La simulation a traditionnellement été appliquée dans des projets de conception de systèmes où l'objectif de base est d'évaluer les alternatives et de prédire et d'améliorer la performance du système à long terme. Dans ce rôle, la simulation est devenue un outil commercial standard avec de nombreuses réussites documentées. Au-delà de ces applications traditionnelles de conception de systèmes, la simulation peut également jouer un rôle important dans l'ordonnancement en prédisant et en améliorant les performances à court terme d'un système. Dans le contexte de la fabrication, la nouvelle tendance majeure est celle des usines connectées numériquement qui introduisent un certain nombre d'exigences uniques que les outils de simulation traditionnels ne prennent pas en compte. Simio a été conçu dès le départ en mettant l'accent sur les applications traditionnelles ainsi que sur la planification avancée, l'idée de base étant qu'un seul modèle Simio peut servir les deux objectifs. Dans cet article, nous nous concentrerons sur l'application de la simulation Simio dans l'environnement de l'industrie 4.0.
Simio est un cadre de modélisation de simulation basé sur des objets intelligents. Les objets intelligents sont construits par les modélisateurs et peuvent ensuite être réutilisés dans plusieurs projets de modélisation. Les objets peuvent également être stockés dans des bibliothèques et facilement partagés. Une personne débutant dans la modélisation peut préférer utiliser des objets préconstruits provenant de bibliothèques ; cependant, le système est conçu pour permettre aux modélisateurs, même novices, de construire facilement leurs propres objets intelligents. Un objet Simio peut être une machine, un robot, un avion, un client, un médecin, un char d'assaut, un bus, un bateau ou toute autre chose que vous pourriez rencontrer dans votre système. Un modèle est construit en combinant des objets qui représentent les composants physiques du système. Un modèle Simio ressemble au système réel.
Les objets sont construits en utilisant les concepts de l'orientation objet. Cependant, contrairement à d'autres systèmes de simulation orientés objet, le processus de construction d'un objet est très simple et entièrement graphique. Grâce à l'architecture brevetée de Simio pour les objets, il n'est pas nécessaire d'écrire un code de programmation pour créer de nouveaux objets. Pour plus d'informations sur Simio, voir les livres de Kelton, Sturrock et Smith, ou Joines et Roberts, ou Pegden et Sturrock (Kelton, Smith et Sturrock 2018 ; Joines et Roberts 2015 ; Pegden et Sturrock 2013).
Simio est conçu pour prendre en charge des applications de conception de systèmes et d'ordonnancement, avec des avantages qui le rendent idéal pour l'environnement de fabrication de plus en plus numérique. Les caractéristiques uniques requises pour appliquer avec succès la simulation à l'ordonnancement comprennent des fonctions d'intégration de données pour accéder aux données de l'entreprise, l'enregistrement détaillé des transactions, le déploiement en nuage des résultats détaillés de l'ordonnancement, et l'analyse des risques de l'ordonnancement basée sur la variabilité et l'incertitude (Risk-based Planning and Scheduling ou RPS). Simio a été conçu dès le départ pour intégrer ces fonctionnalités dans son architecture basée sur les objets.
Dans les sections suivantes, nous commencerons par donner une vue d'ensemble des défis introduits par l'Industrie 4.0, nous discuterons des approches alternatives à la planification, puis nous nous concentrerons sur la solution Simio pour résoudre les problèmes uniques associés aux environnements de l'Industrie 4.0.
La "quatrième révolution industrielle", ou industrie 4.0, fait référence à la mise en œuvre de la numérisation dans l'industrie manufacturière. Tendance naturelle, elle est le résultat d'améliorations techniques continues qui permettent d'automatiser et d'interfacer les ressources des processus. Grâce à la connexion des données, ils sont capables de réagir intelligemment à leur environnement, de mesurer et de collecter des données afin de prendre des décisions et, par conséquent, d'agir.
Les technologies adoptées par l'industrie 4.0 comprennent l'internet des objets (IoT), l'analyse des données massives (big data) et l'intelligence artificielle (IA). L'informatique en nuage et l'intégration des systèmes permettent en outre à des composants tels que les robots autonomes et la fabrication additive de converger et de coopérer pour obtenir des gains industriels.
Les usines connectées ou "usines intelligentes", comme on les appelle, tirent parti de ces technologies de troisième plateforme, nécessitant la convergence des technologies de l'information (IT) et des technologies opérationnelles (OT), de la robotique, des données et des processus. Pour plus d'informations sur l'industrie 4.0, voir le livre de Pegden, Deliver on Your Promise : How Simulation-Based Scheduling Will Change Your Business (Pegden 2017).
