e _£f=1 Yp=i d t j ( 16 )

Sujet à :

Ct. Capacité : i = l,..s ; j = l,..c

du > PijUj + stij (11)

Ct. D'entrée : i = l,..s ; j = l,..c ; k = 0,.j-1

I * = 0 d.,/- r > E|Lo d._1#,_r - W Ç i - 1 , j , k) + Pij + sty_k (18)

Ct. De sortie : i = l,..s ; j = l,..c ; k = 0,..j-l

£r = o d U-r ^ Sr=o d i + 1 J - r - Y(jl + 1 J , k) + p £J _ k - St i+1J _ k ( 19 )

Ct. De cycle : i= l,..s

T>Ydj=1dtj (20)

5. Conclusion
Dans ce chapitre nous avons fait une revue des différents travaux liés à l'analyse du
fonctionnement d'une ligne de production avec stock tampon à capacité finie. Nos
différentes lectures nous ont permis de sélectionner l'approche qui nous semblait la plus
apte à répondre aux objectifs de cette maîtrise. Cette méthode de modélisation proposée par
Johri [32] a ensuite été détaillée dans la deuxième partie de ce chapitre. D'autres aspects de
ce modèle, liés à la mesure des indicateurs de performance, seront présentés dans le
chapitre 3.
Chapitre 2 : Fiabilité et maintenance

1. Introduction
Dans ce chapitre nous allons présenter les concepts et principes fondamentaux liés à la
fiabilité et à la maintenance. À cette étape nous n'allons pas faire une revue des derniers
travaux publiés sur ce sujet. Ce qui nous intéresse, pour les besoins de ce projet de maîtrise,
est de cerner les bases fondamentales liées au domaine de la maintenance et de la fiabilité.
Ceci nous permettra d'apporter les extensions voulues au modèle de Johri [32] présenté
dans le chapitre précédent dans le but d'élargir l'analyse aux lignes de production
composées de machines sujettes à la défaillance.

2. Sûreté de fonctionnement : concepts de base

2.1. La fiabilité

La fiabilité est définie dans [22] comme l'aptitude d'un dispositif à fonctionner sans
défaillance, dans des conditions données, pendant une durée de temps donnée. Lorsqu'on
quantifie ce paramètre, on exprime cette aptitude par la probabilité d'atteindre un temps t
sans défaillance.
Dans cette définition, dispositif peut faire référence à des objets de complexité variable : du
simple composant aux systèmes de complexité importante.

Pour tout industriel, l'objectif est de trouver le moyen d'atteindre un niveau de fiabilité qui
aura pour résultat « zéro » arrêt pour ses lignes de production. Cet objectif ne peut
évidemment pas être atteint, mais différentes méthodes d'optimisation de la fiabilité visent à
minimiser la probabilité d'occurrence des défaillances pour permettre au système d'atteindre
un niveau de productivité donné.

2.2. La maintenabilité

La maintenabilité est définie dans [22] comme l'aptitude d'un dispositif à être maintenu
(maintenance préventive) ou rétabli (maintenance corrective) dans son état de
fonctionnement, en s'intéressant surtout au temps nécessaire pour réaliser ces opérations de
maintenance.
 18

Pour quantifier ce paramètre, cette aptitude est mesurée par la probabilité d'effectuer
l'opération de maintenance dans une durée au plus égale à un temps t donné.

Il est à noter bien évidemment que, si la fiabilité concerne les dispositifs réparables et non
réparables, la maintenabilité n'a de sens que lorsqu'on s'intéresse aux dispositifs
réparables.

Comme la fiabilité, la maintenabilité est créée au stade de la conception (facilité de

montage et de démontage, accès aux composantes, dispositif de diagnostic...). Mais sur un
système en exploitation, à la différence de la fiabilité sur laquelle on peut agir (maintenance
préventive par exemple), la maintenabilité est quant à elle une caractéristique conceptuelle
du système, sur laquelle il est généralement difficile d'intervenir après fabrication. Pour un
système qui est caractérisé par un niveau de fiabilité peu élevé, l'importance du facteur
maintenabilité s'accroit puisque les interventions de maintenance seront plus fréquentes ; à
l'inverse, des temps d'arrêt plus importants pourront être acceptés si les défaillances sont
très rares. Les temps de réparation admissibles seront généralement déterminés en fonction
du contexte de production (production sur stock, stock de sécurité, stock tampon,
production en JIT, etc.)

2.3. La disponibilité
La disponibilité est définie dans [22] comme l'aptitude d'un dispositif, sous les aspects
combinés de sa fiabilité, de sa maintenabilité et de la logistique de maintenance, à remplir
ou à être en état de remplir une fonction à un instant donné ou dans un intervalle de temps
donné.

Cette définition englobe trois parties :

• Composantes de la disponibilité

La disponibilité d'une entité est le résultat des trois composantes énumérées dans la
définition : la fiabilité, la maintenabilité et la logistique de maintenance

Des niveaux de fiabilité et de maintenabilité élevés engendrent un niveau de disponibilité

élevé.
 19

La logistique de maintenance désigne l'organisation de l'activité maintenance. Elle mesure

par exemple les facteurs liés à l'attente des pièces de rechange et le temps de
refroidissement de certains systèmes avant de pouvoir effectuer l'intervention. Des facteurs
qui augmentent de temps de réparation et affectent donc la disponibilité sans avoir un effet
sur la mesure de la maintenabilité.

Pour l'amélioration de la disponibilité, il est constaté que l'on cherche généralement à agir
sur la fiabilité (diminuer la fréquence des défaillances) alors qu'il est possible d'intervenir
sur les trois composantes.

• Dispositif opérationnel

" ... à remplir ou à être en état de remplir une fonction... " : le dispositif décrit dans la
définition est un dispositif opérationnel, c'est-à-dire, soit en marche, soit prêt à fonctionner.
Un dispositif peut être disponible (opérationnel) sans être en état de fonctionnement : c'est
le cas, par exemple, d'un équipement de production en attente de ravitaillement.

Le dispositif est donc considéré comme indisponible lorsqu'il est en panne ou lorsqu'il fait
l'objet d'opérations de maintenance préventive nécessitant son arrêt. Nous pourrons voir
dans le chapitre 3 que ces 2 types d'indisponibilités seront modélisés d'une façon très
similaire, mais que leurs effets sur le fonctionnement du système sont très différents.

• Disponibilité instantanée et stationnaire

" ... à un instant donné ou dans un intervalle de temps donné... " : une distinction est à faire
entre disponibilité instantanée (probabilité que le dispositif soit opérationnel à un instant
donné), et disponibilité stationnaire (proportion du temps pendant lequel le dispositif est
opérationnel).

Selon le cas, l'une ou l'autre des disponibilités est privilégiée. Pour un équipement
d'urgence la disponibilité instantanée est primordiale, pour un système de production
continue, c'est plutôt la disponibilité stationnaire qui a le plus d'impact.

Suite à ces définitions, il est important de souligner qu'une partie importante de la

disponibilité résulte de la logistique de maintenance. Il est donc très important d'organiser
 20

la maintenance dans une optique de prévision. Dans le chapitre 3 nous ferons le lien entre
ce point et l'approche de prise en compte de la maintenance que nous avons développée.

3. Fondements théoriques de calcul de la fiabilité

3.1. Loi de survie
La loi de survie est définie dans [14] comme la loi qui caractérise la propension d'un
système à tomber en panne au cours du temps, elle permet ainsi d'évaluer la fiabilité de ce
dernier. Le taux de défaillance indique le comportement d'un dispositif d'un âge donné
dans le futur immédiat. Les lois de survie peuvent être discrètes ou continues, pour tout ce
qui va suivre nous allons uniquement nous intéresser aux lois continues.

3.1.1. Densité de probabilité des durées de vie

Prenons une pièce neuve. La probabilité qu'elle tombe en panne entre l'âge t et l'âge (t +
dt) est égale à :/(t) dt

avec / ( t ) Densité des probabilités associée aux durées de vie.

On montre que f (t) est la dérivée de la probabilité de défaillance avant l'âge t :

F(t)= ^f(u)du (21)

F (t) est appelée fonction de répartition des durées de vie ou des temps jusqu'à défaillance.
C'est le complément à 1 de la probabilité de survie (ou fiabilité) R (t), d'où :

R(t) = 1 - F(t) = 1 - J 0 7 ( u ) du = / " / ( u ) du ( 22 )

Il en résulte que :

(23)
/(t) = - ^ T

3.1.2. Taux de défaillance

Si on considère maintenant une pièce ayant servi pendant une durée t et encore survivante.
La probabilité qu'elle tombe en panne entre l'âge t qu'elle a déjà et l'âge t + dt est
 21

représentée par la probabilité conditionnelle qu'elle tombe en panne entre t et t + dt,

sachant qu'elle a survécu jusqu'à t. D'après le théorème des probabilités conditionnelles
cette probabilité est égale à :

f
-^ = r(t)dt (24)
v J v
R(t) '

Avec r(t) le taux de défaillance de la pièce à l'âge t.

On a donc :

r ( t ) = £__2 = __L_.M£) (25)

V J V
R<t) R{p) dt '

r(t) s'exprime également par l'inverse d'un temps, mais n'est pas une densité de probabilité.

La relation :

Kt) = * <_££_ ( 2 6 )
v J v
Rft) dt '

montre que le taux de défaillance est, au signe près, la dérivée logarithmique de la fiabilité:

m = _^vmi (27)
ln/.(t) = - f Q r { u ) d u (28)

R(t) = e x V [ - j ^ r ( u y d u ] (29)

3.1.3. Distributions de durées de vie communément utilisées

La distribution de durée de vie correspondant à un taux de panne fixe est la distribution

exponentielle. Pour des taux de défaillance variables, on utilise le plus souvent : les
distributions normales (ou de Laplace-Gauss), log-normales (ou de Galton), de Weibull et
des valeurs extrêmes. Dans certains problèmes, la distribution gamma (ou d'Erlang) peut
également être utilisée. Les propriétés principales de ces distributions sont résumées dans le
tableau qui suit :
 22

Distribution Caractéristiques

f(t) = X e~ Xt
m =A
Exponentielle F(t) = 1 - e~ u
i
MTBF = -
R(t) = e~ M A.

