Dans le monde d'aujourd'hui, les entreprises sont en concurrence non seulement sur les prix et la qualité, mais aussi sur leur capacité à livrer leurs produits de manière fiable et dans les délais impartis. Un bon programme de production influe donc sur le rendement d'une entreprise, ses ventes et la satisfaction de ses clients. Bien que les entreprises aient investi des millions dans les technologies de l'information pour la planification des ressources de l'entreprise (ERP) et les systèmes d'exécution de la fabrication (MES), l'investissement n'a pas été suffisant pour la planification détaillée de la production, ce qui a poussé la plupart des entreprises à se rabattre sur des méthodes manuelles faisant appel à Excel et à des tableaux de planification. Par ailleurs, les tendances de l'industrie en matière de réduction des stocks, de raccourcissement des délais, de personnalisation accrue des produits, de prolifération des unités de stock et de flexibilité de la fabrication compliquent la tâche. La création d'un plan réalisable nécessite la prise en compte simultanée des matériaux, de la main-d'œuvre, de l'équipement et de la demande. Cette barre est tout simplement trop haute pour toute méthode de planification manuelle. Le défi que représente la création d'un plan fiable nécessite une transformation numérique capable de prendre en charge une planification automatisée et fiable.
L'idée centrale d'un ordonnancement efficace en usine est le concept d'un ordonnancement actionnable, c'est-à-dire un ordonnancement qui tient pleinement compte des contraintes détaillées et des règles de fonctionnement du système et qui peut donc être exécuté dans l'usine par le personnel de production. De nombreuses solutions d'ordonnancement ne tiennent pas compte d'une ou plusieurs contraintes détaillées et ne peuvent donc pas être exécutées comme prévu dans l'usine. Un programme non réalisable exige que les opérateurs interviennent et annulent le programme planifié pour tenir compte des contraintes réelles du système. À ce stade, le programme n'est plus suivi et des décisions locales sont prises qui ont un impact sur les indicateurs clés de performance du système d'une manière qui n'est pas visible pour les opérateurs.
Une deuxième idée centrale de l'ordonnancement efficace consiste à tenir compte de la variabilité et des événements non planifiés dans l'usine et de l'impact négatif correspondant sur le débit et la livraison à temps. La plupart des approches d'ordonnancement ignorent complètement cet élément critique du système et produisent donc des plannings optimistes qui ne peuvent pas être respectés dans la pratique. Ce qui semble être au départ un programme réalisable se dégrade au fil du temps, au fur et à mesure que les machines tombent en panne, que les travailleurs sont malades, que les matériaux arrivent en retard, qu'il faut les retravailler, etc. Les promesses optimistes qui ont été faites ne peuvent pas être tenues.
La troisième considération est l'effet d'un programme irréalisable sur le plan de la chaîne d'approvisionnement. L'ordonnancement de l'usine n'est que la dernière étape du processus de planification de la production, qui commence par la planification de la chaîne d'approvisionnement sur la base de la demande réelle et/ou prévisionnelle. Le processus de planification de la chaîne logistique génère des ordres de production et définit généralement les besoins en matériaux pour chaque période de planification dans l'ensemble du réseau de production. Les ordres de production générés pour chaque usine du réseau au cours de ce processus sont basés sur un modèle approximatif de la capacité de production. Le processus de planification de la chaîne d'approvisionnement n'a qu'une visibilité très limitée des contraintes réelles de l'usine, et les exigences de production qui en résultent surestiment souvent la capacité de l'usine. Par la suite, les responsables de l'ordonnancement de l'usine doivent élaborer un plan détaillé pour répondre à ces exigences de production compte tenu des contraintes réelles liées à l'équipement, à la main-d'œuvre, etc. Les ajustements effectués par l'usine pour rendre le plan réalisable ne seront pas transparents pour les planificateurs de la chaîne d'approvisionnement. Les ajustements de l'usine pour rendre le plan réalisable ne seront pas transparents pour les planificateurs de la chaîne d'approvisionnement.
