Analyse Et Amélioration De La Performance D’une Chaine De .

2y ago
154 Views
2 Downloads
791.96 KB
10 Pages
Last View : 11m ago
Last Download : 2m ago
Upload by : Gannon Casey
Transcription

11eCONGRES INTERNATIONAL DE GENIE INDUSTRIEL – CIGI2015Québec, Canada26-28 octobre 2015Analyse et Amélioration de la Performance d’uneChaine de Production Via SimulationMOHAMED FRIHAT1, KHALED DAOUDI1, CHÉRIF SADFI1, ATIDEL B.HADJ ALOUANE11ENIT, OASIS1002 Tunis, Tunisiefrihatmohamed@hotmail.fr, daoudikhaled@gmail.com, cherif.sadfi@gmail.com, atidel.hadj@enit.rnu.tnRésumé - Dans une chaine de production, aussi complexe que celle de la fabrication du cuir, plusieurs perturbations influentsur les performances du système et le rendent très instable et imprédictible. La simulation des flux offre au gestionnaire deproduction la possibilité d’analyser et de tester différents scénarii afin d’améliorer les performances du système. Dans leprésent travail, nous considérons le cas d’une tannerie tunisienne et nous utilisons la simulation à évènements discrets afind’améliorer les performances du système de production. Différentes règles d’ordonnancement et modes de gestion sontemployés, ce qui permet de réduire le temps de séjour et le retard de livraison et augmenter la productivité du système deproduction.Abstract - In a complex production chain such as the leather manufacturing system, several disturbance events may affectthe system performances and make it very unstable and unpredictable. Flow simulation provides a production manager withthe opportunity to analyze and test new ideas in order to enhance system performances. In the present work, we consider thecase of a Tunisian tannery and use discrete event simulation to improve its system performances. Various scheduling rulesand management methods are deployed, resulting in flow time and lead time reduction, and in increased systemproductivity.Mots clés - système de production, modélisation, simulation, performancesKey words - production system, modeling, simulation, performances1 INTRODUCTIONLes processus de production sont généralement caractérisés parune complexité de leurs opérations techniques et de leursmodes de gestion.L'approche taylorienne basée sur les micro-séquencesopératoires, avait un impact avéré sur l'amélioration de laproductivité des systèmes de production. Mais depuis lesannées 70, cette méthode a prouvé une insuffisance à gérer lagrande variabilité des processus et des procédures intégrés, lacomplexité des opérations techniques et la flexibilité dessystèmes de production.En vue d'améliorer les performances de son système deproduction, le dirigeant est amené à tester des scénarii sur-lechamp, ce qui demande des coûts et des efforts énormes àconsacrer.Et afin de lui permettre d'évaluer ses stratégies et prendre sesdécisions, il lui faut un outil d’aide à la décision bien structuré,émulant le comportement de son processus, et exploitant unebase de données pour appliquer un ensemble de modèles et deprocédures apportant les éléments de réponse aux questionsposées, au travers les valeurs des indicateurs de performancequ'il désire avoir. C'est dans ce cadre que la simulation imposeson existence.Dans cet article, en considérant le cas d’une tannerietunisienne, nous détaillons les étapes à suivre pour aboutir àun modèle de simulation valide. De plus, nous testons certainesrègles d’ordonnancement et différentes stratégies de gestionafin d’améliorer les performances du système.2 ETAT DE L'ARTDepuis 1973, la simulation a été introduite dans le domaine desservices avec la tentative d'automatiser les chemins de fer, puisdans le domaine militaire jusqu'à l'industrie. Cet outil trèsefficient a permis une facilité impeccable à gérer les systèmescomplexes et une flexibilité impressionnante à mener desexpériences impossibles à mener en réalité.Aujourd'hui, face à la concurrence en industrie, les recherchesmenées par les bureaux R&D en vue d'améliorer les