Weibull : _C__2/
R(t) = e W >
n\ n 1
P : Paramètre de forme
n : Paramètre d'échelle pîzrfJ
F(t) = l - e M n\ n 1
y : Paramètre de position

f(t) = —f=e-* e)

Fonction de répartition :
Normale (Laplace-Gauss)
* ( " ) = Çq>(x)dx

u= (^)et«p(u)=^=e4"2

1 l/L7l(t)-^\ 2
Log-Normale
Avec <p(u) la fonction de
répartition de la variable
réduite

Gamma
r(k):f 0 e~ x x k ~ x dx : fonction i=0

eulérienne de 2e espèce

Tableau 1 : Loi de distributions des durées de vie communément utilisées

 23

Cette définition des caractéristiques liées aux lois de distributions des durées de vie les plus
utilisées nous permettra dans l'étape de développement de programmer les fonctions
nécessaires à la génération d'une panne liée à une distribution choisie.

3.2. Caractéristiques d'un système réparable

Avant d'aborder les différents concepts de la maintenance, nous présentons brièvement
dans cette partie les caractéristiques d'un système réparable. Pour ce type de systèmes,
l'occurrence d'une défaillance est suivie d'un ensemble d'opérations destinées à remettre le
système en service. Ces opérations englobent le diagnostic, l'affectation des ressources, la
commande des pièces de rechange, les tâches de réparation, les tests fonctionnels et la
remise en route [3]. Pour les systèmes réparables, la mesure de la disponibilité stationnaire
est considérée comme un bon indicateur de performance.

Les grandeurs et les paramètres liés aux systèmes réparables sont :

3.2.1. Taux de réparation

C'est la grandeur qui mesure la vitesse de réalisation des activités d'entretien d'un système
réparable. Cette grandeur sera notée : \i(t).

3.2.2. Temps de fiabilité

La figure 4 schématise les états successifs que peut prendre un système réparable. Nous
définirons ensuite ces différents états.

Début d'intervention Deuxième panne

Mise en service ' panne Remise en service

Bon fonctionnement ii Attente > t Réparation >t Bon fonctionnement ' '
MTTR MUT
MTTF MDT
MTBF

Figure 4 : Les états successifs d'un système réparable

 24

MTTR : C'est l'acronyme de la désignation anglaise (Mean Time To Repair). Le temps

technique moyen de réparation est l'espérance mathématique des durées de réparation
(l'inverse du taux de réparation). Si z(t) désigne la loi de densité des temps techniques de
réparation, le MTTR est défini par :

MTTR = Ç t . z ( t ) d t (30)

MTTF (Mean Time To Failure) : C'est le temps moyen avant la première défaillance.

MTBF (Mean Time Between Failure) : C'est le temps moyen entre deux pannes. Si f(t)
désigne la densité de probabilité des durées de vie et R(t) la fonction de fiabilité, le MTBF
est défini par :

MTBF = Ç t . f Ç t ) d t = /0°°/?(t) d t ( 31 )

MDT (Mean Down Time) : C'est le temps moyen d'indisponibilité ou d'arrêt

MUT (Mean Up Time) : C'est le temps moyen de disponibilité.

Les expressions des lois de distributions présentées plus haut permettent de déterminer les
valeurs de ces différents indicateurs.

3.2.3. Expressions de la disponibilité

Nous avons précédemment défini les caractéristiques de la disponibilité et les facteurs qui
influent sur elle. Nous allons maintenant en définir les expressions analytiques.

La disponibilité instantanée

Notée A(t), elle est définie comme la probabilité qu'un système soit en opération à l'instant t
et ce indépendamment des états précédents [3].

A(t)>R(t, (32)
 25

La disponibilité dans un intervalle T

C'est l'espérance mathématique de la proportion de temps où le système est en état

d'opération dans l'intervalle de temps considéré [3].

AV(T)=±J0A't)dt (33)

La disponibilité stationnaire

C'est la proportion du temps moyen de bon fonctionnement sur un horizon infini

UTR = \ i m T ^ O 0 A V ( T ) = — ^ ^ — (34)

4. Concepts de la maintenance
Dans l'entreprise d'aujourd'hui la maintenance est passée du statut de fonction de support
considérée par la direction comme improductive et consommatrice de ressources, à une
fonction stratégique [37]. Elle implique une parfaite maîtrise du processus de production et
fait appel à des méthodes et des outils de plus en plus performants.

4.1. Rappel des termes fondamentaux relatifs à la maintenance

4.1.1. Maintenance

La maintenance est définie dans [37] comme l'ensemble de toutes les actions techniques,
administratives et de management durant le cycle de vie d'un bien, destinées à le maintenir
ou à le rétablir dans un état dans lequel il peut accomplir la fonction requise.

4.1.2. Fonction requise

La fonction requise est la fonction considérée comme nécessaire pour fournir un service
donné.
 26

4.1.3. Panne

La panne d'un bien est définie dans [3] comme l'état d'inaptitude à accomplir une fonction
requise, excluant l'inaptitude due à la maintenance préventive ou à d'autres actions
programmées ou à un manque de ressources.

Un des critères les plus utilisés pour catégoriser les pannes, est la période de vie du bien au
moment de l'apparition de la panne. Ces différents types de pannes sont généralement
présentés à l'aide d'une courbe en baignoire présentée par la figure 5. Cette courbe présente
l'évolution du taux de défaillance au cours du temps et elle divise l'échelle de l'âge en trois
zones : a zone A représente la période de jeunesse, la zone B la période de vie utile du bien
et la zone C la période d'usure.

Les pannes infantiles

Appelées aussi pannes de jeunesse, ce sont celles qui surviennent au début de l'exploitation
du bien. Les causes relatives à ce type de pannes sont diverses, on peut en citer par
exemple: la mauvaise manipulation ou la surchauffe des composants due à la friction des
pièces neuves [3]. Ce type de pannes est associé la zone A de la figure 5.

Les pannes accidentelles

Appelées aussi pannes aléatoires, ce sont celles qui surviennent de manière imprévisible et
totalement aléatoire durant la période de la vie utile de la machine [3]. Elles entraînent des
arrêts imprévus qui mettent en péril les plannings préétablies et sont généralement assez
difficiles à diagnostiquer et à réparer. Ce type de pannes est généralement modélisé par une
loi de distribution des durées de vie exponentielle (taux de panne constant). La zone B
représente la période de vie associée à ce type de pannes.

Les pannes de vieillisse

Appelées aussi pannes d'usure, ce sont celles qui surviennent après un certain temps
d'exploitation. Elles ont pour cause principale, l'usure de l'équipement à la fin de sa vie utile
ce qui augmente considérablement la probabilité de tomber en panne. Pour cette catégorie,
le taux de panne est croissant, et la distribution de Weibull (avec un paramètre de forme
 27

supérieur à 1) est souvent utilisée pour modéliser la durée d'un équipement dans cette
phase. La zone C représente cette période de vieillissement.

Zone B Zone C

Temps (t)

Figure 5: Évolution du taux au cours de la durée de vie d'un bien

Les stratégies de maintenances adoptées par les industriels pour faire face à ces pannes
varient selon les zones présentées ci-haut. Dans ce qui va suivre, nous allons voir les
différents types de maintenance qui peuvent être adoptés.

4.2. Types de maintenance

4.2.1. Maintenance corrective

La maintenance corrective est une forme de maintenance inhérente à l'utilisation de tout

bien réparable. Elle est définie par la norme NF EN 13306 comme la maintenance qui est
"exécutée après détection d'une panne et destinée à remettre un bien dans un état dans
lequel il peut accomplir une fonction requise ".

4.2.2. Maintenance préventive

La maintenance préventive est définie dans la norme précitée, comme "la maintenance
destinée à réduire la probabilité de défaillance ou la dégradation du fonctionnement d'un
bien". Trois variantes de maintenance préventive sont à distinguer : la maintenance
préventive systématique, la maintenance préventive conditionnelle et maintenance
préventive prévisionnelle.
 2S

Maintenance systématique

La maintenance systématique est basée sur la connaissance des caractéristiques liées au

matériel utilisé, sous les conditions relatives à son exploitation, elle consiste à effectuer des
interventions de contrôle ou de remplacement en suivant un planning préétabli
généralement exprimé en "unités d'usage". Elle est dans ce cas une maintenance basée sur
le fonctionnement et non sur l'échelle absolue du temps. La réussite dans la mise en place
de cette stratégie est liée à deux composantes majeures :

• La détermination précise de l'échéancier d'intervention :

Cet échéancier est essentiellement basé sur les caractéristiques de fiabilité de l'équipement
concerné. Il est le plus souvent recommandé par le fabricant de l'équipement et il doit être
basé sur une connaissance suffisante du comportement du bien sous les conditions précises
d'exploitation. La difficulté ici est de regrouper les interventions sur différents équipements
ou composantes d'un même équipement, puisqu'intervenir plus tôt entraîne des
conséquences relatives au coût (consommation abusive de pièces de rechange, etc.) alors
qu'intervenir plus tard entraîne des conséquences relatives au risque accru de panne.
Différentes méthodes d'optimisation ont été proposées dans la littérature pour répondre à
cette problématique dans une logique de minimisation des coûts de la maintenance ou de
maximisation de la disponibilité.

• Planification des interventions de maintenance systématique en fonction des arrêts

de production planifiés :

L'intervention de maintenance systématique nécessite souvent la mise à l'arrêt de

l'équipement, ce qui pousse les industriels à essayer de coordonner cet arrêt avec un arrêt de
production planifié. Sur ce point, nous verrons dans le chapitre 3 l'apport de la
méthodologie de modélisation que nous proposons dans la détection des périodes
d'inactivités des machines pour des raisons de blocage ou de famine. Ces périodes peuvent
être exploitées pour effectuer les opérations de maintenance systématique. On parle alors de
maintenance opportuniste.
 29

• Impact de la maintenance systématique sur la fiabilité :

Si on définit R(t) comme la fonction de fiabilité d'un système sans maintenance et Rm(t) la
fiabilité du même système assujetti à une maintenance systématique de périodicité T, on a
alors:

/?(t)siO <t<T
Rm(t) n
R(T) R(t-nT)

Ces interventions, dans l'hypothèse où la maintenance est parfaite, auront pour impact de
remettre le système à neuf comme le montre la figure qui suit :

Rm(t>

2T nT

Figure 6 : Impact de la maintenance systématique sur la fiabilité

Maintenance préventive conditionnelle

Cette maintenance est définie dans [36] comme étant celle que l'on réalise uniquement
lorsque l'état du bien le nécessite. Elle est ainsi basée sur des techniques qui permettent la
surveillance de l'état du bien en exploitation, et la qualification précise de l'état de ce
dernier au moment du contrôle. Cette stratégie, pas toujours évidente à mettre en place,
permet d'améliorer significativement l'efficacité de la maintenance préventive en
intervenant uniquement lorsque c'est nécessaire. On peut citer à titre d'exemple l'analyse
des lubrifiants et la mesure des vibrations comme des techniques classiques utilisées pour
mettre en place la maintenance conditionnelle.