Dans ce document, nous discuterons de la solution à ces défis, le jumeau numérique de processus, et de la voie à suivre pour y parvenir. La solution Simio Digital Twin est basée sur le logiciel breveté Simio Risk-based Planning and Scheduling (RPS). Nous commencerons par décrire et comparer les trois approches courantes de la planification industrielle. Nous examinerons ensuite en détail les avantages d'un processus Digital Twin pour l'ordonnancement d'usine basé sur Simio RPS.
Commençons par discuter des trois approches les plus courantes utilisées aujourd'hui pour résoudre le problème de l'ordonnancement : 1) les méthodes manuelles utilisant des tableaux de planification ou des feuilles de calcul, 2) les modèles de ressources, et 3) les jumeaux numériques de processus.
La méthode la plus couramment utilisée aujourd'hui pour l'ordonnancement des usines est la méthode manuelle, généralement complétée par des tableurs ou des tableaux de planification. L'utilisation de l'ordonnancement manuel n'est généralement pas le premier choix de l'entreprise, mais le résultat de l'échec des systèmes automatisés.
La création manuelle d'un planning pour une usine complexe est une tâche très difficile, qui nécessite une compréhension détaillée de tous les équipements, de la main-d'œuvre et des contraintes opérationnelles. Voici cinq des inconvénients les plus frustrants :
Les entreprises qui utilisent une méthode automatisée pour l'ordonnancement de l'usine ont généralement recours à une approche basée sur un modèle de ressources de l'usine. Un modèle de ressources se compose d'une liste de ressources critiques avec des créneaux horaires alloués aux tâches qui doivent être traitées par la ressource sur la base des temps de tâches estimés. La liste des ressources comprend les machines, les installations, les travailleurs, etc. nécessaires à la production. Le diagramme de Gantt suivant illustre un modèle de ressources simple avec quatre ressources (A, B, C, D) et deux tâches (bleu, rouge). La tâche bleue comporte les séquences de tâches A, D et B, et la tâche rouge les séquences de tâches A et B.
Les ressources d'un modèle de ressources sont définies par un état qui peut être occupé, inactif ou hors service. Lorsqu'une ressource est occupée par une tâche ou hors service, d'autres tâches doivent attendre d'être allouées à la ressource (par exemple, le rouge attend le bleu sur la ressource A). Les outils d'ordonnancement basés sur un modèle de ressources partagent tous cette même représentation de la capacité de l'usine et ne diffèrent que par la manière dont les tâches sont affectées aux ressources.
Le problème commun à tous ces outils est un modèle de contraintes trop simpliste. Bien que ce modèle puisse fonctionner dans certaines applications simples, il existe de nombreuses contraintes dans les usines qui ne peuvent pas être représentées par un simple état d'occupation, d'inactivité ou de repos d'une ressource. Prenons les exemples suivants :
Il ne s'agit là que de quelques exemples de contraintes typiques pour lesquelles un simple modèle de ressources occupées, inactives ou en repos est inadéquat. Chaque usine possède son propre ensemble de contraintes qui limitent la capacité de l'installation.
Les outils d'ordonnancement qui utilisent un modèle de ressources simple allouent les tâches aux ressources en utilisant l'une des trois approches de base suivantes : l'heuristique, l'optimisation et la simulation.
Une heuristique courante est le séquençage des tâches, qui commence par la tâche la plus prioritaire et assigne toutes les tâches pour cette tâche, et répète ce processus pour chaque tâche jusqu'à ce que toutes les tâches soient planifiées (dans l'exemple précédent, la bleue est séquencée, puis la rouge). Cette approche simple de l'ordonnancement des travaux peut se faire soit dans le sens direct, en commençant par la date de lancement, soit dans le sens inverse, en commençant par la date d'échéance. Notez que l'ordonnancement inverse (bien qu'utile dans la planification générale) est généralement problématique dans la planification détaillée, car le calendrier résultant est fragile et toute perturbation dans le flux de travail entraînera un retard dans les travaux. Cette simple heuristique de séquençage "un travail à la fois" ne peut pas prendre en compte des règles d'exploitation complexes telles que la minimisation des changements ou l'organisation de campagnes de production basées sur des attributs tels que la taille ou la couleur. Cependant, de nombreuses heuristiques différentes ont été développées au fil du temps pour répondre aux exigences d'applications spécifiques. Preactor de Siemens et PP/DS de SAP sont des exemples d'outils d'ordonnancement qui utilisent l'heuristique.
