Optimisation de la planification de la production manufacturière grâce à des systèmes intelligents de jumeaux numériques

Le défi

Résumé

Cette étude de cas examine l'implémentation par McKinsey & Company d'une solution d'ordonnancement avancée pour un grand constructeur automobile en utilisant la technologie de simulation de Simio. Le client était confronté à des défis importants pour optimiser les séquences de production à travers de multiples lignes de fabrication, avec des méthodes d'ordonnancement traditionnelles incapables de rechercher efficacement le vaste espace de solutions des plannings possibles. McKinsey a développé un système de jumeau numérique intelligent qui combine les capacités de simulation de Simio avec des techniques d'optimisation par algorithmes génétiques. L'implémentation a permis d'améliorer le rendement jusqu'à 13% sans investissement supplémentaire, démontrant ainsi la puissance de l'optimisation basée sur la simulation dans les environnements de production. Cette étude de cas détaille l'approche technique, les défis de mise en œuvre et les résultats commerciaux quantifiables de cette initiative de transformation numérique réussie.

Introduction

L'évolution rapide des technologies numériques a transformé les opérations de fabrication avec l'avènement de l'Industrie 4.0. Au sein de ce nouveau paradigme, la simulation de jumeaux numériques s'est imposée comme une technologie essentielle pour optimiser les environnements de production complexes. McKinsey & Company, un cabinet mondial de conseil en gestion, a développé une expertise significative dans la mise en œuvre de systèmes de jumeaux numériques intelligents qui combinent des flux de données du monde réel, des simulations de premiers principes, l'intelligence artificielle et l'optimisation mathématique.

Pour un grand constructeur automobile, McKinsey a identifié une opportunité d'améliorer de manière significative le rendement de la production grâce à une optimisation avancée de l'ordonnancement. Le client exploitait trois lignes de fabrication parallèles produisant de multiples UGS avec des interdépendances complexes. En utilisant les méthodes traditionnelles d'ordonnancement FIFO (first-in-first-out), le client a connu des inefficacités significatives dues à un séquençage sous-optimal de la production.

"La simulation de jumeaux numériques révolutionne l'industrie 4.0 en permettant une surveillance en temps réel, une maintenance prédictive et des simulations avancées qui conduisent à des décisions éclairées", note Benjamin Braverman, chef de produit - QuantumBlack, McKinsey & Co. Le défi consistait à développer un système capable de rechercher efficacement parmi des millions de séquences de production possibles afin d'identifier les horaires optimaux qui maximiseraient le débit sans nécessiter d'investissement en capital supplémentaire.

Le défi

Le constructeur automobile était confronté à un problème complexe d'ordonnancement sur trois lignes de production parallèles. Chaque ligne produit plusieurs unités de stock différentes, les lignes deux et trois ayant des interdépendances qui compliquent encore le processus d'ordonnancement. Le client devait optimiser une fenêtre de production de deux heures, au cours de laquelle environ 65 articles seraient traités sur les trois lignes.

Le défi fondamental était la taille même de l'espace de recherche. Avec 32 références uniques produites en moyenne sur les lignes, l'équipe a calculé qu'un ensemble contigu et aléatoire de 65 références du carnet de commandes pouvait produire environ 10 759 plannings différents. Chaque simulation prenait environ une minute, ce qui signifie qu'une recherche linéaire exhaustive prendrait environ 10^53 jours, soit environ la moitié de la durée de vie de l'univers.

La solution d'optimisation de la planification de la production devait

• trouver des horaires quasi optimaux dans une fenêtre opérationnelle de deux heures
• Traiter et optimiser 65 unités de stock à la fois
• Fonctionner dans un environnement de production en direct
• Être agnostique en termes de processus pour permettre l'extension à d'autres lignes et à d'autres installations
• S'intégrer aux systèmes et aux sources de données existants
• Fournir des calendriers avec suffisamment de temps pour la mise en œuvre

"La vitesse optimisée devient le principal goulot d'étranglement pour la recherche dans l'espace de recherche", explique Wim de Villiers, Senior Data Scientist - QuantumBlack, McKinsey & Co. L'équipe avait besoin d'une approche intelligente capable d'explorer efficacement le vaste espace de solutions sans exiger une évaluation exhaustive de toutes les possibilités.