Maintenance préventive prévisionnelle

Cette méthode, qui représente l'évolution la plus avancée de la maintenance, est mise en
œuvre selon la définition de la Norme NF EN 13306 "en suivant les prévisions extrapolées
de l'analyse et de l'évaluation de paramètres significatifs de la dégradation du bien ". Il est
 30

ici nécessaire de maîtriser la technologie et le comportement du bien concerné dans ses

conditions d'exploitation pour pouvoir appliquer une telle stratégie. Elle est en effet basée
sur l'analyse de l'évolution des paramètres techniques qui permettent de qualifier l'état du
bien et de déceler les dégradations potentielles dès leur apparition. De façon plus précise
que la maintenance conditionnelle, elle permet d'anticiper et de prévoir au mieux le
moment où l'intervention devra être réalisée.

5. Conclusion
Nous avons présenté dans ce chapitre divers principes liés à la fiabilité et à la maintenance.
Nous avons eu pour objectifs de nous restreindre aux concepts qui ont servi de base aux
extensions que nous avons apportées au modèle de Johri [32]. Dans ce qui va suivre, nous
allons détailler ces extensions en faisant référence à ce qui a été introduit dans ce chapitre
pour souligner le lien entre la maîtrise de ces concepts théoriques et la mise en œuvre d'un
outil qui vise à en traduire une partie.
 31

Chapitre 3 : Approche de modélisation, outil développé et

résultats

1. Introduction
Comme nous l'avons expliqué dans les deux chapitres précédents, le but de ce projet est de
développer une approche qui met en application les principes théoriques de la maintenance
et de la fiabilité pour étendre le champ d'application du modèle développé par Johri [32]
aux lignes de production composées de machines non fiables.

Ce chapitre vise dans un premier temps à détailler les différents aspects de l'approche
adoptée et les extensions apportées au modèle de départ. Dans un deuxième temps, nous
présentons l'outil qui a été développé dans le but de traduire cette approche en une
application opérationnelle directement exploitable par un gestionnaire donné. En dernière
partie, nous exposons brièvement les résultats relatifs à quelques-uns des nombreux tests
réalisés au cours du développement de cette application. Les tests sélectionnés visent à
illustrer la valeur ajoutée de l'outil d'un point de vue décisionnel.

2. Objectifs et méthodologie
2.1. Objectifs :
L'approche développée doit permettre de fournir des données dont l'analyse traduit le
comportement d'une ligne de production sous des caractéristiques de conception donnée et
une combinaison choisie des paramètres d'exploitation.

Les paramètres d'exploitation sont :

• La taille de chaque lot de la séquence de produits
• La taille des stocks tampons
• La loi de distribution de probabilité liée aux pannes
• La loi de distribution de probabilité liée aux durées de réparation
• Le cycle de la maintenance préventive
• L'ordonnancement des lots de produit dans la séquence
 32

Les principaux indicateurs de performance à analyser sont :

• La mesure du cycle de production

• La mesure du taux d'occupation de chaque machine

• La mesure des temps de blocage/famine et leur positionnement dans la séquence

• La mesure de l'impact des arrêts accidentels (panne)

• La mesure de l'impact des arrêts planifiés (maintenance préventive)

• La mesure de la performance globale du système

2.2. Méthodologie
Dans le but de réaliser les objectifs susmentionnés, nous avons adopté la démarche
suivante:

1. Identifier les caractéristiques intrinsèques de la configuration étudiée : les effets

reliés au mouvement des en-cours sur le comportement du système, etc.

2. Programmer le modèle linéaire qui permet de modéliser cette configuration et

d'analyser son comportement.

3. Analyser les extrants du modèle.

4. Considérer les valeurs des indicateurs étudiés dans le cas du système composé de
machines fiables comme une référence comparative pour pouvoir mesurer l'impact
de variation des différents paramètres d'entrée.

5. Proposer une approche de modélisation des défaillances des machines.

6. Mettre au point un algorithme qui permet de modifier la séquence d'entrée pour

prendre en compte les défaillances et les temps de réparation.

7. Mettre au point un outil qui permet d'automatiser cet algorithme et de le combiner à

une interface qui permet d'agir sur les différents paramètres d'entrée du système.

8. Intégrer les différents outils permettant la modélisation globale du système.

9. Réaliser des tests de validation pour la logique de modélisation et le bon

fonctionnement de l'outil développé.

10. Interpréter les résultats d'analyse dans une logique d'aide à la décision pour la
conception d'un nouveau système ou l'amélioration d'un système existant.
 33

2.3. Notations communes

Pour tous les paragraphes qui vont suivre, les notations suivantes seront valides :

m Nombre de machines constituant la ligne

c Nombre de lots de la séquence

rj Taille du lot j (Nombre d'articles)

Pij Temps de traitement d'un article de type j sur la machine i

Sty Temps de setup de la machine i pour traiter le lot j

dy Le temps total requis par la machine i pour traiter le lot j (tous les temps non
improductifs sont aussi compris dans dy)

Bj Stock tampon entre les machines i et la machine i + 1

bi Capacité maximale du stock Bi

T Temps de cycle pour le traitement d'une séquence donnée

3. Génération des pannes

Nous avons pu voir dans le Chapitre 1 l'approche proposée par Johri[32] pour modéliser un
système constitué de machines fiables. Nous proposons dans cette partie une méthodologie
qui permettra d'étendre les résultats de ce modèle aux systèmes composés de machines
assujetties à des défaillances aléatoires. Le modèle précédemment étudié repose sur la
programmation linéaire, mais les extensions proposées se basent sur une approche de
modélisation algorithmique dont les résultats seront intégrés au modèle mathématique.

3.1. Hypothèse globale de modélisation des pannes

Les hypothèses considérées pour le modèle linéaire qui ont été présentées dans le Chapitre 1
restent valident à l'exception de la fiabilité des machines. Nous y rajouterons les hypothèses
suivantes :

• Une machine à l'arrêt ne peut pas briser : les défaillances sont fonction de
l'opération. La variable t représente l'âge de la machine et non une mesure absolue
du temps.
 34

• Les temps de setup n'ont pas d'impact sur l'âge de la machine. On suppose que la
machine ne peut pas briser alors qu'elle est en période de setup.

• La préemption d'un lot est permise. Le traitement d'une pièce est repris sur une
machine i, si cette machine est tombée en panne avant de finir le traitement de cette
dernière. Seule cette unité est reprise et non tout le lot.

• Instantanément après chaque défaillance, un processus de réparation est enclenché.

• Le temps de réparation considéré englobe toutes les étapes du processus de

réparation nécessaires pour remettre en état de bon fonctionnement la machine.

• Après chaque intervention de réparation, la machine nécessite la reprise du setup

avant de commencer le traitement de la pièce en attente. Le temps de setup est
majoré par le temps de réparation.

3.2. Objectifs de cette étape

Le but des algorithmes développés à cette étape est de générer pour chaque machine du
système une liste de pannes qui surviennent pendant le traitement de la séquence suivant les
paramètres de la loi de distribution définis par l'utilisateur.

Une panne est définie par la structure suivante :

No Numéro de référence de la panne

Type Type de la panne (aléatoire, d'usure)
HeureDebut Le moment de son occurrence (en unité d'âge)
Durée La durée de la réparation qui lui est associée
LotAffecte Le lot touché par la panne dans la séquence
MachineAffectee La machine affectée par cette panne

Figure 7 : Structure de données caractérisant une panne

3.3. T y p e s de p a n n e s g é n é r é e s

3.3.1. Pannes aléatoires

Nous rappelons que les pannes aléatoires, introduites plus en détail dans le Chapitre 2, sont
des pannes totalement imprévisibles, modélisées par une fonction de distribution de
probabilité exponentielle.

F(t) = 1 - e~ xt ( 35 )
 35

Notations

f(.) Fonction de densité de probabilité des défaillances

g(.) Fonction de densité des temps de réparation des défaillances

MTBF Temps moyen entre deux défaillances

MTTR Temps moyen requis pour effectuer une réparation

TBFj Le temps de bon fonctionnement associé à la panne i

TTR Le temps de réparation requis pour remettre en état d'opération la machine

suite à la panne i

Hypothèses

• Les machines sont sujettes à des défaillances purement aléatoires. Les temps entre
deux défaillances sont distribués suivant une loi de probabilité exponentielle f(t)
caractérisée par un taux de panne constant k.

• Les temps de réparation relatifs à chaque défaillance sont aussi aléatoires. Les
temps de réparation sont distribués suivant une loi de probabilité exponentielle z(t)
caractérisée par un taux de réparation constant p.

Algorithme de génération des pannes aléatoires

La figure qui suit schématise d'une façon simplifiée le fonctionnement de l'algorithme de

génération des pannes aléatoires. Cet algorithme est appliqué pour chaque machine du
système pour lui affecter la liste des pannes aléatoire qui lui correspond. La figure est suivie
d'une description plus détaillée des principales étapes de cet algorithme.
 36

Début

1 .Initialiser
horioge

2. Générer TBFi

T
6. Insérer la panne
3. Incrémenter
dans liste de
horloge
pannes
ik

/ 4. H o r l o g e \ \
\ < h. fin s é q / ^

Non
T

Fin

Figure 8 : Logique de génération des pannes aléatoires

1. L'horloge est une composante qui permet de contrôler que toutes les pannes générées ont
lieu au cours du traitement de la séquence complète à fabriquer par la machine
sélectionnée. À la différence de beaucoup de travaux qui ont traité cette problématique
[2][13], le nombre de pannes qui surviennent au cours du traitement de la séquence n'est
pas défini à l'avance. Puisque les pannes sont purement aléatoires, c'est le résultat de l'étape
2 qui va définir leurs nombres.