La deuxième approche de l'affectation des tâches aux ressources dans le modèle de ressources est l'optimisation, dans laquelle le problème d'affectation des tâches est formulé sous la forme d'un ensemble de contraintes de séquencement qui doivent être satisfaites tout en respectant un objectif tel que la minimisation des retards ou des coûts. La formulation mathématique est ensuite "résolue" à l'aide d'un solveur de programmation par contraintes (CP). Le solveur CP utilise des règles heuristiques pour rechercher les affectations de tâches possibles qui respectent les contraintes de séquencement et améliorent l'objectif. Il convient de noter qu'il n'existe aucun algorithme capable d'optimiser la formulation mathématique de l'affectation des tâches pour le modèle de ressources en un temps raisonnable (ce problème est techniquement classé dans la catégorie NP Hard), et que les solveurs CP disponibles s'appuient donc sur des heuristiques pour trouver une solution "pratique", mais non optimale.Dans la pratique, l'approche d'optimisation a une application limitée parce que des temps d'exécution longs (heures) sont souvent nécessaires pour obtenir une bonne solution. Bien que PP/DS incorpore le solveur CP d'ILOG pour assigner des tâches aux ressources, la plupart des installations de PP/DS s'appuient sur les heuristiques disponibles pour l'assignation des tâches.
La troisième approche de l'affectation des tâches dans le modèle de ressources simple est une approche par simulation. Dans ce cas, nous simulons le flux de tâches à travers le modèle de ressources de l'usine et nous affectons les tâches aux ressources disponibles en utilisant des règles de répartition telles que le plus petit changement ou l'achèvement le plus rapide. Cette approche présente plusieurs avantages par rapport à l'approche d'optimisation : tout d'abord, elle s'exécute beaucoup plus rapidement, produisant un calendrier en quelques minutes au lieu de quelques heures. Un autre avantage important est qu'elle peut prendre en charge une logique de décision personnalisée pour l'affectation des tâches aux ressources. Preactor 400 de Siemens est un exemple d'outil qui utilise cette approche.
Quelle que soit l'approche utilisée pour l'affectation des tâches aux ressources, le calendrier résultant suppose l'absence de tout événement aléatoire et de toute variation dans le système. Ces outils ne fournissent aucun mécanisme d'évaluation des risques liés au calendrier.
La troisième et dernière approche de la planification industrielle consiste à créer un jumeau numérique de l'usine. Un jumeau numérique est une réplique numérique des processus, des équipements, des personnes et des appareils qui composent l'usine et qui peut être utilisée à la fois pour la conception et l'exploitation du système. Les ressources du système ont non seulement un état d'activité, d'inactivité et de repos, mais ce sont aussi des objets qui ont des comportements et qui peuvent se déplacer dans le système et interagir avec les autres objets du modèle pour reproduire le comportement et les contraintes détaillées de l'usine réelle. Le jumeau numérique apporte un nouveau niveau de fidélité à la planification qui n'est pas disponible dans les outils de modélisation basés sur les ressources existants.
Le jumeau numérique de Simio est un modèle 3D animé de l'usine, basé sur des objets et des données, qui est connecté à des données en temps réel provenant de l'ERP, du MES et d'autres sources de données connexes. Nous allons maintenant résumer les principaux avantages du jumeau numérique Simio en tant que solution de planification industrielle.
Bien que l'accent soit mis ici sur l'amélioration du rendement et du respect des délais de livraison grâce à une meilleure planification à partir de la conception existante de l'usine, contrairement aux outils de planification traditionnels, le jumeau numérique Simio peut également être utilisé pour optimiser la conception de l'usine. Le même modèle Simio que celui utilisé pour l'ordonnancement de l'usine peut être utilisé pour tester les changements apportés à l'installation, tels que l'ajout de nouveaux équipements, la modification des niveaux de personnel, la consolidation des étapes de production, l'ajout d'un stock tampon, etc.
