Contrôle dynamique et planification pour des processus de fabrication et systèmes intelligents – DILIGENT
Contrôle dynamique et planification pour des processus de fabrication et systèmes intelligents
/
Enjeux et objectifs
Suite au succès du projet IMAGINE (ANR-15-CE10-0003), le consortium ambitionne d'étendre les travaux de recherche sur les décisions intégrées en temps réel avec des stratégies prédictives. L'objectif de DILIGENT est de transformer les processus de fabrication intelligents en intégrant le contrôle dynamique et la planification de manière proactive. Les plans de production seront dynamiquement optimisés grâce à des algorithmes avancés, permettant une meilleure adaptation aux variations de la demande et aux imprévus. L'accumulation de données permettra d'utiliser des techniques d'apprentissage automatique pour générer des prévisions précises, utilisées pour ajuster les plans de production en temps réel. Les décisions basées sur ces analyses devront être interprétées logiquement pour améliorer continuellement le contrôle dynamique et la planification. Les méthodes développées seront testées avec des partenaires locaux pour ajuster les modèles théoriques aux besoins industriels. Le projet explorera de nouvelles approches pour le contrôle dynamique, incluant l'intégration de capteurs avancés et de technologies IoT pour collecter des données en temps réel et optimiser les processus de production. Les techniques d'apprentissage automatique seront utilisées pour améliorer la précision des prévisions et l'efficacité des stratégies de planification. Le projet explorera aussi les possibilités offertes par les jumeaux numériques pour simuler et optimiser les processus de fabrication.
/
Une partie des travaux a traité du problème d'ordonnancement des ateliers flexibles en prenant en compte les ressources de transport. Les opérations doivent être attribuées et planifiées sur des machines et des véhicules, et les itinéraires des véhicules déterminés. Pour modéliser ce problème, une extension du modèle de graphe disjonctif classique a été proposée, incluant les opérations de transport. Une méta heuristique a été développée par la suite. Les résultats expérimentaux sur de nouveaux benchmarks montrent l'efficacité de cette approche, la qualité de la procédure d'évaluation des mouvements, et la pertinence de la modélisation explicite des ressources de transport. Une autre partie des travaux a abordé le problème d'ordonnancement sur des machines de métrologie parallèles pour minimiser les risques. Plusieurs méthodes d'optimisation ont été développées, comme une méta heuristique (recuit simulé) et une approche de génération de colonnes. Un indicateur nommé Global Sampling Indicator (GSI) a été défini pour modéliser dynamiquement les risques. Les lots à mesurer sont sélectionnés pour minimiser le risque global dans l'usine. Les résultats expérimentaux montrent que l'approche de génération de colonnes est efficace, mais peut être améliorée par une programmation dynamique pour certains cas, notamment ceux avec une forte variabilité dans la qualification des lots.
/
Berterottière, L.; Dauzère-Pérès, S.; Yugma, C. Flexible job-shop scheduling with transportation resources. European Journal of Operational Research. 2024, 312, 3, 890-909.
Martin, M.; Dauzère-Pérès, S.; Yugma, C. Scheduling on parallel metrology tools for risk reduction in semiconductor manufacturing. ROADEF 2024-25ème congrès annuel de la Société Française de Recherche Opérationnelle et d'Aide à la Décision, Amiens, France. 4-7 Mars 2024.
Suite au succès du projet ANR IMAGINE, le consortium vise à étendre les travaux de recherche de décisions intégrées en temps réel à des stratégies prédictives. Pour des processus de fabrication intelligents, le contrôle dynamique, la planification et le contrôle des processus/équipement devraient être gérés de façon pronostique. Les plans de production sont dynamiquement optimisés et utilisés comme base pour le règlement prédictif des processus et des équipements. Comme la production et les données techniques s’accumulent en permanence, la prédiction et les stratégies de planification seront utilisés par des techniques d’apprentissage sur des volumes de données conséquents pour des prévisions fines et précises. En outre, les décisions pronostiques seront interprétées de manière logique et raisonnable pour non seulement comprendre la causalité analytique mais aussi améliorer le contrôle et la planification dynamique. Les méthodes développées seront validées avec des partenaires locaux.
Coordination du projet
Claude YUGMA (Laboratoire d'Informatique, de Modélisation et d'Optimisation des Systèmes)
L'auteur de ce résumé est le coordinateur du projet, qui est responsable du contenu de ce résumé. L'ANR décline par conséquent toute responsabilité quant à son contenu.
Partenariat
LIMOS Laboratoire d'Informatique, de Modélisation et d'Optimisation des Systèmes
National Taiwan University / Graduade Institute of Industrial Engineering
Aide de l'ANR 213 996 euros
Début et durée du projet scientifique :
- 36 Mois