2. Les temps de bon fonctionnement sont générés en se basant sur les principes de la
simulation Monte-Carlo. Un générateur de nombre aléatoire a été mis en place pour pouvoir
exploiter la loi de distribution des durées de vie et générer des valeurs de temps liés aux
paramètres de la loi.
 37

3. L'horloge enregistre la valeur de l'instant d'occurrence de la panne

4. On vérifie que la panne est bien arrivée au cours du traitement de la séquence

5. On génère la durée de réparation affectée à cette panne en suivant le même principe de

simulation Monte-Carlo, mais en utilisant les paramètres de la loi liée aux durées de
réparation.

6. On enregistre la panne dans une liste qui servira pour les prochaines étapes.

3.3.2. Pannes de vieillesse

Nous rappelons que les pannes de vieillesse, introduites plus en détail dans le Chapitre 2,
sont des pannes dues à l'usure de l'équipement. La durée de vie d'un équipement sujet à ce
type de pannes est généralement modélisée par la loi de distribution de probabilité de
Weibull avec un paramètre de forme p >1.

Fit) = 1 ~ e _ y ( 36 )

Notations

f(.) Fonction de densité de probabilité des défaillances

P Paramètre de forme de la fonction de distribution
r| Paramètre d'échelle de la fonction de distribution
^ [ y ] Âge de la machine i au début du traitement du lot j
a.[i,j] Âge de machine i à la fin du traitement du lot j
Fd[i,j] Valeur de la fonction F(t) de la machine i au début du traitement du lot j
Fn[i,j] Valeur de la fonction F(t)de la machine i à la fin du traitement du lot j
tr; Temps de réparation de la machine i
tpi Durée d'une opération de maintenance préventive effectuée sur i
Ti Intervalle de maintenance préventive hypothétique pour la machine i
m(r) Nombre de pannes estimées pour un temps de fonctionnement égal à x
Ny Nombre de pannes affectant la machine i au moment du traitement du lot j
TMPj Cycle de maintenance préventive de la machine i
 3S

• MP Opération de maintenance préventive

• MC Opération de maintenance corrective

Hypothèses

• Toutes les machines du système sont remises à neuf avant le début du traitement de
la séquence.

• La maintenance corrective (MC) effectuée suite à une panne est minimale, elle
permet de remettre la machine en service sans avoir aucun impact sur son âge.

• La durée de réparation minimale (maintenance corrective) pour chaque machine est

supposée constante et définie par l'utilisateur.

• La maintenance préventive (MP) est supposée parfaite, elle remet la machine à l'état
neuf.

• Les durées des opérations de MP sont définies par l'utilisateur pour chaque machine.

• La MP est caractérisée par un cycle défini par l'utilisateur, (voir Chapitre 2 pour
plus de détails sur la maintenance systématique).

• Le traitement d'un lot ne peut pas être interrompu pour effectuer la MP. Donc même
si l'échéance du cycle est arrivée, on attendra la fin du traitement du lot en cours sur
la machine pour l'effectuer.

Algorithme de génération des pannes de vieillesse

A notre connaissance, l'approche que nous proposons pour modéliser les pannes d'usure n'a
pas été beaucoup traitée dans la littérature. Cette approche est en partie inspirée des travaux
de Cassadi & Kutanglu [12] qui traitent une problématique de planification intégrée de la
production et de la maintenance dans le cas d'une seule machine. La figure qui suit
schématise d'une façon simplifiée la logique de cet algorithme, elle est suivie par une
description plus détaillée des principales étapes. Cette description fait aussi référence à la
logique de programmation adoptée dans la mise en place de cet algorithme sans trop
s'attarder sur les détails techniques.
 39

Début

1. Sélectionner la
machine i

2. Sélectionner le
lotj

fc 10. Incrémenter j 3. Déterminer

a a [i,j]eta,[i,j]

4. Estimer le nombre de
pannes dans l'intervalle
_ad[i,j],af[i,j_]
Non

9. MàJ âge i 8. Effectuer MP 5. Générer pour chaque

a, := a,[i,j] aj:=0 panne une date d'occurrence

6. Affecter à chaque panne

une durée de réparation
Oui

I
Non
11. Incrémenter i

7. Enregistrer la
panne

Non-

Non-

Figure 9 : Logique de génération des pannes d'usures

 40

1. Les machines sont implémentées en tant qu'entités caractérisées par un certain nombre de
propriétés. À la définition de l'utilisateur du nombre et des caractéristiques des machines
utilisées, une liste de ces entités est créée. Les algorithmes itératifs font appel à celle pour
lire ou modifier les données relatives aux différentes propriétés définies. Pour cet
algorithme, ce sont les données relatives aux paramètres de distribution de Weibull qui sont
appelées.

2. Les lots sont définis d'une façon similaire aux machines en ayant évidemment des
propriétés très différentes. Il faut aussi noter que la liste des machines reste plutôt figée une
fois définie. Quant à la liste des lots qui caractérise la séquence de production, elle est
sujette aux variations. Nous verrons plus en détail ce point avec l'algorithme d'insertion des
pannes.

3. L'âge d'une machine au début et à lafindu traitement du lot est déterminé en fonction de
son âge à lafindu traitement du lot précédent dans la séquence, du nombre d'articles du lot,
tu temps opératoire unitaire et de la valeur du cycle de la maintenance préventive. Cette
étape est liée à la valeur de l'âge retournée par l'étape 8 et 9. On désignera cette valeur par a;
et on la caractérisera à l'étape 8 et 9.

ad[i,l] = 0 (37)

a_[i,j] = a, ( 38 )

at{i,j] = ad[i,j] + r ( . py ( 39 )

4. Pour estimer le nombre de pannes dans un intervalle de temps donné, on se base sur la
théorie de renouvellement [12]. Comme on l'a souligné dans les hypothèses de
modélisation, les interventions de MC effectuées au cours d'un cycle de MP (cycle de
renouvellement) sont supposées être des réparations minimales. Nous pouvons ainsi
modéliser le processus de renouvellement en utilisant un processus de poisson non
homogène. Le nombre de pannes prévues durant un cycle est ainsi donné par la formule
suivante :

m(T)= ST0zit)dt = r Q ^t^dt=(^ (40)

 41

TMPi est la valeur réelle du cycle de renouvellement. Elle peut être déterminée en
appliquant diverses méthodes connues d'optimisation de la disponibilité ou des coûts de la
maintenance systématique.

ii est définie dans les notations comme la valeur hypothétique du cycle de renouvellement
pour la machine i, c'est une variable utilisée pour déterminer le nombre de pannes prévues
durant le traitement d'un lot donné en exploitant les propriétés de la loi de renouvellement
précédemment expliqué.

En supposant à la fin du traitement de chaque lot j dans la séquence que la valeur de tj

prend la valeur de l'âge de la machine, on peut déterminer par un processus itératif le
nombre de pannes estimé jusqu'à ce point. Ceci n'est valide qu'avant la mise en œuvre
d'une opération de MP planifiée. Cette opération de MP réinitialise le même processus. La
figure qui suit illustre ce principe :

\ IP
CMPi
>t
Lot 1 Lot 2 Lot 3 Lot 4 Lot 5
_, ri (itération 1) ^
ti(2)
ri (3)
cti(4)

tif51
< —>

Figure 10 : Méthode d'estimation du nombre de pannes

Nous avons donc, à chaque itération :

T = af[i,j] (41)

On obtient finalement le nombre de pannes Ny relatif au lot j avec la formule suivante

JVy = L m ( a f [ i , j ] ) J - Ï Ï J r N u c (42)
 42

avec r l'indice du lot qui a suivi la dernière opération de MP et r = 1 avant la première

opération de MP planifiée puisque les machines sont remises à neuf avant le début de la
séquence.

5. Pour générer les dates d'occurrence des pannes relatives au lot j on suit les étapes
suivantes:

• On commence par calculer les valeurs de la fonction Fd[i,j] et Ff[i,j].

• On génère ensuite un nombre aléatoire inscrit dans l'intervalle [Fd[i,j], Ff[i,j]]

• On applique le principe de simulation de Monte-Carlo à la loi de distribution des
durées de vie de la machine i.
• On obtient une date d'occurrence de la panne inscrite dans l'intervalle [ad[i,j], af[i,j]]

6. On affecte à la panne générée la durée de réparation minimale correspondant à la

machine affectée. Cette durée est un paramètre d'entrée défini par l'utilisateur.

7. On enregistre la panne dans la liste des pannes de la machine affectée. Cette étape est
une préparation à l'algorithme qui va suivre et qui a pour but d'insérer les pannes générées
dans la séquence de production.

8. et 9. Comme nous l'avons expliqué à l'étape 2, la mise en œuvre d'une opération de MP

réinitialise la valeur de l'âge de la machine, elle diminue de ce fait la probabilité
d'occurrence des pannes durant le traitement des lots suivants. La valeur de l'âge exploité
dans les étapes 3, 4 et 5 est définie ici suite à un contrôle (Cl) qui détermine s'il est
nécessaire d'effectuer une MP avant le début du traitement du lot suivant. Il faut rappeler ici
que dans nos hypothèses, une MP n'est effectuée que suite à la fin du traitement d'un lot
complet, même si l'échéance planifiée se situe au cours du traitement de ce lot.

3.4. Intégration des pannes et de la maintenance préventive

Le modèle linéaire présenté dans le chapitre 1 est défini par une structure de données
rigides, il se base sur une définition spécifique des données d'entrée pour déterminer les
valeurs des données de sortie. Pour pouvoir appliquer les extensions proposées à travers
l'approche de modélisation des pannes, il est nécessaire de pouvoir structurer les résultats
 43

sous une forme lisible pour le modèle linéaire. Dans cette partie nous allons donc présenter
les deux algorithmes permettant la génération de la séquence modifiée qui prend en compte
les temps d'arrêt imprévus (pannes) ou planifiés (MP).