La solution

La solution

McKinsey a développé une solution complète qui intègre le logiciel de simulation de fabrication de Simio avec des techniques d'optimisation avancées. L'architecture de la solution se compose de trois éléments clés :

1. Simulation numérique jumelée

La simulation de jumeaux numériques constitue la base de la solution et se compose de deux couches critiques :

• La couche d'émulation : Cette couche intègre des mises à jour en temps réel de l'environnement de production, notamment la disponibilité des matières premières, les temps d'arrêt des machines et l'évolution des commandes. Cela a permis à la simulation de conserver un contexte approprié pour la prise de décision.
• Couche de simulation : Construite à l'aide de la technologie de simulation de Simio, cette couche a permis à l'équipe de visualiser les conséquences de différentes décisions basées sur le contexte actuel et la logique de production. La simulation comprenait à la fois des éléments déterministes et stochastiques pour tenir compte des risques connus et de la variabilité.

"Nous avons construit des dizaines de jumeaux numériques évolutifs pour nos clients, avec une précision de prédiction allant jusqu'à 99 %, en exploitant des solutions commerciales telles que Simio, ainsi qu'en construisant des solutions personnalisées en Python", a fait remarquer M. Braverman.

2. Couche d'optimisation

Le deuxième élément critique était la couche d'optimisation, qui fournissait l'"intelligence" du jumeau numérique intelligent. Après avoir évalué plusieurs techniques d'optimisation, notamment l'optimisation bayésienne, la descente de gradient stochastique, l'apprentissage par renforcement et les algorithmes génétiques, l'équipe a choisi l'optimisation par algorithme génétique comme l'approche la plus adaptée à ce défi.

L'approche de l'optimisation par algorithme génétique présentait plusieurs avantages :

• Pas de long temps de formation nécessaire
• Capacité à fonctionner sans connaissance du processus
• Performance efficace dans des espaces de haute dimension
• Prise en charge de l'évaluation parallèle des solutions candidates

L'algorithme génétique fonctionne de la manière suivante :

• en commençant par une population de programmes candidats sélectionnés de manière aléatoire
• évaluer chaque programme à l'aide de la simulation Simio
• sélectionnant les programmes les plus adaptés sur la base du temps de production
• Mélangeant et mutant intelligemment ces plannings pour créer de nouveaux candidats
• Répéter le processus sur plusieurs générations

"Cette approche nous permet d'effectuer une exploration parallèle, car à chaque étape, lorsque nous obtenons une nouvelle population, tous les membres de cette population peuvent être évalués en parallèle", a expliqué M. Developers.

3. Couche d'intégration

Le dernier composant était la couche d'intégration, qui reliait les composants de simulation et d'optimisation aux systèmes de production en direct. Cela a permis

• de charger le jumeau numérique avec des informations contextuelles en temps réel
• d'alimenter les opérations en séquences de production optimisées
• de prendre en charge à la fois la mise en œuvre humaine dans la boucle et la mise en œuvre entièrement automatisée.

L'architecture technique s'est appuyée sur Simio Portal, qui hébergeait le modèle Simio derrière une API REST. L'équipe a développé un client Simio Portal Python personnalisé qui a permis à l'algorithme génétique d'appeler l'API Simio, d'écrire des programmes dans une base de données, de déclencher des simulations et de récupérer les résultats.