Figure 1. Perturbations influant le système de productionTableau 1. Activités des différents départementsDépartementActivitéMagasin PeauxBrutesClassementWet BlueRéception et triage des peauxbrutesTransformation de peaux en cuir« Wet Blue »Classement des peaux selon lechoixTeintureColoration basique des peauxDans ce papier, nous considérons le cas d’un fabricant de cuirtunisien qui dispose de deux lignes de production (figure 2) : laTannerie pour la fabrication du cuir à partir des peaux bovineset la Mégisserie pour la fabrication du cuir à partir des peauxovines.La fabrication du cuir dans chaque ligne (Tannerie ouMégisserie) de production se fait en passant par plusieursdépartements (tableau 1).FinissageMagasinproduits finisClassementWBRivièreRivièreSéchage et assouplissement despeauxFinition couleur et embellissementde l’aspect de la peauContrôle qualité et préparation eLabo4 DESCRIPTION DU éreFinissageFigure 2. Modèle représentatif de l’usine de productionMagasin PFLe processus de fabrication du cuir est très compliqué, entermes des spécificités techniques et différents modes degestion des stocks, des achats et de la production.Il s'agit de transformer les peaux brutes animales en un cuirselon les spécifications des clients. Ces dernières sont trèsvariables et concernent essentiellement le choix du cuir, sacouleur, son toucher, son épaisseur, etc. De plus, plusieursincertitudes ou aléas existent et différentes perturbationspeuvent intervenir. Ces aléas se partagent entre internes etexternes (figure 1).Il est intéressant alors d’établir une maquette de simulation,permettant de prévenir le comportement du système réel vis-àvis des perturbations introduites. Comme, le système considéréest dynamique et stochastique, la simulation à évènementsdiscrets est particulièrement bien adaptée [Stewart, 2003].MagasinPFRivière3 CONTEXTE DE L’ETUDER&Dperformances des systèmes industriels sont, dans une grandepartie, basées sur la simulation.En effet, différents facteurs industriels contribuent dans laperturbation du système et exigent une possession d'un outild'aide à la décision émulant le comportement du système etfournissant au décideur les données nécessaires et suffisantespour prendre ses décisions. Parmi ses facteurs nous citons : La complexité des processus de production qui exige del'expérience et de l'expertise technique et organisationnelle, pour gérer les situations compliquées ; Les différents phénomènes aléatoires perturbant lefonctionnement du processus ; Les contraintes face à l'application de certains scénarii(contraintes de coût, de temps et de ressources).Le potentiel de la simulation est très vaste. En effet, lasimulation est applicable aujourd’hui à tous les flux del’industrie et des services [Berchet, 2000]. Dans la majorité descas, cet outil est utilisé dans la phase de conception oud’amélioration des ateliers de production, pour tester des règlesd’ordonnancement [Da Silva et al, 2014] ou pour identifier lesdysfonctionnements du système et les goulots d’étranglement[Mirdamadi, 2009]. Cet outil peut être couplé à desalgorithmes d’optimisation afin de déterminer les valeursoptimales de pilotage ([Hani et al, 2008], [Fontanili, 1999],[Pierreval, 1997]). La simulation peut être aussi utilisée enphase d’exploitation comme un outil de planification etd’ordonnancement [Drake et Smith, 1996].