3.4.1. Algorithme d'intégration des pannes :

La figure qui suit schématise la logique de cet algorithme, elle est suivie d'une description
plus détaillée des principales étapes et d'un exemple illustratif qui clarifie la méthode
proposée. Les travaux de Redouane[13], basés sur le même modèle linéaire, proposent une
méthode d'insertion des pannes à travers des lots virtuels, cette approche uniquement
proposée pour la distribution exponentielle, suppose un certain nombre d'hypothèses
simplificatrices (la panne ne peut être insérée qu'entre deux lots différents). Nous avons
développé une approche différente, adaptée pour les deux distributions étudiées et qui
permet d'insérer la panne dans la séquence de production à la position exacte où elle est
apparue.
 44

Début

_
1. Définir la séquence
initiale

1
2. Sélectionner la liste de
pannes de la machine i

Incrémenter k

-Non

Figure 11 : Logique d'intégration des pannes

1. Cette étape consiste à structurer les paramètres saisis par l'utilisateur (séquence de
produits, temps opérationnels et temps de setup) en une structure adaptée, plus précisément
une liste attachée d'entités de type Lot. Cette structure permet la lecture et la modification
 45

des propriétés des lots générés initialement. Elle permet aussi d'insérer une nouvelle entité
de type Lot dans une position choisie.

2. Comme on a pu le voir dans le paragraphe précédent, les algorithmes de génération des

pannes ont permis de générer pour chaque machine une liste de pannes dont chacune est
définie par sa position exacte dans la séquence (date d'occurrence). Il suffit donc à cette
étape de sélectionner une par une les machines et de lire le contenu de la liste des pannes.

3. Dans une même liste, les pannes sont référencées par un indice qu'on notera ici k, elles
sont triées selon leurs dates d'occurrence.

4. Pour identifier le lot affecté par la panne, on parcourt la séquence de production lot par
lot en comparant la date d'occurrence de la panne qu'on appellera ta à l'âge de la machine
au début du traitement du lot j .

Le premier lot qui vérifie a_[i,j] > tjk est le lot affecté par la panne.

5. C'est à cette étape que l'on met en application la nouvelle approche proposée pour insérer
les pannes. Le lot affecté par la panne est fractionné en deux lots du même produit de tailles
différentes. Pour déterminer la taille respective des deux fractions, on applique la formule
suivante :

t i k - a d [ i j ] „_,.
Tjilj = (43)
a/[U]-a_.[ij] * r, ;
.

r,(2) = r , - r , ( l ) (44)

rj : est le nombre d'articles composant le lot j . Le lot j peut être un lot de la séquence initiale
ou une fraction de lot créée au cours d'une itération précédente de l'algorithme.
rj(l) et rj(2) : le nombre d'articles composant respectivement la première et la deuxième
fraction du lot.

6. La première fraction conserve les mêmes paramètres de production que le lot original
dont elle découle à l'exception du nombre de produits qu'elle contient.
 46

Pour la deuxième fraction, on modifie le temps de setup comme suit :

Sty(2) = Sty + tTjk (45)

Avec trik le temps de réparation correspondant à la panne k de la machine i.

Il est très important de noter ici que même si le produit fabriqué par la machine ne change
pas en passant du traitement de la première fraction du lot à la deuxième, nous posons
comme hypothèse que le setup doit être repris après une intervention de réparation.

6. Comme nous l'avons précisé dans le Chapitre 1, le modèle linéaire adopté est prévu pour
un système dont les machines traitent une même séquence : même nombre de lots et même
ordre de passage sur toute les machines

Un lot fractionné, doit donc être considéré comme deux lots différents sur toutes les
machines. Les paramètres de ces deux nouveaux lots doivent être mis à jour sur toutes les
machines :

• Pour la première fraction, elle conserve les mêmes propriétés que le lot d'origine,
seule la taille du lot change

• Pour la deuxième fraction le temps de setup est mis à 0 sur toutes les machines non
concernées par la panne.

Exemple illustratif

La figure qui suit illustre une séquence de production initiale pour un système composé de
3 machines et qui traite 3 lots de produits différents. Cette figure n'illustre pas les temps de
passage réels des lots sur les machines, mais uniquement l'ordre d'exécution des étapes (elle
ne met pas en évidence les temps d'arrêt causés par la famine ou le blocage)

Lot 1 Lot 2 Lot 3

Ml st., •_l St.. Pli St., | Pli

Lot 1 Lot 2 Lot 3

M2 St_i| P.l St» PM St.il Pu

Loti Lot 2 Lot 3

M3 St,, Pli st,_ PJI st„| p«

Figure 12 : Exemple d'une séquence initiale

 4^

Nous supposons que le déroulement de l'algorithme de génération des pannes a produit 2

pannes, la première affecte la machine 1 au moment de procéder le lot 1 et la deuxième
affecte la machine 3 au moment où elle procède le troisième lot.

rtuuic i
"
Lot 1 Lot 2 Lot 3
Ml St., Pi, st,_ P„ st,, | P,i

Loti Lot 2 Lot 3

M2 st.,1 P,l st„ 1 St» | Pl,

Loti Lot 2 Lot 3

M3 st., P„ st., Pl, St,i | Pu
il

Figure 13 : Génération des pannes fannez

Après application de l'algorithme d'insertion des pannes, la séquence résultante qui sera
injectée dans le programme mathématique est la suivante :

Loti Lot 2 Lot 3 Lot 4 Lot 5

Ml st„ Pl, rra, s«„ Pu St„ P„ st„ | Pu P„
Lot 1 Lot 2 Lot 3 Lot 4 Lot 5
M2 st„ | Pli P,i St„ P„ St,3 | P,, Pl,

Lot 1 Lot 2 Lot 3 Lot 4 LotS

M3 St„ 1 P>. Pu St,j P., st„ P» rre. s.„| P»

Figure 14 : Insertion des pannes

On peut constater que l'algorithme a bien inséré les temps d'arrêt dans la position exacte où
ils sont apparus, tout en uniformisant la taille de la séquence globale pour s'adapter aux
besoins du programme mathématique. La séquence résultante est donc composée de 5 lots,
mais elle conserve les mêmes propriétés que la séquence dont elle découle tout en y
ajoutant les temps d'arrêts engendrés par les pannes. (TTRk : représente ici la de réparation
associée à la panne k)

3.4.2. Intégration de la maintenance préventive

Comme on l'a spécifié dans les hypothèses de départ, toutes les composantes liées à la
détermination des dates de pannes et des opérations de maintenance préventive sont liées au
temps de fonctionnement de la machine concernée (son âge). Nous avons aussi supposé que
la maintenance préventive ne peut interrompre la production d'un lot pour être appliquée, si
son échéance est arrivée, on l'applique juste avant le début du lot suivant.
 48

Étant donné que tout type d'arrêt (setup, panne, MC ou blocage/famine) n'affecte pas l'âge
de la machine, il est plus facile de déterminer dès le départ, la position exacte des
opérations de MP dans la séquence initiale de production en se basant sur les cycles de MP
spécifié par l'utilisateur pour chaque machine. La figure qui suit schématise cette logique,
elle sera suivie d'une description des différentes étapes et d'un exemple illustratif simple.
En réalité cet algorithme fait partie intégrante de l'algorithme de génération des pannes
d'usure, nous essayons ici de le présenter d'une façon plus détaillée pour en illustrer le
fonctionnement.
 49

Début

1. Sélecti onner la
machine i

I
2. Lire le paramètre relati f au
cycle de MP
TMP,

3. Déterminer
-► le lot j concerné par l'opérati on
deMP

I
4. MàJ des données du lot j
6. Incrémenter j 7. Incrémenter i

5. Référencer et enregi strer

l'opération de MP effectuée

-Non

Non-

Figure 15 : Logique d'intégration des opérations de MP

1. Comme il a été mentionné pl us haut dans ce document, on parcourt une l iste d'entité
machine pour en lire les données suivant l es exigences de chaque al gorithme.

2. Pour cet al gorithme, c'est l a val eur du paramètre rel atif au temps de cycl e de l a
maintenance systématique qui régit l e déroulement des étapes suivantes.
 50

3. Le lot concerné par la MP est déterminé de la façon suivante :

• On parcourt la séquence de lots en enregistrant à chaque étape la valeur de l'âge (ai)

de la machine à la fin du traitement du lot sélectionné. La méthode de détermination
de l'âge a été détaillée dans les paragraphes plus hauts.

• Tant que ai < TMPi on passe au lot suivant

• Si ai > TMPj : le lot concerné par la MP est celui qui vient juste après celui qui été
sélectionné dans la séquence de production. On réinitialise la valeur de ai à 0 et on
continue à parcourir la séquence jusqu'à la fin.

4. Pour prendre en compte le temps d'arrêt engendré par l'opération de MP dans la séquence
de production qui sera injectée dans le programme mathématique, on rajoute au temps de
setup du lot concerné, la durée de cette opération de MP.

Sty := Sty + tpi

5. Cette étape a pour but de mémoriser le fait qu'une opération de MP a été effectuée avant
le traitement d'un lot j donné. Elle permet de prendre en compte cette information dans la
génération des pannes d'usure comme on l'a bien expliqué plus haut dans ce document.

Exemple illustratif :

La figure qui suit illustre le résultat de l'algorithme défini ci-dessus pour une machine qui
traite 5 lots et dont le cycle de MP est TMPI :

Âge machine TMP

J Intégration de la MP

Lot 1 Lot 2 r Lot 3

1 V '
Lot 4 LotS
|MI st„ 1 P" st,. Pu st„ Pu MP | s t „ |p 14 StIS| Pis

1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

Figure 16 : Exemple d'intégration de la maintenance préventive

3.5. Fonctionnement de l'application développée

Nous avons mis en œuvre une application qui intègre les deux composantes essentielles de
l'approche de modélisation que nous proposons dans ce mémoire. Le programme linéaire a
été implémenté sur OPL Studio pour pouvoir exploiter le solveur CPLEX. Toutes les
approches algorithmiques ont quant à elles été développées en VB.NET sur Visual Studio.
 51

L'intégration entre les deux modules a aussi été programmée, la figure 18 schématise le
principe de cette intégration.