L'une des exigences fondamentales de toute solution d'ordonnancement est de fournir des programmes exploitables qui peuvent être mis en œuvre dans l'usine réelle. Si un programme de production non exploitable est envoyé à l'usine, le personnel de production n'a d'autre choix que d'ignorer le programme et de prendre ses propres décisions sur la base d'informations locales.
Pour qu'un planning soit exploitable, il doit tenir compte de toutes les contraintes détaillées du système. Comme le jumeau numérique Simio repose sur un outil de modélisation basé sur les objets, le modèle de l'usine peut tenir compte de toutes ces contraintes avec autant de détails que nécessaire.Cela inclut des contraintes complexes telles que des dispositifs de manutention, des équipements complexes, des travailleurs ayant des compétences différentes et des exigences de séquencement complexes,
Dans de nombreux systèmes, il existe des règles de fonctionnement qui ont été développées au fil du temps pour contrôler les processus de production. Ces règles de fonctionnement sont tout aussi importantes à capturer que les contraintes clés du système ; tout calendrier qui ignore ces règles de fonctionnement ne peut pas être mis en œuvre. Le cadre de modélisation Simio dispose d'une logique de décision flexible basée sur des règles pour mettre en œuvre ces règles de fonctionnement. Le résultat est un calendrier exploitable qui respecte à la fois les contraintes physiques du système ainsi que les règles de fonctionnement standard.
Dans la plupart des organisations, la durée de vie utile d'un planning est courte parce que des événements imprévus et des variations se produisent et rendent le planning actuel invalide. Dans ce cas, un nouveau planning doit être régénéré et distribué le plus rapidement possible, afin que la production continue à se dérouler sans heurts. Une approche manuelle ou basée sur l'optimisation de la régénération du planning qui prend des heures n'est pas pratique ; dans ce cas, les opérateurs de l'atelier prendront le relais et mettront en œuvre leurs propres décisions locales de planification qui peuvent ne pas être alignées sur les indicateurs clés de performance du système. Lorsque des événements aléatoires se produisent, le jumeau numérique Simio peut rapidement réagir et générer et distribuer un nouveau planning exploitable. La régénération du planning peut être déclenchée manuellement par le planificateur, ou automatiquement par des événements dans le système.
Dans d'autres systèmes de planification, la seule vue graphique du modèle et de la planification est le diagramme de Gantt des ressources. En revanche, le jumeau numérique de Simio permet une communication et une visualisation puissantes de la structure du modèle et de la planification qui en résulte. Idéalement, n'importe qui dans l'organisation - de l'atelier au sommet de la hiérarchie - devrait pouvoir visualiser et comprendre le modèle suffisamment bien pour valider sa structure. Une bonne solution améliore non seulement la capacité à générer un planning exploitable, mais aussi à le visualiser et à l'expliquer à tous les niveaux de l'organisation.
Le diagramme de Gantt de Simio a un lien direct avec l'installation animée en 3D ; un clic droit sur une ressource le long de l'échelle de temps dans la vue de Gantt et vous passez instantanément à une vue animée de cette partie de l'installation - montrant les machines, les travailleurs et le travail en cours à ce moment du calendrier. A partir de là, vous pouvez simuler en avançant dans le temps et regarder le calendrier se dérouler comme il le fera dans le système réel. Les avantages du jumeau numérique Simio commencent par la génération précise et rapide d'un planning exploitable. Mais les avantages culminent dans la capacité du jumeau numérique à communiquer sa structure, sa logique de modèle et les plannings qui en résultent à tous ceux qui ont besoin de savoir.
L'une des principales lacunes des outils de planification est leur incapacité à gérer les événements non planifiés et les variations. En revanche, Simio Digital Twin peut modéliser avec précision ces événements non planifiés et ces variations afin de fournir non seulement un planning détaillé, mais aussi d'analyser le risque associé à ce planning.