Mise en œuvre

Le processus de mise en œuvre a nécessité une intégration minutieuse de plusieurs composants techniques :

1. Développement du modèle Simio : L'équipe s'est appuyée sur un modèle Simio existant qui encodait toute la connaissance du processus, permettant à l'algorithme d'optimisation de rester agnostique par rapport au processus pour une meilleure évolutivité.
2. Mise en œuvre de l'algorithme d'optimisation : L'équipe a développé un algorithme génétique personnalisé en Python, conçu spécifiquement pour l'optimisation de l'ordonnancement de la production.
3. Architecture d'intégration : L'architecture de la solution comprenait

• • Un serveur Simio Portal hébergeant le modèle de simulation
  • Une base de données pour le stockage des plannings et des résultats
  • Un client Python personnalisé pour la communication API
  • L'optimiseur d'algorithmes génétiques

1. Pipeline de données : Un pipeline d'ingestion basé sur les flux a été mis en œuvre pour extraire les données de production en temps réel et les rendre accessibles aux composants de simulation et d'optimisation.
2. Optimisation des performances : L'équipe a continuellement affiné les processus d'ingestion des données et de communication avec l'API afin de maximiser le nombre de programmes pouvant être évalués dans les délais impartis.

La mise en œuvre a été conçue pour être modulaire et interopérable, ce qui permet d'échanger différentes techniques d'optimisation sans remanier la simulation sous-jacente. Cette approche a permis à l'équipe de comparer différentes méthodes et de sélectionner l'approche la plus efficace pour le défi spécifique.

Résultats

La mise en œuvre a apporté des améliorations significatives sur toutes les lignes de production :

Résultats de la ligne 1

Pour la ligne 1, pour laquelle le client avait déjà investi beaucoup d'efforts dans l'optimisation et l'équilibrage, la solution a encore permis d'améliorer le débit de 0,35 % à 5 %. Ce résultat est d'autant plus impressionnant que la ligne 1 a été conçue pour être performante quelle que soit la composition de la gamme de produits.

Résultats des lignes 2 et 3

Pour les lignes 2 et 3, qui ont fait l'objet de moins d'attention en matière d'optimisation et qui ont récemment commencé à produire de nouvelles UGS, les améliorations ont été encore plus substantielles :

• Optimisation initiale (25 générations) : Amélioration du débit de 7 à 13,26
• Optimisation étendue (100 générations) : Jusqu'à 12,3 % d'amélioration pour le programme 4 (contre 6,99 %).

La solution a démontré plusieurs capacités clés :

• Recherche efficace : La capacité de rechercher efficacement des espaces à haute dimension avec 10^59 combinaisons possibles.
• Optimisation rapide : Livraison de plannings optimisés dans les délais opérationnels.
• Évolutivité : Une approche agnostique des processus qui pourrait facilement s'étendre à d'autres lignes de production.
• Impact sur l'entreprise : Amélioration moyenne du rendement d'environ 8 % par rapport à l'ordonnancement FIFO

"L'augmentation du débit a été obtenue grâce à un optimiseur totalement transparent qui, en conjonction avec les modèles Simio déjà présents chez le client, pourrait facilement s'étendre au reste de la production", ont noté les développeurs.

Pour un fabricant d'acier où McKinsey a mis en œuvre une approche similaire, la solution a permis de réduire la perte de rendement de 1 à 2 % par installation, ce qui s'est traduit par des économies d'environ 30 millions de dollars par installation.

Approfondissement technique

Mise en œuvre de l'algorithme génétique

L'implémentation de l'algorithme génétique a été spécifiquement conçue pour l'optimisation de la planification de la production. L'approche s'inspire de la sélection naturelle et utilise une méthodologie basée sur la population :

• Population initiale : L'algorithme a démarré avec une population de plannings candidats sélectionnés au hasard.
• Évaluation de l'aptitude : Chaque programme a été évalué à l'aide de la simulation Simio afin de déterminer sa "qualité" sur la base du temps de production total.
• Sélection : Les programmes les plus adaptés (ceux dont les temps de production sont les plus courts) ont été sélectionnés pour être reproduits.
• Croisement : Les programmes sélectionnés ont été intelligemment mélangés pour créer de nouveaux programmes candidats, en combinant les caractéristiques bénéfiques de plusieurs parents.
• Mutation : Des variations aléatoires ont été introduites pour maintenir la diversité génétique et explorer de nouvelles zones de l'espace de solution.
• Évaluation et itération : La nouvelle population est évaluée et le processus est répété sur plusieurs générations.

