Soutenance mémoire
Chaînes d’approvisionnement
De nos jours, la compétition des marchés et les exigences des consommateurs obligent les entreprises à porter beaucoup plus d’attention sur leurs relations avec les fournisseurs et les clients tout en optimisant leur production et la disponibilité des équipements. Ainsi, la gestion des chaînes d’approvisionnement devient de plus en plus importante. La diversité des paramètres, le volume des données et les différents niveaux de décisions impliqués dans une chaîne d’approvisionnement font qu’il n’existe pas une approche universelle de modélisation (Hajji, 2007). Selon Min et Zhou (2002), il existe quatre approches pour modéliser les chaînes d’approvisionnement; déterministe, stochastique, hybride et les modèles basés sur la technologie de l’information (TI). Les modèles déterministes supposent que les paramètres de la chaîne sont connus et fixés avec certitude. Les modèles stochastiques permettent de se rapprocher plus des cas réels caractérisés par la présence des phénomènes aléatoires (exemple: les pannes et réparations des unités de production). De part la nature même des chaînes d’approvisionnement, plusieurs modèles incluent simultanément des aspects déterministes et stochastiques; ce sont les modèles hydrides. Les modèles basés sur la TI visent l’intégration et la coordination de plusieurs phases de planification dans une chaîne d’approvisionnement, avec une vision de commande en temps réel et ce, en utilisant des mécanismes de partage d’information entre les différents partenaires de la chaîne. Une chaîne d’approvisionnement est caractérisée par le flux direct des produits et un flux inverse d’information (Wang et al., 2010).
Elle est composée de deux activités principales; la gestion du matériel (acquisition et stockage des matières premières) et le service client. Les entités d’une chaîne d’approvisionnement sont les clients, les entrepôts, les dépôts, les unités de transformation (exemples: usines, sous-traitants) et les fournisseurs. La chaîne comprend aussi les mouvements des produits entre les entités; les flux d’information et financiers. L’objectif de la gestion de la chaîne d’approvisionnement (SCM – Supply Chain Management) est d’améliorer l’efficacité opérationnelle, la rentabilité de l’entreprise et la relation entre les différents membres de la chaîne (Mahnam et al., 2009). La prise de décisions dans une chaîne d’approvisionnement est un processus complexe qui doit respecter trois phases (Min et Zhou, 2002). (i) Les décisions stratégiques concernent les localisations et capacités des usines et entrepôts, les produits à fabriquer ou à stocker à divers endroits; les modes de transport et le système d’information; (ii) Pour répondre aux exigences de la question de la satisfaction de la demande, la stratégie de production, la sous-traitante, la campagne de promotion (quand, à quel coût?), on prend les décisions tactiques; (iii) Les décisions opérationnelles permettent d’allouer des commandes à la production, d’allouer une commande à un transporteur, de déterminer les calendriers de livraison, de placer les commandes de réapprovisionnement; ce sont des décisions qui ont moins d’incertitude car elles sont prises sur un horizon à très court terme. Dans les lignes qui suivent, nous nous intéressons aux unités de transformation d’une chaîne d’approvisionnement. Nous avons noté précédemment que l’un des phénomènes aléatoires en logistique industrielle est la panne des unités de production. Il est donc impératif d’appliquer des stratégies efficaces de maintenance afin d’assurer la disponibilité et la fiabilité des équipements.