5 METHODOLOGIE D'ELABORATION DU PROJETPlusieurs contributions ont été proposées dans le but de définirle processus adéquat à suivre dans un projet de simulation etqui expriment des visions assez différentes, parfoiscomplémentaires ([Pritsker, 1986], [Banks, 1994], [Law,1994], [Revel et al, 2004]).Une vision plus simple consiste à élaborer un projet desimulation en trois étapes : Analyse du problème : cette étape inclut les phasessuivantes : Spécifier le besoin derrière la simulation ; Fixer les objectifs à atteindre ; Collecter les données nécessaires au paramétrage dumodèle ; Etablir le modèle conceptuel (cartographie des flux) ; Valider le modèle conceptuel. Modélisation : cette étape consiste à implémenter lemodèle conceptuel sur un progiciel de simulation etensuite valider le modèle avec le système réel. Expérimentation : cette étape résume les phasessuivantes : Spécifier les scénarii à tester et préciser lesindicateurs de performance à suivre ; Analyser et interpréter les résultats générés ; Prendre les décisions.5.1 Collecte et Analyse des donnéesLe système de production considéré est assez complexe. Eneffet, certains départements sont du type job shop hybridecomme les départements corroyage et finissage avec unegrande diversité et variabilité dans les commandes clients etdonc dans les articles traités. Pour faciliter l'étude et réduire lacomplexité du problème, nous utilisons la méthode Paretopermettant de dégager les articles les plus traités et donc lesgammes opératoires les plus fréquentes, ce qui permet d’établirla cartographie des flux pour chaque ligne de production(figures 3 et 4).Les outils utilisés dans la collecte des données sont : Des analyses des documents internes de l’entreprise. Cetteforme d’investigation est toujours très instructive etpermet de prendre une vision d’ensemble sur l’état réel del’organisation. En outre, cette analyse permet d’explorerdes informations qualitatives, d’en extraire des indices oudes synthèses dans un but de détecter des lacunes dans lesprocessus ; Des consultations des systèmes GPAO, GMAO et GQAO; Des consultations des enregistrements internes du taux derendement synthétique TRS ; Des réunions quotidiennes et des entretiens ouverts etstandardisés avec les responsables de production afin denous servir des documents utiles et des historiques de laproduction ; Des entrevues avec les contremaitres pour validercertaines informations spécifiques à leurs départements etavoir des détails sur les processus de production.Les données collectées concernent essentiellement : Le carnet de commandes : familles des articles,caractéristiques (quantité, choix, épaisseur), datesd’arrivée et dates de livraison ; Les caractéristiques des entités circulant dans le système(taille des lots traités, les gammes opératoires desarticles, taux de non-conformité, processus deretraitement des articles non conformes, etc.) ; Les caractéristiques des ressources de production:machines et ouvriers (horaires de travail, nombre,affectations, cadences, pannes machines MTBF, tempsde réparation MTTR, taux d'absentéisme, etc.) ; L’historique des achats des peaux brutes par fournisseur,ainsi que les résultats de classement et tri par choix.Pour paramétrer le modèle, il faut déterminer des lois régissantles différentes composantes du modèle. Le module « InputAnalyzer » de l’outil Arena permet de fournir la meilleuredistribution pour chaque échantillon de données introduit.La figure 5 présente la distribution déduite pour la quantité depeaux brutes ovines à la réception pour un fournisseur local.Figure 5. Distribution de la quantité de peaux ovinesreçues5.2 Implémentation et Validation du modèleUne fois les données nécessaires sont collectées et les modèlesconceptuels (cartographies des flux) sont validés, nous passonsà l'implémentation du système de production, en utilisantl’outil de simulation Arena 14.0.Après cette phase de modélisation informatique, nous testonsle modèle pour le valider. Dans ce qui suit, nous détaillons lestechniques et étapes de validations utilisées.5.2.1Vérification du modèleCette étape consiste à s'assurer que tous les composants dusystème sont implémentés dans le modèle. Pour se faire, noussuivons l'approche "Diviser et régner" ou connue sous le nom"Divide and Conquer Approach". Cette méthode consiste àsuivre le modèle au fur et à mesure de sa construction pourfaciliter la localisation des problèmes et leurs corrections.5.2.2Validation du modèleLe modèle doit simuler le comportement du système avec uncertain degré de confiance. Cette étape s'étale sur deux phasesprincipales :