La planification et l'ordonnancement sont des termes parfois utilisés de manière interchangeable ; cependant, dans un contexte de fabrication, la planification est le processus de définition du travail à effectuer, tandis que l'ordonnancement est le processus de séquençage de ces tâches, de sélection des heures de début et de fin de chaque tâche, et d'allocation des ressources limitées pour achever le travail planifié. Le processus d'ordonnancement transforme un plan en une séquence étape par étape de tâches à effectuer afin d'atteindre certains objectifs spécifiés ; par exemple, achever chaque travail à une date d'échéance donnée.
Un plan initial est souvent généré à l'aide d'une approche de séquencement à rebours basée sur des délais simples pour chaque tâche. Par exemple, si un travail doit être achevé à une date donnée et que son délai d'exécution prévu est de trois semaines, il doit commencer au moins trois semaines avant la date prévue. Si ce travail a des prédécesseurs, ils doivent tous être planifiés (sur la base de leurs délais) pour être terminés avant la date de début requise pour ce travail. Ce séquençage en amont se poursuit jusqu'à ce que la date de début requise soit établie pour tous les travaux. Souvent, ce processus de planification fonctionne avec une période de planification fixe (par exemple, une semaine) où chaque heure de début de travail est affectée à l'heure de début d'une période de planification. Le processus de planification peut également effectuer une planification des matériaux afin de s'assurer que tous les matériaux nécessaires sont disponibles au début de chaque période de planification. C'est le rôle d'un système ERP/MRP/APS typique.
Les délais utilisés dans cette approche de planification à rebours sont constitués d'un temps de traitement et d'un temps d'attente. Le temps d'attente estimé est généralement beaucoup plus important que le temps de traitement et vise à capturer le temps pendant lequel le travail doit attendre des ressources limitées dans le système. En réalité, le temps d'attente est inconnu, très dynamique et dépend de l'état actuel du système. Toutefois, cette variable est ignorée lors de la phase de planification et un temps d'attente statique unique est utilisé pour générer un plan directeur approximatif.
Prendre un plan et le transformer en un programme de travail détaillé qui tient pleinement compte de la capacité limitée du système est un problème complexe sans solution exacte connue, et c'est pourquoi nous recherchons une bonne solution plutôt qu'une solution optimale. Dans certains cas, la phase d'ordonnancement est réalisée manuellement à l'aide d'une feuille de calcul ou d'un tableau d'ordonnancement. Cependant, il existe également des outils d'ordonnancement à capacité finie qui sont conçus spécifiquement à cette fin, sur la base d'un modèle mathématique ou d'un modèle de simulation du système.
Dans une usine intelligente, le processus de fabrication décentralisé, avec une chaîne d'approvisionnement numérique, a le potentiel d'auto-optimiser ses systèmes et ses processus. Par conséquent, outre l'aspect vital de la cybersécurité, l'autre pierre angulaire de l'industrie 4.0 est l'ordonnancement.
Dans les opérations de fabrication établies, par exemple à l'aide d'ILOG ou de PP/DS dans le système SAP, l'ordonnancement est abordé à l'aide d'un modèle mathématique, où un ensemble d'équations est ensuite "résolu" à l'aide de la programmation linéaire en nombres entiers mixtes, de la programmation basée sur les contraintes (CBP) ou d'une heuristique telle que les algorithmes génétiques pour trouver les meilleures solutions possibles.
Bien que la CBP permette de résoudre des modèles relativement vastes et complexes, cette approche présente certaines limites lorsqu'il s'agit de générer des calendriers détaillés. Dans certaines situations, les complexités du processus ne peuvent pas être modélisées avec précision, ou les détails doivent être expressément exclus du modèle pour éviter de surcharger le solveur sous-jacent. De plus, un niveau élevé d'expérience et de connaissances est nécessaire pour appliquer ces systèmes avec succès.
Dans une application de l'industrie 4.0, d'importants volumes de données sont collectés en continu à partir de chaque aspect du processus. Cela signifie qu'un traitement avancé peut être appliqué en temps réel pour analyser, réévaluer et réoptimiser la situation exacte. Comme toutes les ressources du processus sont connectées, ces décisions peuvent être appliquées directement à l'atelier de fabrication, ce qui permet une réaction quasi immédiate pour ajuster le flux en conséquence. Une méthode alternative simple, rapide et flexible est nécessaire pour générer ces programmes instantanés, en temps réel, pendant le fonctionnement du processus.