Stratégies de maintenance
Le principal objectif de la planification et du pilotage (MPC – Manufacturing Planning and Control) des entreprises manufacturières est de réduire le coût total de la production. Le coût de la maintenance des machines est estimé à 15% du coût total du système pour certaines entreprises et près de 70% pour d’autres (Ling et al., 2007). Dans la littérature, on distingue deux principaux types de maintenance (Li et al., 2007): la maintenance corrective et la maintenance préventive. La maintenance corrective s’effectue suite à une panne de la machine. Lorsqu’une entreprise n’applique que cette stratégie de maintenance, elle est exposée à de sérieux dommages au niveau des équipements, du personnel et de l’environnement (Ling et al., 2007). La maintenance préventive peut être divisée en deux grands groupes; la maintenance de type âge et la maintenance de type bloc. Dans le premier cas, la maintenance dépend de l’âge de la machine et dans le second cas, les dates de maintenance sont connus à l’avance et ne dépendent ni de l’âge, ni de l’état du système. La maintenance préventive s’exécute avant les pannes; elle permet de maintenir l’équipement sous certaines conditions grâce à des inspections et des préventions systématiques (Wang, 2002). Selon les techniques de la maintenance préventive, on peut citer la maintenance préventive temporelle, conditionnelle et prédictive (Ling et al., 2007). La maintenance préventive temporelle est planifiée et exécutée sur un horizon périodique afin de réduire les pannes spontanées et d’assurer la fiabilité des équipements. Dans la majeure partie des cas, cette stratégie de maintenance entraîne la détérioration des machines si les activités de maintenance sont imparfaites. La maintenance prédictive permet de prévoir la dégradation de la performance des machines et de prédire les pannes pouvant survenir, par l’analyse des données des paramètres de commande. Il est à noter que les stratégies de maintenance préventive (temporelle, conditionnelle et prédictive) ne permettent pas d’éviter complètement les pannes et la maintenance corrective à cause de la nature aléatoire des pannes des machines. Il est donc nécessaire de bien choisir les stratégies de maintenance préventive à appliquer. Selon Ling et al. (2007), les critères de sélection peuvent être:
Optimisation de la production des systèmes manufacturiers Face à un environnement commercial compétitif, les entreprises sont de plus en plus attirées par la planification efficace de leur production dans le but d’optimiser le stock des produits finis. Un stock est défini comme la différence entre la quantité produite et la demande du client. Lorsqu’il est positif, on parle de stock des produits finis. Sinon, on parle de pénurie. Dans le cas d’un stock positif, le client est satisfait dans les délais (sans retard). S’il y’a pénurie, le temps d’attente du client dépend de la quantité des produits manquants. Il est donc néfaste de faire attendre un client pour un service ou un produit car on peut soit perdre le client, soit avoir une évaluation négative de la qualité du service ou du produit. Gershwin et al. (2009) ont fait l’étude d’un système manufacturier en introduisant une fonction de défection qui indique la fraction de clients qui choisissent de retirer leurs commandes lorsque les pénuries ont atteint un certain seuil. Les résultats obtenus ont montré que la politique optimale de production d’un tel problème est de type seuil critique (Hedging Point Policy – HPP). Les travaux de Gershwin et al. (2009) ne s’appliquent pas aux systèmes plus larges (plusieurs machines et/ou produits). L’étude du problème de contrôle des taux de production d’un système manufacturier constitué de plusieurs machines, plusieurs produits a été faite par Gharbi et Kenne (2003).
Leur objectif était de minimiser le coût total des pénuries et du stock des produits finis. Les conditions d’optimum ont été définies par les équations d’Hamilton- Jacobi-Bellman (HJB). Ces équations étant difficiles à résoudre dans le cas de plusieurs produits, les auteurs ont utilisé la combinaison d’une approche analytique et d’une approche de simulation basée sur les plans d’expérience pour trouver une approximation de la politique optimale. Les machines de leur système étant flexibles c’est-à-dire que le temps et le coût de réglage pour passer d’un produit à un autre sont négligeables. Krasik et al. (2008) ont fait l’extension du modèle de Gharbi et Kenne (2003) à un système constitué de plusieurs machines identiques en parallèle et fabricant plusieurs types de produits avec coûts de réglage non nuls car d’après leur politique, pour passer d’un produit à un autre, on arrête le fonctionnement de la machine. Leur objectif étant de minimiser les coûts des stocks, de pénuries et de réglage en utilisant la programmation dynamique. Aucune de ces approches n’a développé un modèle qui intègre simultanément la gestion optimale de production et de maintenance des ressources du système manufacturier. En effet, chaque fois qu’une machine produit une pièce, les pannes sont plus fréquentes. Il est donc nécessaire de faire le contrôle combiné des opérations de production et de la dynamique des machines pour réduire de manière efficace le coût total du système.