L'approche d'optimisation par algorithme génétique s'est avérée particulièrement efficace pour ce défi pour les raisons suivantes :

• elle permet d'effectuer des recherches efficaces dans des espaces de grande dimension
• elle permettait l'évaluation parallèle de plusieurs programmes
• Elle ne nécessite pas de temps d'apprentissage
• Elle pouvait fonctionner sans connaissance du processus.

Architecture d'intégration de Simio

L'intégration avec Simio a été mise en œuvre via le portail Simio, qui fournit une API REST pour interagir avec le modèle de simulation. Le flux de travail a suivi les étapes suivantes :

1. L'algorithme génétique a généré une population de programmes candidats.
2. Le client Python personnalisé de Simio Portal a envoyé ces programmes à la base de données et a déclenché des simulations.
3. Simio Portal récupère les plannings dans la base de données, exécute les simulations et écrit les résultats dans la base de données.
4. Le client Python a récupéré les résultats et les a transmis à l'algorithme génétique.
5. L'algorithme génétique a procédé à la sélection, au croisement et à la mutation pour générer une nouvelle population, et le processus s'est répété.

Cette architecture a permis une évaluation parallèle efficace de plusieurs calendriers, maximisant ainsi le nombre de candidats pouvant être évalués dans les délais impartis.

L'impact sur l'entreprise

Conclusion et orientations futures

L'implémentation par McKinsey d'une solution de planification avancée utilisant la technologie de simulation de Simio démontre le potentiel de transformation de la simulation de jumeaux numériques dans les environnements de fabrication. En combinant des capacités de simulation sophistiquées avec des techniques d'optimisation intelligentes, la solution a permis d'améliorer considérablement le rendement sans nécessiter d'investissements supplémentaires.

L'architecture modulaire et interopérable garantit que la solution peut être facilement étendue à d'autres lignes de production et installations. L'approche agnostique de l'optimisation signifie que la même méthodologie peut être appliquée à différents processus de fabrication sans encoder la connaissance spécifique du processus dans l'optimiseur.

Les développements futurs pourraient inclure

• Optimisation étendue : Exécution d'optimisations pour un plus grand nombre de générations afin d'obtenir des améliorations encore plus importantes.
• Optimisation multi-objectifs : Incorporation d'objectifs supplémentaires au-delà du débit, tels que la consommation d'énergie ou la programmation de la maintenance.
• Intégration de systèmes : Connexion de plusieurs jumeaux numériques pour fournir une vue d'ensemble des chaînes de valeur sophistiquées.
• Intégration de l'IA : Incorporation de techniques d'apprentissage automatique pour améliorer encore la précision des prévisions et permettre une prise de décision automatisée.

Comme le fait remarquer Benjamin Braverman, "les plus grands gagnants, je pense, seront ceux qui intègrent ces systèmes non seulement pour des cas d'utilisation individuels, mais tout au long de leur chaîne de valeur, et qui les considèrent vraiment comme une façon de faire des opérations."

Cette étude de cas montre comment l'optimisation basée sur la simulation peut transformer les opérations de fabrication, en apportant une valeur commerciale significative grâce à l'amélioration de l'efficacité et du rendement. En s'appuyant sur les puissantes capacités de simulation de Simio et en les intégrant à des techniques d'optimisation avancées, McKinsey a créé une solution qui permet aux fabricants d'atteindre de nouveaux niveaux d'excellence opérationnelle.