La figure qui suit représente l'interface principale de l'outil développé, elle permet d'entrer
les différents paramètres nécessaires pour le fonctionnement des algorithmes et du
programme linéaire.

«O Production IIÉl&M.

Temps de production unitaires

Importer les données N'bot NbMides P1 P2 P3 P-I

1
='
2
3 *
Nombre de Machines 4 ►

Temps de Setup
Nombre de lots _j
N'bot SI S2 St3 94
1
2 £
Générer les tableaux de saisie
3 I
► 4
Distribution de panne 3 Données machines

1. Uniforme 2. Exp 3. Webul Paramètre M1 M2 M3 M4

H
Générer séquence modifiée
Stock tampon
Beta
H
Ba
CydeMP
J
Paramètre Ml M2 M3 M4
► 1/Umbda« |
Lancer !e programme ïnéaire 1/MuH

Figure 17 : Interface principale de l'outil dévelo ppé

Il est facile de constater que la contrib ution de l'utilisateur reste minime, toute la
programmation a été effectuée dans le but de s'adapter aux caractéristiques et à la taille du
problème traité.
 52

Module
algorithmique
Programme
Données Integration mathématique
Input

Résolution du
programme
linéaire

Saisie des
Génération des
pannes et des 7\
durées de
données .CSV
réparation

À
Calcul des Données
indicateurs Output
Génération de la
séquence
modifée

Figure 18 : Schéma d'intégration de l'application

Il faut noter que les paramètres d'entrée peuvent être saisis manuellement ou importés d'une
base de données ou d'un fichier Excel dont le format a été adapté pour l'importation.

4. Présentation et analyse des résultats

Dans cette partie nous présentons les résultats relatifs à quelques expériences sélectionnées
parmi celles que nous avons réalisées durant les différentes phases de test et de validation.

L'objectif principal de ce travail n'est pas de mener une analyse de sensibilité qui couvre un
certain nombre de scénarios d'exploitation différents, il est de fournir un outil fonctionnel et
validé qui offre pour l'utilisateur la possibilité de déterminer l'impact de différents facteurs
sur le fonctionnement d'une ligne de production donnée.

4.1. Considérations des problèmes tests sélectionnés

Le résultat principal du modèle de Johri[32] est de fournir une valeur de la durée moyenne
de traitement pour une séquence de lot choisie. Cette valeur peut être traduite comme la
productivité de la ligne sous une configuration donnée. Si la même séquence est reproduite
plusieurs fois sur un horizon de temps long, la valeur de la productivité reste valide. Dans
notre cas nous considérerons cette même hypothèse pour les systèmes fiables (tests de
validation de la méthode de modélisation), mais pour le cas des systèmes non fiables, les
résultats générés par l'application permettent d'établir les indicateurs de fonctionnement du
système au moment du traitement de la séquence affecté par la panne, autrement dit, ils
 53

permettent de mettre en évidence l'aptitude du système à "absorber" l'effet des temps d'arrêt
occasionnés par la panne ou l'opération de maintenance.

Dans notre procédure de test, nous considérerons tout d'abord les exemples présentés dans
l'article de Johri[32], nous traiterons ensuite le cas d'une ligne de dimension plus
importante. Les données testées sont générées d'une façon aléatoire orientée dans le but de
vérifier la réponse de l'outil à un scénario spécifié.

4.2. Tests de validation

Nous rappelons les différentes notations qui résument les paramètres d'entrée de
l'application de l'application :

Notations :

M Nombre de machines constituant la ligne

C Nombre de lots de la séquence
nj Taille du lot j (Nombre d'articles)
Pij Temps de traitement d'un article de type j sur la machine i
Sty Temps de setup de la machine i pour traiter le lot j
dy Le temps total requis par la machine i pour traiter le lot j (les temps non
productifs sont pris en compte dans dy)
b(i) Capacité maximale du stock entre la machine i et la machine i+1
T Temps de cycle pour le traitement d'une séquence donnée
dy Représente la durée de temps consommée par la station i pour produire tout
le lot j , elle inclut le temps de setup, le temps de production effectif et le temps que
passe la machine en état de blocage/famine.

Pour la mesure de la performance du système, nous adopterons les mêmes indicateurs

proposés par Johri[32] qui permettent d'exploiter les résultats du modèle linéaire.

Ces indicateurs de performance sont définis comme suit :

• R Temps moyen nécessaire pour produire une pièce
• U! Le taux moyen d'exploitation de la machine i
 54

• Bj Le pourcentage de temps que la machine i passe dans un état de blocage ou

famine
• Ey Le temps total de blocage/famine durant le traitement du lot j

Ils sont calculés à l'aide des formules suivantes :

R= (46
ÏJ-r7 >

Ey = dij - rijP t j - s t t j ( 47 )

Ui = '- 1 J
' — - * 100 ( 48 )

Bt = ^ l l i L „ 1 0 0 (49)

Il faut noter aussi que les contraintes permettent aussi une interprétation du comportement
de la ligne [32] :

• Une contrainte d'entrée notée Ctln(i, j , k) qui est saturée traduit le fait que la station
i est en famine lors du traitement du lot j .
• Une contrainte de sortie notée CtOut(i, j , k) saturée traduit le fait que la station i est
en blocage lors du traitement du lot j .
• De plus, la valeur de k de la contrainte saturée, indique le lot (j-k) est responsable
du retard.

4.2.1. Problème Test

Pour cette étape de validation, le problème test considéré est un système composé de 2
machines et traitant 2 lots de produits différents, c'est l'exemple qui a été traité dans l'article
de Johri [32]. Nous avons en tout généré six instances de test : trois instances de validation
des résultats et trois pour mettre en évidence la prise en compte des pannes.
 55

4.2.2. Caractéristiques du problème test :

Ce tableau résume les données communes à toutes les instances de tests réalisés pour cet
exemple.

Machine Lot Temps de Setup (s) Temps de Production (s)

1 1 300 80
1 2 300 40
2 1 200 20
2 2 200 100
Tableau 2 : Caractéristique de l'exemple test N°l

4.2.3. Instances de test :

L'instance test N°l est considérée comme instance de référence, pour l'instance N°2 la taille
du stock tampon a été modifiée pour en voir l'effet et pour l'instance N°3 c'est la taille des
lots et du stock tampons qui a été modifiée.

Les 3 instances qui suivent reprennent les mêmes données en prenant en compte une
distribution exponentielle des pannes pour les machines Exp(X) avec À. le taux de panne
exprimé ens"1.

Instance de test Taille des lots Taille du Stock Loi de distribi ition des pannes
tampon
LI L2 Ml Ml M2
1 60 75 6 Fiable Fiable
2 60 75 12 Fiable Fiable
3 12 15 10 Fiable Fiable
4 60 75 6 Exp(8.10"5) Exp(12,5.10"5)
5 60 75 12 Exp(8.10"5) Exp(12,5.10"5)
6 12 15 10 Exp(2.10"5) Exp(3.10"5)

Tableau 3 : Instances de test pour l'exemple N°l

4.2.4. Résultats

Nous allons diviser cette description des résultats en deux paragraphes, les résultats relatifs
aux tests sur les machines fiables (reprise des tests de Johri pour valider notre modèle),
suivi des résultats prenant en compte l'effet des pannes.
 56

Machines fiables

Inst. T(s) R(s) U(%) B(%) E(%)

Ml M2 Ml M2 Ml M2
LI L2 LI L2
1 12330 91.33 68.1 73.8 30.9 26.2 0 63.5 69.8 0
2 11840 87.70 70.9 76.9 26.8 23.1 0 66.2 49 0
3 2160 80 100 99.1 0 0 0 0 0 0
Tableau 4 : Résultat du test N°l (Partie 1)

En obtenant les mêmes résultats illustrés dans l'article sur lequel nous nous sommes basés,
nous avons pu valider notre compréhension de l'approche de modélisation adoptée. Il faut
rappeler ici qu'une partie des composantes du modèle n'a pas été illustrée explicitement
dans l'article [32].

L'auteur de l'article avait comparé les résultats à un modèle de simulation et a pu valider

son approche en trouvant un écart inférieur à 5%. Il est ainsi possible de baser sur les
indicateurs retournés par ce modèle des décisions d'amélioration ou de conception pour une
ligne de production donnée.

Ces 3 instances de tests nous montrent l'influence des facteurs relatifs au design du système
(taille des lots, taille du stock tampon) sur les différents indicateurs de performances. Nous
pouvons ainsi constater à travers l'instance de test N°l que dans cette configuration, le
blocage du Lot N°2 sur la machine 1 entraine une augmentation du temps de traitement de
54%. On peut aussi déduire que le blocage est causé par le traitement du produit même sur
la machine 2. D'un autre côté, le lot N°l enregistre un excédent de temps de production de
70% sur la machine 2 en raison de la famine. Ainsi, une solution doit être envisagée pour
réduire la perte de temps. L'instance 2 illustre l'effet de l'augmentation de la taille du stock
tampon et on peut en constater que l'amélioration n'est pas très significative. Par contre
l'instance 3 illustre l'effet du redimensionnement des lots allié à une augmentation du stock
tampon ce qui résout le problème en annulant les temps de blocage et de famine.

Il est à noter à cette étape qu'un travail réalisé dans le cadre d'une thèse [13], basé sur le
même article [32], propose une approche de modélisation des pannes différente de celle que
nous avons développée et restreinte à la distribution exponentielle. L'auteur s'est aussi
 57

concentré sur la validation du modèle en effectuant une analyse de sensibilité qui détermine
la réponse du modèle face aux variations de différents facteurs. En comparant les résultats
obtenus à un modèle de validation, il a pu valider le modèle linéaire.

Machines sujettes aux pannes :

Pour cet exemple de taille réduite, nous allons dans ce qui va suivre montrer en détail les
différents résultats obtenus pour les deux principales étapes d'exécution de l'approche de
modélisation.