même population ou de populations différentes. Il s’agitd’estimer si les variables de deux échantillons suivent la mêmeloi de probabilité. Comme chaque département dispose de sespropres règles de gestion des flux et de stocks, la validation dumodèle entier ne permet pas de bien détecter les problèmes.Pour cette raison, nous procédons à une validation plus fine pardépartement.Dans notre cas, l’indicateur choisi pour la validation dumodèle est le temps de séjour moyen mensuel. La taille del’échantillon considéré est égale à 12 mois.Les différentes étapes suivies sont illustrées dans le tableau 3. Phase I : Déterminer le nombre de réplicationsLes résultats que fournit le modèle doivent être stables, maiscomme les lois utilisées sont de nature probabiliste, nous nepouvons pas nous contenter d'une seule réplication. Le modèledoit être représentatif des différentes valeurs possiblesgénérées par les différentes lois introduites. Dans ce cadre,nous cherchons à déterminer le nombre de réplicationsnécessaire pour la précision des résultats. L’algorithme adoptéest détaillé dans le tableau 2. Une fois ce formulaire estappliqué, nous nous assurons que notre modèle fournira desvaleurs des indicateurs de performance robustes que nouspouvons admettre dans nos interprétations.L'indicateur de performance adopté pour déterminer le nombrede réplications, pour chaque ligne de production, est la quantitéde peaux produites pendant 90 jours.Tableau 2. Algorithme de calcul du nombre de réplicationsEtapeDescriptionTableau 3. Etapes du Test de Mann-Whitney UEtapeDescription1. Trier lesPréparer les échantillons, de tailles n1 et n2, àvaleurs descomparer et affecter à chacune des valeurs sonéchantillons.rang, indépendamment de l'échantillon dontelle appartienne, dans un ordre croissant.Exécuter 5 à 10 réplications et1. Construire un échantillon.collecter les résultats pour lenombre de peaux produites.2.CalculerlaMoyenne̅̅̅X,l'Ecart type δ(n) et l'Erreurstandard. ε(n)La moyenne de l'échantillon 𝑋̅ :𝑛𝑋𝑖𝑋̅ 𝑒𝑛 (𝑃𝑥)𝑛𝑖 1L'écart type δ :𝑛 𝑡𝑎𝑖𝑙𝑙𝑒 𝑑𝑒 𝑙 ′ é𝑐ℎ𝑎𝑛𝑡𝑖𝑙𝑙𝑜𝑛2 𝑛 (𝑋𝑖 𝑋̅(𝑛))𝛿(𝑛) 𝑖 1𝑒𝑛 (𝑃𝑥)𝑛 1L'erreur standard ε :𝑋𝑖: 𝑙𝑎 𝑣𝑎𝑙𝑒𝑢𝑟 𝑑𝑒 𝑙𝑎 𝑟𝑒𝑝𝑙𝑖𝑐𝑎𝑡𝑖𝑜𝑛 𝑖valeurs trouvées𝑡: �𝑜𝑛𝑆𝑡𝑢𝑑𝑒𝑛𝑡sont 42 réplications pour la Tannerie etS 𝑛𝑖 1 𝑋𝑖2. Calculer lessommes des rangsde chaqueéchantillon S1 etS2𝑈 min(𝑈1 , 𝑈2 )3. Calculer U deMann-WhitneyOù4. Calculer Z𝑍 17 réplications pour la Mégisserie. Pour le modèle 𝛿(𝑛)entier, nous𝛼 valeurs 𝑡ces𝑒𝑛(42(𝑃𝑥)le maximum𝜀(𝑛)entredeux𝛼 considérons𝑙𝑒 𝑛𝑖𝑣𝑒𝑎𝑢 𝑑𝑒 ���𝑛𝑛 1,1 2 𝑛{ réplications). 5% Effectuer le test de Mann-WhitneyU de confianceD’où l'intervalleCe test est utilisé souvent pour comparer deux échantillonsindépendants de petite taille et prouver𝑋̅ ou𝜀 𝑒𝑛non(𝑃𝑥)qu’ellesviennent de la même population. Il s’agit d’estimer si lesvariables de deux échantillons suivent la même loi deprobabilité[A.CHUNG,2004]. Lesdifférentesétapes suivies3. Choisirle niveaude précisionLe niveaude précisionest 5 %sont illustrées dans le tableau 3.̅0.05propres 𝑋 𝑒𝑛règles(𝑃𝑥) deet ementdispose 𝜀́de ses𝛿 2 nefluxnombreet de stocks,4. gestionCalculerdes lede la validation du2 modèle entier𝑛 𝑡𝛼 ( )permet pas de bien détecter les problèmes.𝑛 1,1 Pour 2cette𝜀́raison,réplicationsnnous procédonsune validationplus fine par département.Dans notre cas, l’indicateur choisi pour la validation dumodèle est le temps de séjour moyen mensuel. La taille del’échantillon considéré est égale à 12 moiLes valeurs trouvées sont 42 réplications pour la Tannerie et17 réplications pour la Mégisserie. Pour le modèle entier, nousconsidérons alors le maximum entre ces deux valeurs (42réplications). Phase II : Effectuer le test de Mann-Whitney UCe test est utilisé souvent pour comparer deux échantillonsindépendants de petite taille et prouver qu’ils viennent de la𝑈𝐼 𝑆𝑖 𝜇 Où {5.Déduction:Comparer Z à celle𝑍𝑐𝑟𝑖𝑡𝑖𝑞𝑢𝑒𝑛𝑖 (𝑛𝑖 1)2(𝑈 𝜇)𝜎𝑛1 𝑛22𝑛 𝑛 (𝑛1 𝑛2 1)𝜎 1 2 12Tester l'hypothèse nulle qui admet que leséchantillons appartiennent à la mêmepopulation. Si Z [ -𝑍𝑐𝑟𝑖𝑡𝑖𝑞𝑢𝑒 ; 𝑍𝑐𝑟𝑖𝑡𝑖𝑞𝑢𝑒 ]alors l'hypothèse est vraie et le modèle estvalide.En appliquant le test de Mann-Whitney U, sur l’échantillonfourni par notre modèle et l’échantillon du système réel, nousvalidons notre modèle.5.3 ExpérimentationsA la suite du développement et de la validation du modèlepermettant de simuler le comportement réel du système deproduction, nous testons plusieurs règles d’ordonnancement,certaines stratégies de gestion et quelques pistes