Dégradation des unités de production
Les systèmes manufacturiers soumis à des pannes et réparations aléatoires ont été largement étudiés dans la littérature. Dans les travaux de Kimemia and Gershwin (1983) et Bielecki and Kumar (1988), il a été prouvé que sur un horizon infini, le coût total d’un système décrit par un processus de Markov homogène, est minimisé par une politique à seuil critique; politique selon laquelle la machine fonctionne à sa vitesse maximale jusqu’à ce que le stock de sécurité soit atteint. Si le niveau du stock est supérieur au stock optimal, on ne produit pas. Mais si le stock est égal à sa valeur optimale, on produit au taux de la demande. Le concept de politique à seuil critique décrit par des processus markoviens a été étendu de plusieurs façons au fil des ans par Tan et Gershwin (2004); Dong-Ping (2009). Quelques travaux ont examiné les processus semi-Markov (Hu et Xiang, 1995; Dehayem et al., 2011; Kazaz et Sloan, 2013). L’hypothèse fondamentale dans le modèle de Dehayem et al. (2011) est que le système se détériore avec l’âge et le nombre de pannes. Le problème devient plus complexe si la dégradation de la machine est fonction de sa vitesse de production. Dans Rishel (1991), il a été prouvé que la politique à seuil critique reste optimale, si et seulement si, la dépendance des taux de pannes du taux de production est une fonction quadratique. De même, l’une des réalisations les plus importantes des travaux de Hu et al. (1994) a été de trouver les conditions nécessaires et suffisantes pour l’optimalité de la politique à seuil critique dans le cas d’une seule machine produisant un seul type de pièce, lorsque le taux de pannes dépend du taux de production de la machine. Ils ont montré que les politiques à seuil critique sont optimales si le taux de panne est une fonction linéaire du taux de production.
Selon leur analyse, les résultats numériques dans le cas général suggèrent de réduire le taux de production de la machine lorsqu’on approche le seuil critique afin de tenir compte de sa fiabilité. Cette conjecture a été confirmée par les résultats numériques présentés dans Martinelli (2007), où l’auteur a considéré un système de production constitué d’une machine, un produit, soumis à deux taux de panne différents dont le second est inférieur au taux de panne correspondant à sa production maximale. Martinelli (2010) généralise le problème de Martinelli (2007) en considérant une machine avec plusieurs taux de pannes différents; plus précisément, le taux de panne est une fonction croissante et constante par morceau du taux de production. Dans le paragraphe précédent, les auteurs traitant de la dégradation de la machine avec sa vitesse de production, ont fait l’étude des systèmes de production constitués d’une seule machine fabricant un seul type de produit. Leurs modèles doivent être étendus au cas de multiple-machines et/ou multiple-produits. De plus, compte tenu de la rareté et du coût élevé des matières premières, le respect de l’environnement et les législations sur l’environnement, plusieurs pays ont mis sur pied des lois sur le respect de l’environnement et des taxes sur les émissions des gaz à effet de serre. Beaucoup d’entreprises de nos jours prennent en charge les déchets de leurs produits déjà utilisés ou en fin de cycle de vie. Les travaux développés dans les sections précédentes ne prennent pas en compte la chaine des retours dans leurs modèles.