Pannes générées :

Instance N° de panne Machine affectée Lot affecté Date (s) Durée (s)
4 2 2 7384,30 414,40
5 2 2 7083,68 386,61
6 2 1 218,269 145,54
Tableau 5 : Pannes générées pour le test N°l

Séquence résultante de l'algorithme d'insertion des pannes :

Instance Lot initial Nouvel Indice Taille Temps de Setup (s)

du lot Ml M2
4 1 1 60 300 200
2 2 58 300 200
2 3 17 0 614,40
5 1 1 60 300 200
2 2 58 300 200
2 3 17 0 586,61
6 1 1 10 300 200
1 2 2 0 345,54
2 3 15 300 200
Tableau 6 : Séquences modifiées générées pour le test N°l
 58

Résultats :

Inst. T(s) R(s) Machine B(%) U(%) Lot d(s) E(s)

4 12910 95,62 1 33,4 65,1 1 5100,0 0,0
2 5240,0 2620,0
3 2370,3 1690,3
2 24,3 75,7 1 4540,0 3140,0
2 6000,0 0,0
3 2370,3 0,0
5 12430 92,07 1 29,8 67,6 1 5100,0 0,0
2 4640,0 2020,0
3 2370,3 1690,3
2 21,4 78,6 1 4060,0 2660,0
2 6000,0 0,0
3 2370,3 0,0
6 2503 27 1 13,7 86,3 1 1100,0 0,0
2 503,8 343,8
3 900,0 0,0
2 0,0 100,0 1 400,0 0,0
2 403,8 0,0
3 1700,0 0,0
Tableau 7 : Résultats du test N°l (partie 2)

Sachant que l'indicateur relatif au taux d'exploitation des machines Ui prend en

considération le temps opératoire, le temps de setup et la durée des pannes/réparations,
sachant aussi que les indicateurs d'inactivité Bi et Eij ne reflètent que les temps d'arrêt
causés sous l'effet du blocage/famine, nous pouvons analyser l'effet des défaillances sur le
fonctionnement de la ligne en comparant les résultats obtenus durant les deux phases de
test.

Sur cet exemple de configuration, il est évident de constater à travers les résultats que les
pannes au niveau de la machine 2 au moment de la production du lot N°2 sont extrêmement
nuisibles au fonctionnement de la ligne. La ligne n'a pas absorbé l'effet des pannes, au
contraire elle a affecté négativement la situation de blocage de ce lot à la sortie de la
machine. Un tel résultat met l'accent sur le fait que la machine 2 doit être le sujet d'une
stratégie de maintenance adaptée en vue de réduire au maximum la probabilité d'occurrence
de la panne.
 59

4.3. Deuxième test sélectionné

Dans cette partie, nous traitons le cas d'un système composé de 6 machines qui traitent une
séquence de 6 lots de produits différents.

4.3.1. Caractéristiques du problème :

Le tableau qui suit résume les caractéristiques de traitement de la séquence de lots sur les
différentes machines

N°Lot Temps de Setup (s) Temps de Production (s)

Ml M2 M3 M4 M5 M6 Ml M2 M3 M4 M5 M6
1 80 180 100 100 250 300 80 70 60 50 40 70
2 100 120 80 200 150 170 60 60 40 80 70 50
3 200 150 120 80 100 160 50 40 40 50 90 80
4 200 150 180 80 150 170 50 60 70 60 40 40
5 250 100 80 170 200 300 60 90 90 50 60 80
Tableau 8 : Caractéristiques du test N°2

4.3.2. Instances de test

Pour cet exemple, nous allons présenter 4 instances de test. La variation des scénarios sera
basée sur les caractéristiques de fiabilité des machines et la politique de maintenance
adoptée.

Données communes aux instances de test

N°Lot Taille JV° Machine Taille stock tampon

1 20 1 30
2 30 2 15
3 25 3 5
4 50 4 20
5 40 5 25
6 -

Tableau 9 : Données communes du test N°2

 60

Scénarios de tests
Le tableau qui suit résume la variation des scénarios testés pour les 4 instances. L'instance
N°l sera considérée comme élément de référence, l'impact des données modifiées sera
mesuré par rapport au résultat de cette première instance.

Instance Distribution de fiabilité Politique de maintenance

1 Machines fiables -N/A
2 Exponentielle - Corrective Exp(p)
3 Weibull - Corrective : Durée d'intervention constante par
machine
4 Weibull - Corrective : Durée d'intervention prédéfinie
- Préventive : Cycle et durée d'intervention
prédéfinies
Tableau 10 : Instances du test N°2

4.3.3. Résultats

Pour ne pas alourdir la présentation, nous n'allons pas détailler les résultats intermédiaires
pour cet exemple, nous nous limiterons à la caractérisation des temps d'arrêt générés et aux
résultats agrégés relatifs aux valeurs retournées par les indicateurs. Une comparaison entre
le système fiable et le système assujetti aux pannes nous permettra d'en comprendre les
caractéristiques de fonctionnement.

Le tableau qui suit résume les caractéristiques des arrêts (Panne / Maintenance) générés par
les algorithmes qui affectent le système dans chaque instance.

Inst. N° de l'arrêt Type Machine affectée Lot affecté Date Durée (s)
2 1 MC 1 1 2793,05 93,39
2 MC 2 1 8004,45 282,15
3 MC 2 2 8435,56 17,72
4 MC 4 1 6429,03 423,33
5 MC 5 1 575,05 358,70
6 MC 6 1 8911,28 577,03
3 1 MC 3 5 9037,74 450
2 MC 6 5 9056,17 300
4 1 MP 3 5 6900 200
2 MP 6 4 4900 180
Tableau 11 : Arrêts générés pour le test N°2
 61

Indicateurs de performance :
Le tableau qui suit présente les valeurs des différents indicateurs retournées par le
programme linéaire suite à l'injection des données relatives à la séquence originale pour
l'instance N°l et la séquence modifiée qui résulte du traitement algorithmique adapté pour
les autres instances.
lus t. T R Machine B U E
LI L2 L3 L4 L5
1 12180 73,81 1 14,77 85,22 340 0 1460 0 0
2 0 94,41 0 0 0 0 0
3 9,19 90,80 0 1120 0 0 0
4 14,03 84,40 0 0 0 210 1500
5 8,66 85,38 0 0 0 0 1056
6 0 91,95 0 0 0 0 0
2 12416 75,25 1 14,41 85,59 0 0 0 0 1790
2 1,29 98,04 160 0 0 0 0
3 10,79 89,08 160 1180 0 0 0
4 12,73 87,16 160 0 0 220 880
5 11,21 88,79 0 0 0 940 452
6 2,64 97,36 0 0 0 0 328
3 13228 80,16 1 21,53 78,47 408 0 0 0 2440
2 1,42 86,94 0 0 0 0 188
3 8,47 91,53 0 1120 0 0 0
4 20,85 77,72 0 0 0 267 2491
5 15,73 78,62 0 0 0 0 2081
6 10,22 89,78 0 0 0 0 1352
4 12380 75,03 1 16,16 83,84 540 0 1460 0 0
2 0,00 92,89 0 0 0 0 0
3 9,05 90,95 0 1120 0 0 0
4 15,43 83,04 0 0 0 210 1700
5 10,15 84,01 0 0 0 0 1256
6 0,00 91,92 0 0 0 0 0
Tableau 12 : Indicateurs de performance pour le test N°2

En comparant les résultats des instances 1 et 2, on constate dès le départ que la

configuration de la ligne a permis de réduire significativement l'impact des pannes
aléatoires survenues sur les machines 1, 2, 4, 5 et 6.

Le fait que les lots affectés par les pannes soit les premiers lots de la séquence explique en
partie l'effet réduit des ces pannes sur le temps de cycle. Un autre facteur important dans
 62

cette configuration est la taille des stocks tampons, leur dimension équivalente aux tailles
des lots contribue à découpler efficacement les machines en réduisant la probabilité de
blocage.

Les scénarios de tests pour les instances 3 et 4 ont été élaborés dans le but de mettre en
évidence l'utilité de l'approche dans une démarche de mise en place d'une politique de
maintenance préventive. L'instance 3 permet de constater l'effet de la défaillance des
machines 3 et 6. En fonction de ces résultats, la valeur du cycle de la maintenance
préventive a été adaptée pour réduire la probabilité d'occurrence de la panne. Le résultat de
l'instance 4 permet de constater que la maintenance préventive a éliminé les pannes et la
durée d'intervention a été bien "absorbée" par la ligne et n'a pas engendré de situation de
blocage ou de famine supplémentaire, la différence entre le temps de cycle pour l'instance 1
et 4 est pratiquement égale à la moitié du temps d'intervention. Ceci nous permet de
confirmer qu'une bonne analyse d'un scénario de défaillance donné et d'une bonne
interprétation des temps de blocage/famine nous permet de mettre en place une politique de
maintenance préventive opportuniste. De ce fait, les interventions de MP peuvent être
planifiées au préalable de façon à être appliquées en temps masqués en tirant profit de la
sous-exploitation d'une machine dans le traitement de la séquence choisie.

5. Conclusion
Dans ce chapitre nous avons présenté les différentes contributions de ce projet de maîtrise.
Ces contributions peuvent être résumées en deux volets : un ensemble d'approches
algorithmiques destinées à étendre l'application du modèle de Johri [32] aux lignes de
production composées de machines non fiables et un outil informatique fonctionnel qui
traduit toutes les composantes de modélisation de la configuration étudiée. Tout le long de
ce développement, des notions et des approches définies dans les deux chapitres précèdent
ont été appliquées. Pour des raisons de synthèse, nous ne nous sommes pas attardés sur les
problématiques liées à la mise en œuvre du programme informatique. Mais il est important
de noter que le développement de l'outil constituait l'un des objectifs principaux du projet et
c'était l'un des aspects les plus exigeants et consommateurs de temps. S'assurer de la
flexibilité et de l'ergonomie de l'outil était le principal but à atteindre.
Conclusion

Dans ce mémoire, nous avons développé une approche de modélisation des lignes de
production avec stocks tampons composées de machines non fiables. Cette approche
combine une modélisation linéaire du comportement de la ligne fiable à laquelle on greffe
une approche algorithmique de modification de la séquence de production qui permet de
modéliser la prise en compte des temps d'arrêt engendrés par les pannes. Cette modélisation
a été concrétisée en développant un outil qui intègre le solveur CPLEX et un module de
contrôle développé sur Microsoft Visual Studio. Ce module permet de traduire les
différents algorithmes qui permettent l'intégration des pannes pour les deux distributions
choisies (exponentielle et celle de Weibull) et les opérations de maintenance préventive. A
la fin du chapitre 3, la logique de modélisation et le bon fonctionnement de l'outil ont été
validés en analysant les résultats pour quelques problèmes tests. Ces résultats ont aussi été
comparés à un modèle de simulation (non abordé dans ce mémoire) qui a montré que les
valeurs des deux modèles convergeaient dans le cas où la durée de simulation est beaucoup
plus importante que le temps de cycle.