d’amélioration, et nous évaluons leurs impacts sur lesperformances du système.Les indicateurs de performance choisis sont : Le temps de séjour moyen total dans chaque ligne ; Le temps de séjour moyen local dans chaquedépartement ; Le temps d’attente moyen du stock Wet Blue danschaque ligne ; Le retard de livraison moyen dans chaque ligne ; Le taux de commandes produites (le pourcentage descommandes produites par rapport au total descommandes reçues) dans chaque ligne.5.3.1Règles d'ordonnancementIl s’agit, dans un premier temps, pour chaque département, dedéterminer la séquence des commandes la plus performante.La règle actuelle admise dans les deux lignes de production estla règle FIFO " First In first Out.En évaluant cette règle avec le modèle de simulation, nousdéduisons les performances présentées dans le tableau 4. LIFO (Last In First Out) : consiste à prioriser lacommande arrivant la dernière ; HAV (Highest Attributed Value) : consiste à prioriser lacommandes dont la taille est la plus grande ; LAV (Lowest Attributed Value) : consiste à prioriser lacommande dont la taille est la plus petite ; LDA (Lowest Delay Attributed) : consiste à prioriser lacommande dont le délai de livraison est le plus court ; MSL (Minimum Sequence Length) : consiste à prioriser lacommande dont la gamme opératoire est la plus courte ; MXSL (Maximum Sequence Length : consiste à prioriserla commande dont la gamme opératoire est la plus longue.Les résultats de différentes règles d'ordonnancement pourchaque ligne de production sont présentés dans les figures 6 et7. Nous précisons que l’horizon considéré dans nossimulations est égal à 120 jours et chaque fois que nouschangeons la règle d’ordonnancement pour un département,nous gardons la règle FIFO pour les autres.Tableau 4. Résultats de la règle FIFOIndicateurTemps de séjourTotal(j)Temps de séjourRivière ( j )Temps de séjourTeinture Corroyage(j)Temps de séjourFinissage MagasinPF ( j )Temps de stockageWet Blue ( j )Taux decommandesproduites (%)Retard de livraison(j)RésultatTannerie31.71 1.81Mégisserie19.85 1.2Tannerie8.41 0.69Mégisserie7.19 0.06Tannerie8.38 0.27Mégisserie8.62 0.53Tannerie6.59 0.28Mégisserie5.06 0.21Tannerie73.3 1.69Figure 6. Résultats des règles d'ordonnancement pour laTannerieMégisserie59.16 1.26Tannerie18.04 1.13Mégisserie51.93 1.87Tannerie13.09 0.99Mégisserie2.72 1.08Pour la ligne Tannerie, nous constatons que la meilleure règled'ordonnancement est la règle LAV. En effet cette règleentraîne les améliorations suivantes : Réduction du temps de séjour moyen total de35.82% ; Réduction du temps de séjour moyen dans ledépartement rivière de 59.57% ; Réduction du temps de séjour moyen dans ledépartement Teinture-corroyage de 14.08% ; Réduction du temps de séjour moyen dans ledépartement Finissage-Magasin PF de 25.49% ; Augmentation du taux de commandes produites de52% ; Réduction du retard de livraison moyen de 84.18%.Nous notons aussi que la règle LIFO permet une améliorationdu temps de séjour total moyen de 40.9 %.Les objectifs visés en testant les différentes règlesd'ordonnancement sont : Une minimisation du temps de séjour moyen ; Une minimisation du retard de livraison ; Une maximisation du taux de commandes produites.Les différentes règles à tester sont :