Lors de la génération d'un planning, les événements aléatoires/variations sont automatiquement désactivés pour générer un planning déterministe. Comme les autres plannings déterministes, il est optimiste en termes de respect des délais. Cependant, une fois ce planning généré, le même modèle est exécuté plusieurs fois avec les événements/variations activés, afin de générer un échantillon aléatoire de plusieurs plannings basés sur l'incertitude du système. L'ensemble des plannings générés aléatoirement est ensuite utilisé pour dériver des mesures de risque - telles que la probabilité que chaque commande soit expédiée dans les délais impartis. Ces mesures de risque sont directement affichées sur le diagramme de Gantt et dans les rapports associés, ce qui permet au planificateur de savoir à l'avance quelles commandes sont risquées et de prendre des mesures pour s'assurer que les commandes importantes ont une forte probabilité d'être expédiées à temps.
Il n'est pas rare que le processus de planification de la chaîne d'approvisionnement, basé sur un modèle de capacité approximative de l'usine, envoie plus de travail à un site de production qu'il n'est possible d'en produire facilement compte tenu de la capacité réelle et des contraintes opérationnelles du site. Lorsque cela se produit, le calendrier détaillé qui en résulte comporte un ou plusieurs travaux en retard et/ou des travaux présentant un risque élevé de retard. La question se pose alors de savoir quelles mesures peuvent être prises par le planificateur pour s'assurer que les travaux importants sont tous livrés dans les délais prévus.
Bien que d'autres approches de planification génèrent un planning, Simio Digital Twin va plus loin en fournissant également une analyse des contraintes détaillant tous les temps sans valeur ajoutée (NVA) qui sont passés par chaque travail dans le système. Cela inclut le temps d'attente d'une machine, d'un opérateur, d'un matériau, d'un dispositif de manutention ou de toute autre contrainte qui entrave la production de l'article. Ainsi, si le planning indique qu'un article sera en retard, l'analyse des contraintes montre quelles actions peuvent être entreprises pour réduire le temps NVA et expédier le produit à temps. Par exemple, si l'article passe beaucoup de temps à attendre une opération de préparation, il peut être justifié de programmer des heures supplémentaires pour cet opérateur.
Bien que la planification à l'intérieur des quatre murs d'une installation de production discrète soit un domaine d'application important, il existe de nombreuses applications de planification au-delà de la fabrication discrète. De nombreuses applications de fabrication impliquent des flux de fluides avec des réservoirs de stockage/mélange, le traitement par lots, ainsi que la production de pièces discrètes. Contrairement à d'autres outils de planification dont le champ d'application est limité à la fabrication discrète, le jumeau numérique Simio a été utilisé dans de nombreux domaines d'application différents, y compris la fabrication en mode mixte, et dans des domaines extérieurs à la fabrication tels que la logistique et les soins de santé. Ces applications sont rendues possibles par le cadre de modélisation flexible de Simio RPS.
Un jumeau numérique de processus est un modèle de simulation détaillé qui est directement connecté aux données du système en temps réel. Les outils traditionnels de modélisation de simulation ont une capacité limitée à se connecter aux données en temps réel provenant des ERP, MES et autres sources de données. En revanche, Simio RPS est conçu dès le départ avec l'intégration des données comme exigence principale.
Simio RPS supporte l'implémentation d'un jumeau numérique en fournissant un ensemble de données relationnelles flexibles en mémoire qui peuvent être directement mappées aux composants du modèle et aux sources de données externes. Cette approche permet une intégration directe avec un large éventail de sources de données tout en permettant une exécution rapide du modèle Simio RPS.
Dans les applications globales, il y a généralement plusieurs sites de production situés dans le monde entier qui fabriquent les mêmes produits. Bien que chaque site ait sa propre configuration, il y a généralement un chevauchement important en termes de ressources (équipement, travailleurs, etc.) et de processus. Dans ce cas, Simio RPS fournit des fonctionnalités spéciales qui permettent au jumeau numérique de chaque site d'être automatiquement généré à partir de tables de données qui correspondent aux composants de modélisation qui décrivent les ressources et les processus. Cela simplifie grandement le développement de plusieurs jumeaux numériques à travers l'entreprise et permet également de reconfigurer chaque jumeau numérique par le biais de modifications des tables de données afin de s'adapter aux changements continus des ressources et/ou des processus.