Contrôle dynamique et planification pour des processus de fabrication et systèmes intelligents – DILIGENT
DILIGENT : améliorer la performance des usines grâce à l’IA, l’optimisation et les jumeaux numériques
Le projet DILIGENT développe de nouvelles méthodes pour mieux organiser les systèmes de production complexes, notamment dans l’industrie des semi-conducteurs. En combinant intelligence artificielle, optimisation et simulation, il permet d’améliorer la performance, de réduire les risques et de faciliter la prise de décision dans des environnements incertains.
Mieux piloter les systèmes industriels complexes grâce aux données
Les systèmes industriels modernes, notamment dans la fabrication de semi-conducteurs, sont devenus extrêmement complexes. La production repose sur un grand nombre d’étapes, de machines et de décisions interconnectées, dans un environnement marqué par des incertitudes et des contraintes fortes. Dans ces conditions, il devient difficile d’organiser efficacement la production et de garantir à la fois performance, qualité et réactivité. Aujourd’hui, les décisions liées à la production, au transport des produits, au contrôle qualité ou encore à l’état des équipements sont souvent prises séparément. Cette organisation peut conduire à des inefficacités et à une perte de performance globale. Le projet DILIGENT vise à dépasser ces limites en développant des approches intégrées permettant de prendre en compte simultanément ces différentes dimensions. L’objectif est d’améliorer la manière dont les systèmes industriels sont pilotés, en tenant compte des interactions entre les différentes décisions. Un autre enjeu important concerne l’utilisation des données. Les systèmes industriels génèrent aujourd’hui de grandes quantités d’informations, mais celles-ci sont encore insuffisamment exploitées pour améliorer la prise de décision. DILIGENT propose d’utiliser l’intelligence artificielle pour mieux analyser ces données et anticiper le comportement des systèmes. Le projet vise également à améliorer la robustesse des décisions face aux incertitudes, en développant des méthodes capables de s’adapter aux variations et aux imprévus. Enfin, DILIGENT propose de développer des outils de type « jumeau numérique », permettant de simuler le fonctionnement des systèmes industriels et d’évaluer différentes stratégies avant leur mise en œuvre. Dans l’ensemble, le projet contribue à rendre les systèmes de production plus intelligents, plus efficaces et plus adaptés aux défis industriels actuels.
Le projet DILIGENT s’appuie sur une combinaison de méthodes innovantes pour améliorer le pilotage des systèmes de production complexes.
Tout d’abord, des techniques d’optimisation ont été utilisées pour mieux organiser les tâches de production et l’utilisation des machines. Ces méthodes permettent de trouver des solutions efficaces pour planifier les opérations, même dans des environnements très complexes.
Le projet a également mobilisé l’intelligence artificielle pour exploiter les données issues des systèmes industriels. En analysant ces données, il est possible de mieux prévoir le comportement des machines et des processus, et ainsi améliorer la prise de décision.
En parallèle, des approches de simulation ont été développées afin de reproduire le fonctionnement des systèmes de production. Ces outils permettent de tester différentes stratégies et d’anticiper leurs effets avant de les appliquer en conditions réelles.
Une autre innovation importante du projet est l’intégration de plusieurs dimensions habituellement traitées séparément, comme la planification de la production, le transport des produits, le contrôle qualité et l’état des équipements. Cette approche globale permet de mieux prendre en compte les interactions entre ces éléments.
Enfin, le projet a développé des outils de type « jumeau numérique », qui représentent virtuellement les systèmes industriels. Ces outils permettent de suivre leur fonctionnement, d’analyser des scénarios et de soutenir la prise de décision dans des environnements incertains.
Le projet DILIGENT a permis d’obtenir des résultats concrets pour améliorer le fonctionnement des systèmes de production.
Tout d’abord, les méthodes développées ont permis d’optimiser l’organisation de la production et des transports, avec des gains significatifs en efficacité. Par exemple, certaines approches ont permis de réduire fortement les temps de transport tout en maintenant de bonnes performances globales.
Le projet a également montré que l’utilisation des données et de l’intelligence artificielle permet d’améliorer la qualité des décisions, en particulier dans des environnements incertains où les conditions évoluent rapidement.
Une avancée importante concerne la prise en compte simultanée de plusieurs aspects du système, comme la production, le contrôle qualité et l’état des équipements. Cela permet de mieux gérer les risques et d’éviter certaines dégradations de performance.
Les outils de simulation et de jumeau numérique développés dans le projet offrent également de nouvelles possibilités pour tester et comparer différentes stratégies, sans perturber les systèmes réels.
Enfin, les résultats ont été validés en collaboration avec un partenaire industriel, ce qui confirme leur pertinence pour des applications concrètes. Les travaux ont également donné lieu à plusieurs publications scientifiques, contribuant à la diffusion des connaissances.
Les résultats du projet DILIGENT ouvrent plusieurs perspectives pour améliorer encore le fonctionnement des systèmes industriels.
Une première perspective consiste à aller plus loin dans l’intégration des différentes décisions, en prenant en compte simultanément la production, le transport, le contrôle qualité et la maintenance. Cela permettrait d’obtenir une vision encore plus globale et cohérente du fonctionnement des systèmes.
Une deuxième perspective concerne l’amélioration de la prise en compte des incertitudes. Les systèmes industriels évoluent en permanence, et il est important de développer des méthodes capables de s’adapter rapidement aux changements, par exemple en ajustant les décisions en temps réel.
Le projet ouvre également des perspectives pour renforcer l’utilisation de l’intelligence artificielle. De nouvelles approches pourraient permettre aux systèmes d’apprendre en continu à partir des données et d’améliorer progressivement leurs performances.
Une autre perspective importante concerne l’application concrète des méthodes développées dans des environnements industriels. Leur intégration dans les systèmes existants nécessite encore des adaptations, mais elle pourrait permettre des gains importants en efficacité et en fiabilité.
Enfin, les approches proposées dans le projet pourraient être étendues à d’autres domaines industriels confrontés à des problématiques similaires, comme l’énergie, la logistique ou d’autres secteurs de production complexes.
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.
Lucas Berterottière, Stéphane Dauzère-Pérès, Claude Yugma, Kwei-Long Huang. Minimizing total travel time in the exible job-shop scheduling problem with transportation resources. European Journal of Operational Research, 2025, 312, pp.890-909.
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
Galliam 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