Tableau 7. Résultats de combinaison des règlesd'ordonnancement pour la tenuTemps de séjour Rivière ( j )7.19 0.067.23 0.0858.55 1.0858.81 1.11Temps de stockage WB (j)Temps de séjour Teinture8.62 0.538.88 0.52Corroyage (j)Temps de séjour Finissage4.27 0.265.11 0.19Magasin PF (j)19.85 1.219.80 1.11Temps de séjour moyen (j)Taux de commandes produites54.37 2.0152.59 1.52(%)0.02 1.473.25 1.18Retard de livraison (j)Figure 7. Résultats des règles d'ordonnancement pour laMégisseriePour la ligne Mégisserie, nous constatons une améliorationpour le département Finissage-Magasin PF avec une réductiondu temps de séjour moyen de 15.61% en appliquant la règleHAV et aussi une légère amélioration du temps de stockagemoyen du support WB avec la règle LAV.Dans un deuxième temps, nous choisissons pour chaquedépartement la règle d’ordonnancement la plus adéquate(tableau 5), et nous testons pour chaque ligne de production lacombinaison déduite. Avec cette dernière, nous cherchons àatteindre les valeurs des indicateurs de performances trouvéesprécédemment pour chaque règle appliquée séparément.Tableau 5. Affectation des règles ièreLAVFIFOClassement WBLAVLAVTeinture-CorroyageLAVFIFOFinissage-Magasin PFLAVHAVEn combinant ces règles d'ordonnancement, nous pouvonsrapprocher les meilleures valeurs obtenues et améliorer alorsles résultats de la règle FIFO pour la plupart des indicateursconsidérés, pour la Tannerie (tableau 6).Tableau 6. Résultats de combinaison des règlesd'ordonnancement pour la u3.4 0.147.38 0.56Temps de séjour Rivière ( j )70.27 1.7473.98 1.6Temps de stockage WB (j)Temps de séjour Teinture7.2 0.236.39 0.21Corroyage (j)Temps de séjour Finissage4.91 0.194.48 0.18Magasin PF (j)18.74 0.6919.99 0.83Temps de séjour moyen (j)Taux de commandes produites27.42 2.1524.64 1.12(%)0.37 0.781.83 0.51Retard de livraison (j)Pour la Mégisserie, la plupart des résultats obtenus sontproches des résultats attendus. Sachant que ces derniers sontaussi proches des résultats de la règle FIFO, nous pouvonsconclure que les règles d’ordonnancement testés ne permettentpas une amélioration significative pour la Mégisserie avecl’état considéré du système. Il est intéressant d’investir dansd’autres stratégies de gestion et quelques pistes d’amélioration.Dans la suite, nous considérons, dans nos expérimentations,cette combinaison des règles d’ordonnancement pour chaqueligne de production.5.3.2Règles de gestion et pistes d’améliorationNous évaluons des nouvelles règles de gestion basées sur lepartage des ressources entre les différents départements : Règle 1 : Partage partiel des ressources humainesLe principe de cette règle repose sur la polyvalence et laflexibilité de la main d’œuvre. Elle consiste à partager lesressources humaines et favoriser leur transfert entre lesdifférents départements au sein de la même ligne deproduction, afin d’augmenter la capacité de production etaméliorer alors les performances du système (surtout dans lecas suivants : panne machine, rupture de stock, départementsous-chargé, etc.). Règle 2 : Partage total des ressources humainesIl s'agit du même principe que précédemment mais avec unpartage des ressources entre les deux lignes de production. Règle 3 : Partage des ressources machinesDans la plupart des cas, les commandes sont retardées, car lesmachines sont trop chargées. En outre, dans certaines périodes,les machines de la Tannerie se trouvent dans un état desurcharge, alors que celles de la Mégisserie sont en souscharge ou vice-versa. De plus, la Tannerie et la Mégisseriedisposent de certaines machines identiques dans différentsdépartements qui peuvent être partagées. Nous précisons quenous avons bien vérifié la faisabilité technique de cettesolution.Nous testons aussi l’apport et le gain de certaines pistesd’amélioration basée sur l’amélioration continue afin deréduire les pertes de performances et les différentesperturbations.