Cette approche ouvre la voie vers plusieurs opportunités d'extensions et de développement.

La modélisation actuelle ne traite que le déroulement d'une seule séquence de fabrication, il
serait donc intéressant d'explorer la piste d'une modélisation itérative du déroulement de la
séquence ce qui améliorerait la robustesse de l'outil. Il est aussi à noter que la variation des
paramètres relatifs au fonctionnement de la ligne (taille de stock, ordonnancement de la
séquence de fabrication, etc.) est effectuée d'une façon manuelle, il serait donc possible de
programmer cette variation à l'aide de métaheuristiques et de faire de cet outil une solution
de recherche de la combinaison optimale des paramètres d'exploitation du système de
production. Le modèle linéaire pourrait même être enrichi pour mieux s'adapter aux cas
limites (séquences de début et de fin d'un plan de production).
Bibliographie
[I] Abdul-Kader W. and Ait-Kadi D. Buffer zone allocation : an alternative approach. 12th
International Conference on CAD/CAM Robotics and Factories of the Future, London,
England, August 14-16, 1996.
[2] Abdul-Kader W. Modélisation du déploiement du stock-tampon dans une ligne de
production. Ph. D. Thesis, UL, Québec Q C , 1997.
[3] Aït-Kadi D. Fiabilité - Maintenance : concepts, modélisation, optimisation et stratégie de
mise en œuvre. Fascicule de cours, UL, Québec Q C , 2001
[4] Anderson D.R. and Moodie C L . Optimal buffer storage capacity in production line Systems.
International Journal of Production Research, 1969, 7, 233-240,
[5] Baker K.R., Powell S.G. and Pyke D.F. Buffered and unbuffered assembly Systems with
variable processing times. Journal of Manufacturing and Opérations Management, 1990, 3,
200-223.
[6] Balakrishnan, P. V., R. Gupta, and Jacob V. Development of Hybrid Genetic Algorithms for
Product Line Designs. IEEE Transactions on Systems, Man and Cybernetics, 2004, 34(1),
468-483.
[7] Burman M.H. New Results in Flow Line Analysis. Ph. D. Thesis, MIT, Cambridge MA.,
1995.
[8] Buxey G.M., Slack N.D. and Wild R. Production flow line system design -a review. AIIE
Transactions, 1973, 5, 37-48.
[9] Buzacott J.A. and Shanthikumar J.G. Stochastic Models of Manufacturing Systems. Prentice
Hall, Englewood Cliffs, N.J, 1993.
[10] Buzacott J. A. Automatic transfer lines with buffer stocks. International Journal of Production
Research, 1967,5(3), 182-200.
[II] Buzacott, J.A. and Shanthikumar J.G. Design of manufacturing Systems using queuing
models. Queuing System, 1992, 12, 135-213.
[12] Cassady C. R. and Kutanoglu E. Integrating Preventive Maintenance Planning and
Production Scheduling for a Single Machine. IEEE transactions on reliability, 2005, 54(2),
304-309
[13] El Ouazzani R. C. Modélisation et analyse des performances des systèmes de production
utilisant des stocks tampons à capacités finies. Ph. D. Thesis, UL, Québec Q C , 2007.
[14] Chapouille P. Fiabilité. Maintenabilité. [T 4300] Base documentaire Concepts et Production
T.I., 1980
[15] Ciprut P., Hongler M.O. and Salama Y. On the variance of the production output of transfer
lines. IEEE Transactions on Robotics and Automation, 1999, 15(1), 33-43.
[16] Conway R., Maxwell W., McClain J.O. and Thomas L. J. The role of work in process
inventory in serial production lines. Operations Research, 1988, 36(2), 229-241.
[17] Dallery Y. and Gershwin S.B. Manufacturing flow line Systems : a review of models and
analytical results. Queuing Systems theory and Applications, Special Issue on Queuing
Models of Manufacturing Systems, 1992, 12(1-2), 3-94.
 65

[18] Dallery Y. and Le Bihan H. Homogenisation techniques for the analysis of production lines
with unreliable machines having different speeds. European Journal of Control, 1997, 3,
200-215.
[19] Dallery Y., David R. and Xie X.L. An efficient algorithm for analysis of transfer lines with
unreliable machines andfinite buffers. HE transactions, 1988, 20(3), 280-283.
[20] Dolgui A., Ereemev A., Kolokolov A. and Sigaev, V.A genetic algorithm for allocation of
buffer storage capacities in production line with unreliable machines. Journal of
Mathematical Modelling and Algorithms, 2002, 1, 89-104.
[21] Elsayed E.A. and Lin B.W. Transient Behavior of Ordered Entry Multi-Channel Queuing
Systems. International Journal of Production Research, 1980, 18(4), 491-501.
[22] Faucher J. Sûreté de fonctionnement Concepts et enjeux [MT 9200] Base documentaire
Maintenance T.I., 2009
[23] Gershwin S.B and Schor J.E. Efficient algorithms for buffer space allocation. Annals of
Operations Research, 2000, 93, 117-144.
[24] Gershwin S.B. An efficient decomposition algorithm for the approximate evaluation of
tandem queues with finite storage space and blocking. Operations Research, 1987, 35, 291-
305.
[25] Gershwin S.B. and Berman O. Analysis of transfer lines consisting of two unreliable
machines with random processing times andfinite storage buffers. AIIE Transactions, 1981,
13,2-11.
[26] Gershwin S.B. and Schick I.C. Modeling and analysis of three-stage transfer lines with
unreliable machine andfinite buffers. Operations Research, 1983, 31, 354-380.
[27] Gupta U.C. and Sharma O.P. On the transient behavior of a model for queues in series with
finite capacity. International Journal of Production Research, 1983, 21, 6, 869-879.
[28] Hanifin __. Increased transfer line productivity utilizing Systems simulation. Ph. D Thesis,
1975, University of Detroit.
[29] Hillier F.S, So K.C, Boling R W . Notes : Toward characterizing the optimal allocation of
storage space in production line Systems with variable processing times. Management
Science, 1993, 39, 126-133.
[30] Hillier F.S, So K.C. The effect of the coefficient of variation of operation times on the
allocation of storage space in production line system. IIE Transactions, 1991, 23, 198-206.
[31] Ho Y.C., Eyler M.A., Chien T.T. A Gradient Technique for General Buffer Storage Design
in a Production Line. International Journal of Production Research, 1979, 17,557-580.
[32] Johri, P.K. A linear programming approach to capacity estimation of automated production
lines with finite buffers. International Journal of Production Research, 1987, 25(6), 851-866.
[33] Kay E. Buffer stocks in automatic transfer lines. International Journal of Production
Research, 1972, 10(2), 155-165.
[34] Knott A.D. The inefficiency of a series of workstations - a simple formula. International
Journal of Production Research, 1970,8, 109-119.
[35] Koenisberg E. Production lines and internal storage - a review. Management Science, 1959,
5,410-433.
 66

[36] Mechin B. Introduction aux méthodes de maintenance [MT 9280] Base documentaire
Maintenance T.I., 2005
[37] Mechin B. Maintenance : préface [MT 9000] Base documentaire Maintenance T.I., 2004
[38] Nahas N. Optimisation de la performance de systèmes multi-composants assujettis à des
défaillances aléatoires. Ph. D. Thesis, UL, Québec QC, 2008.
[39] Papadopoulos H.T, Heavey C, Browne J. Queuing Theory in Manufacturing Systems
Analysis and Design. Chapman and Hall, London, 1993.
[40] Papadopoulos, H.T. and Heavey C. Queuing theory in manufacturing Systems analysis and
design, A classification of models for production and transfer Lines. European Journal of
Operational Research, 1996, 1, 1 -27.
[41] Perros H. Queuing Networks with Blocking. Oxford, 1994.
[42] Sheskin T.J. Allocation ofInterstage Along an Automatic Production Line. AIIE
transactions, 1976, 8, 146-152.
[43] Sheskin T.J. Allocation ofInterstage Storage along an Automatic Production Transfer Line
with Discret Flow. Unpublished Ph.D thesis, Department of Industrial and Management
Systems Engineering, Pennsylvania State University, 1974.
[44] Shi L and Men S. Optimal buffer allocation in production lines. HE Transactions, 2003, 35,
1-10.
[45] Singh A, MacGregor Smith J. Buffer allocation for an integer nonlinear network design
problem. Computers & Opérations Research, 1997, 24,453-472.
[46] Soyster A.L., Schmidt J.W. and Rohrer M.W. Allocation of Buffers Capacities for a Class of
Fixed Cycle Production Lines. AIIE transactions, 1979, 11,2.
[47] Spinellis D, Papadopoulos C, Macgregor Smith J. Large production line optimization using
simulated annealing. International Journal of Production Research, 2000, 38, 509- 541.
[48] Spinellis D, Papadopoulos CT. A simulated annealing approach for buffer allocation in
reliable production lines. Annals of Operations Research, 2000, 93, 373-384.
[49] Spinellis D, Papadopoulos CT. Stochastic Algorithms for Buffer allocation in Reliable
Production Lines. Mathematical Problems in Engineering, 2000, 5, 441-458.
[50] Terracol C. and David R. An aggregation methodfor performance valuation of transfer lines
with unreliable machines and finite buffers. IEEE International Conference on Robotics and
Automation, 1987, Raleigh, NC.
[51] Vladzievskii A.P. Losses of working time and the division of automatic lines into sections.
Stanki i Instrument 24, 1953.
[52] Wilhelm W.E. and Sastri T. An investigation of Flow Line Operating Characteristics during
Start-up. International Journal of Production Research, 1979, 17(4), 345-358.
[53] Wilhelm W.E. A model to approximate transient performance of the flow shop. International
Journal of Production Research, 1986, 24(1), 33-50.