|
Table des matières
INTRODUCTION GÉNÉRALE
CHAPITRE 1 PROBLÉMATIQUE ET REVUE DE LITTÉRATURE
1.1 Introduction
1.2 Problématique de recherche
1.2.1 Définition des mots clés – Terminologie
1.2.2 Structure du système étudié
1.2.3 Hypothèses de travail
1.2.4 Objectifs de la recherche
1.3 Revue critique de la littérature
1.3.1 Chaînes d’approvisionnement
1.3.2 Stratégies de maintenance
1.3.3 Optimisation de la production des systèmes manufacturiers
1.3.4 Gestion simultanée de la production et de la maintenance des machines
1.3.5 Dégradation des unités de production
1.3.6 Structure de la ligne inverse
1.3.7 Systèmes hybrides de production/réutilisation des pièces
1.3.8 Systèmes dynamiques de manufacturing et de remanufacturing
1.3.9 Modèles mathématiques de la logistique inverse
1.3.10 Synthèse de la revue de la littérature
1.4 Méthodologie proposée
1.5 Contributions et structure de la thèse
1.5.1 Articles de revues
1.6 Retombées et impact industriel
CHAPITRE 2 ARTICLE 1: PRODUCTION AND MAINTENANCE PLANNING FOR A FAILURE PRONE DETERIORATING MANUFACTURING SYSTEM: A HIERARCHICAL CONTROL APPROACH
Résumé
Abstract
2.1 Introduction
2.2 Notations and assumptions
2.2.1 Notations
2.2.2 Assumptions
2.3 Problem statement
2.4 Optimality conditions and numerical methods
2.5 Numerical example and results
2.6 Sensitivity analyses and extensions
2.6.1 Variation of the backlog cost
2.6.2 Variation of the inventory cost
2.6.3 Variation of the preventive maintenance cost
2.6.4 Variation of the corrective maintenance cost
2.7 Extensions
2.8 Conclusion
CHAPITRE 3 ARTICLE 2: STOCHASTIC OPTIMAL CONTROL OF MANUFACTURING SYSTEMS UNDER PRODUCTIONDEPENDENT FAILURE RATES
Résumé
Abstract
3.1 Introduction
3.2 Industrial context
3.3 Problem statement and optimality conditions
3.3.1 Notations
3.3.2 Assumptions
3.3.3 Problem formulation
3.3.4 Optimality conditions
3.4 Simulation and numerical example
3.4.1 Numerical results
3.4.2 Sensitivity analyses
3.4.2.1 Sensitivity analysis with respect to backlog costs
3.4.2.2 Sensitivity analysis with respect to machine parameters
3.5 Extensions to the case of multiple failure rates
3.5.1 Numerical example
3.5.2 Sensitivity analyses
3.6 Discussions and policies implementation
3.7 Conclusion
CHAPITRE 4 ARTICLE 3: PRODUCTION PLANNING OF A FAILUREPRONE MANUFACTURING/ REMANUFACTURING SYSTEM WITH PRODUCTION-DEPENDENT FAILURE RATES
Résumé
Abstract
4.1 Introduction
4.2 Literature review
4.3 System under study
4.3.1 Assumptions
4.3.2 Problem statement
4.4 Analysis of results and sensitivity analysis
4.4.1 Optimal control results of numerical illustration
4.4.2 Sensitivity analysis
4.4.2.1 Sensitivity analysis with respect to backlog costs
4.4.2.2 Sensitivity analysis with respect to return rate
4.5 Conclusion
CHAPITRE 5 ARTICLE 4: STOCHASTIC MODELS AND NUMERICAL SOLUTIONS FOR MANUFACTURING/ REMANUFACTURING SYSTEMS WITH APPLICATIONS TO THE PRINTER CARTRIDGES INDUSTRY
Résumé
Abstract
5.1 Introduction
5.2 Manufacturing/Remanufacturing system
5.2.1 Notations
5.2.2 Industrial context
5.2.3 Production planning
5.2.4 Optimality conditions
5.2.5 Numerical procedure for the optimal policy
5.3 Application examples
5.3.1 Results analysis
5.3.2 Sensitivity analysis
5.3.2.1 Sensitivity analysis with respect to costs parameters
5.3.2.2 Sensitivity analysis with respect to factories’ parameters
5.4 Conclusions
CONCLUSION GÉNÉRALE
ANNEXE I APPENDIX 3.A. NUMERICAL APPROACH
ANNEXE II APPENDIX 4.A. OPTIMALITY CONDITIONS AND
NUMERICAL APPROACH
ANNEXE III ARTICLES DE CONFÉRENCES
LISTE DE RÉFÉRENCES BIBLIOGRAPHIQUES
Télécharger le rapport complet