La réduction du taux de non-conformité ;La réduction des pertes de performances.Règle 4 : Amélioration de la qualité des articlesLa non-conformité cause essentiellement une charge horairesupplémentaire pour le département corroyage et finissageainsi qu'un retard de livraison. Plusieurs projets étudiés, baséssur l’amélioration continue, permet de réduire le taux de nonconformité pour chaque ligne de production à 5% tolérable.Nous évaluons alors cet investissement. Règle 5 : Amélioration des performances du servicemaintenanceCertains projets étudiés au niveau de la fonction maintenancepermettent d’améliorer le MTTR (Mean Time To Repair) decertaines machines. Il s’agit de tester cet investissement enintroduisant les valeurs MTTR visées. Règle 6 : Réduction des pertes de performanceLes temps opératoires introduits précédemment dans notremodèle intègrent les pertes de performances réelles. Desnouvelles valeurs sont déterminées, en réduisant ces pertes.Nous désirons savoir si ces temps opératoires améliorent lesperformances du système.Figure 8. Résultats des règles de gestion pour la TannerieLes différentes simulations effectuées montrent les résultatssuivants (Figures 8 et 9) : Règle 1 : Aucune amélioration introduite ; Règle 2 : Cette règle introduit une amélioration du tempsde stockage dans le département classement WB de laTannerie avec une réduction de 4.3% ; Règle 3 : Ce mode de gestion entraîne les améliorationssuivantes : Le temps de séjour dans les départementsteinture-corroyage et finissage-magasin PF de la Tanneriea diminué respectivement de 11.84% et de 19.71%. Letemps de séjour dans le département finissage-magasin PFde la Mégisserie a diminué de 15.98% ; Règle 4 : L’amélioration dans la fonction qualité apportedes améliorations essentiellement aux départementsfinissage-magasin PF dans les deux chaines. : Le temps deséjour dans le département finissage-Magasin PF de laTannerie a été réduit de 18.30% et le temps de séjour dansle département finissage-magasin PF de la Mégisserie aété réduit de 23.7% ; Règle 5 : L’investissement dans la fonction maintenancene conduit pas à une amélioration constatée ; Règle 6 : La réduction des pertes de performancesintroduit les résultats suivants : Pour la ligne Tannerie, letemps de séjour moyen a subit une réduction importantede 35.57%, ce qui a permis un avantage d'expédition de 4jours avant les dates de livraisons fixées et uneaugmentation du taux des commandes produites de17.08%. De plus, pour la Mégisserie, le temps de séjourtotal moyen a diminué de 17.31% avec une réductionimportante pour le département finissage-magasin PF de51.11 %, ce qui a permis un avantage d'expédition de 2jours avant les dates de livraisons fixées.Pour conclure, les règles qui ont prouvé leurs avantages sont : Le partage total des ressources humaines ;Le partage des ressources machines ;Figure 9. Résultats des règles de gestion pour la MégisserieComme pour les règles d’ordonnancement, nous testons lacombinaison de ces règles de gestion et ces pistesd’amélioration, en vue d'atteindre les meilleures valeurstrouvées pour chaque règle appliquée séparément.D’après les résultats (tableaux 8 et 9), la combinaison de cesrègles permet de bien rapprocher les valeurs espérées desindicateurs de performance.En combinant plusieurs règles d'ordonnancement et de gestionnous avons pu introduire des améliorations majeures sur lesdeux lignes de production :Pour le temps de séjour moyen Tannerie : une réduction de 60.45% ; Mégisserie : une réduction de 14.30 %.

Pour le taux de commandes produites Tannerie : une augmentation de 84.64% ; Mégisserie : une augmentation de 2.44%.Pour le retard de livraison Tannerie : une expédition en avance de 6 jours ; Mégisserie : une expédition en avance de 2 jours.Tableau 8. Résultats de combinaison des règles de gestionpour la TannerieDépartementTemps de séjour Rivière ( j)Temps de stockageClassement WB (j)Temps de séjour TeintureCorroyage (j)Temps de séjour FinissageMagasin PF (j)Temps de séjour moyen (j)Taux de commandes produites(%)Retard de livraison (j)Résultatattendu6.4 0.43Résultatobtenu5.66 0.4171.79 2.0469.81 1.426.03 0.217.98 0.233.66 0.163.93 0.1314.4 0.4512.54 0.2729.68 1.6833.31 1.4- 4 0.39- 6 0.22Tableau 9. Résultats de combinaison des règles de gestionpour la MégisserieDépartementTemps de séjour Rivière ( j)Temps de stockageClassement WB (j)Temps de séjour TeintureCorroyage (j)Temps de séjour FinissageMagasin PF (j)Taux de commandes produites(%)Temps de séjour moyen (j)Retard de livraison (j)Résultatattendu7.1 0.07Résultatobtenu7.24 0.0457.97 1.1558.28 1.229.07 0.5610.10 0.932.63 0.212.33 0.254.08 1.7153.2 218.48 1.53- 2 1.0217.01 1.36- 2 0.96 CONCLUSIONCet article présente une approche d’analyse et d’améliorationdes lignes de production basée sur la simulation de flux, enconsidérant le cas d’un fabricant de cuir.Notre travail consiste à développer une maquette de simulationprenant en compte les spécificités de la production etpermettant au gestionnaire de tester différents scénariid'ordonnancement et de gestion, afin de garantir les meilleuresperformances du système de production. Les scénarii testés envue de clarifier le comportement du modèle et prouver lesavantages de la simulation, conduisent à des améliorationsnotables des performances du système de production.Nous proposons dans nos futurs travaux, de coupler lasimulation et l’optimisation, afin de déterminer les quantitésd’achat des peaux brutes optimales, le nombre d’employésoptimal et d’autres règles de priorité plus performantes.7 REMERCIEMENTSLes auteurs souhaitent remercier les enseignants M Zied Jemaiet Mme Amel Jaoua pour leurs conseils et leurs remarquesassez pertinents et l’Agence Nationale de Promotion de laRecherche Scientifique pour le suivi et le financement duprojet dans le cadre du dispositif PASRI/MOBIDOC.8 REFERENCESBanks, J., (1994) Pitfalls in the simulation process, Conferenceon New Directions in Simulation for Manufacturing andCommunications, Opérations Research Society of Japon,Tokyo, Japan ,pp,57-63.Berchet, C., (2000) Modélisation pour la simulation d’unsystème d’aide au pilotage industriel”, Thèse de doctorat,Institut National, Polytechnique de Grenoble.Da Silva, E.B., Goncalves Costa, M., da Sil

11eCONGRES INTERNATIONAL DE GENIE INDUSTRIEL – CIGI2015 Québec, Canada 26-28 octobre 2015 Résumé - Dans une chaine de production, aussi complexe que celle de la fabrication du cuir, plusieurs perturbations influent sur les performances du système et le rendent très instable et imprédictible. La simu

Related Documents:

une part essentielle de la viande quÕil consomme. 1996 : gr›ce ‹ un effort tr‘s important dÕam”lioration de sa productivit”, auquel lÕINRA a fortement contribu”, lÕagriculture devient exportatrice de la plupart des pro-duits alimentaires, et notamment de viandes, alors m’me que

ANDLER M., BLOCH J.D et MAILLARD B. Exercices corrigés de Mathématiques [Edition Marketing] 1.A Analyse : Topologie 1.B Analyse : Fonctions numériques 2 Analyse : Suites et Séries numériques 3 Analyse : Analyse Fonctionnelle 5 Algèbre générale, polynômes 6 èr

Il s'agit uniquement d'un logiiel d'aide à la décision et il nécessite de la part du directeur de thèse une analyse fine du rapport généré. L'analyse du manuscrit est sous la responsabilité du directeur de thèse qui atteste, via le rapport d'analyse et le formulaire à fournir dans le dossier de soutenance, avoir analysé le

Traitement des données Chapitre 4 : Analyse factorielle des correspondances, rev 11/03 Chapitre 4 : Analyse factorielle des correspondances binaires Objet - L'analyse Factorielle des Correspondances ou AFC constitue une technique d'analyse statistique d'un ou de

L’analyse de l’activité et du risque d’exploitation L’analyse fonctionnelle de la structure financière L’analyse patrimoniale de la structure financière Les ratios Le tableau de financement Les éléments prévisionnels Chapitre 00.qxp_Zoom's

3.9. ANALYSE DES OUTILS PÉDAGOGIQUES MIS EN PLACE 3.9.a) Analyse sur la cohérence des échelles de mesure 3.9.b) Analyse intrinsèque des quatre outils 3.9.c) Analyse des liens potentiels entre notre définition de l'autonomie et les outils 3.9.d) Relation entre les résultats du groupe et les présences. AN

3. Collecte de données, analyse et rapport sur les postes de pesage 33 3.1. Introduction 33 3.2. Collecte, analyse et communication des données 34 3.3. Collecte, analyse et communication des données 36 3.4. Méthode de vérification et d'analyse des données 40 3.5. Présentation des rapports 41 3.6.

examinées dans le cadre de l'analyse comparative. 2. Analyse comparative : l'analyse comparative s'est intéressée aux matières sélectionnées du PEI et du GCSE du point de vue de leur cadre d'évaluation et de leurs exigences cognitives. En s'appuyant sur le cadre de référence CRAS (Pollitt et al 2007)1,