C'est là qu'un modèle de simulation s'avère beaucoup plus utile qu'un modèle mathématique. Dans le modèle de simulation, nous décrivons la logique du système au niveau de détail que nous souhaitons. Toute la manutention complexe (véhicules à guidage automatique, convoyeurs, robots ou autres dispositifs) qui a lieu à l'intérieur et entre les postes de travail dans l'industrie 4.0 peut être modélisée en détail. Étant donné que nous simulons le modèle et que nous ne le "résolvons" pas, nous pouvons inclure autant de détails que nous le souhaitons dans le modèle sans que cela ait un impact significatif sur le temps d'exécution.
Lorsque le modèle "tourne", il reproduit le comportement du système réel en simulant le mouvement réel des travaux dans le système selon une séquence ordonnée dans le temps. Contrairement à un modèle mathématique, le modèle de simulation nous permet également d'animer le comportement du système et de voir le système s'exécuter dans le temps. Cela est utile non seulement pour la validation et la vérification du système, mais aussi pour convaincre les parties prenantes de la validité du calendrier. La figure 1 montre un exemple de capture d'écran d'une animation en cours d'exécution d'une installation de fabrication.
La qualité du calendrier produit par un modèle de simulation est déterminée par la logique d'ordonnancement utilisée dans le modèle. Deux décisions critiques en matière d'ordonnancement sont prises de manière répétée au cours de l'exécution de la simulation. La première est la décision de sélection des ressources qui est prise lorsqu'un travail peut utiliser l'une des deux ressources alternatives ou plus. Il peut s'agir d'une ressource telle qu'une machine, une salle d'opération, de la main-d'œuvre ou un dispositif de manutention. Dans ce cas, il faut décider quelle ressource est affectée à la tâche. Dans certains cas, la tâche (représentant par exemple un lot de production) peut être divisée et affectée à plusieurs ressources. La deuxième décision critique est la décision de sélection des tâches qui est prise dans la simulation lorsqu'une ressource devient inactive et qu'il y a plus d'une tâche en attente de traitement par cette ressource. Dans ce cas, la décision à prendre est de savoir quel travail traiter ensuite. Ces deux décisions critiques sont prises par des règles d'ordonnancement spécifiques au modèle.
Les règles de sélection des ressources et des tâches travaillent ensemble, avec la logique du modèle de simulation, pour produire le calendrier. Ces règles peuvent aller de règles très simples telles que la minimisation des configurations dépendantes de la séquence, à des règles hybrides plus complexes qui combinent la théorie des contraintes pour l'optimisation du débit avec des stratégies de fabrication à la commande qui ciblent les dates d'échéance. La possibilité d'incorporer facilement des règles personnalisées pour des situations d'ordonnancement uniques est un avantage important de l'ordonnancement basé sur la simulation.
L'objectif du modèle mathématique et du modèle de simulation n'est pas de fournir une programmation optimale (c'est impossible puisque le problème de programmation est NP-Hard) mais plutôt de fournir une bonne programmation réalisable qui respecte les contraintes de capacité du système. Dans le cas d'un modèle mathématique, nous développons un ensemble d'équations et utilisons ensuite une heuristique pour trouver un "bon" horaire réalisable. Dans le cas d'un modèle de simulation, nous générons le planning en utilisant des règles de décision heuristiques intégrées au modèle pour produire un "bon" planning. Simio offre de multiples possibilités au planificateur de procéder à des ajustements du système ou du calendrier et de voir comment ces changements affectent le plan, ce qui permet d'améliorer la recommandation initiale.
Dans l'ordonnancement, nous devons toujours utiliser des temps de tâches déterministes, en ignorant le potentiel d'événements aléatoires non planifiés, sinon il est impossible de générer un ordonnancement détaillé. Les planificateurs expérimentés savent que les plans optimistes générés par les outils de planification au début d'une période de planification ne sont souvent pas respectés à la fin de cette période. Les plannings qui semblent initialement réalisables deviennent infaisables au fil du temps, à mesure que les variations dégradent les performances. Les tâches prennent parfois plus de temps que prévu, les travailleurs interrompent leur travail, les matières premières arrivent en retard, les machines tombent en panne, etc. Le calendrier initial représente le "chemin heureux" qui est rarement réalisé dans la pratique, ce qui conduit à des promesses excessives et à des livraisons insuffisantes. Les modélisateurs de simulation, cependant, connaissent très bien le rôle important que joue la variation dans la détermination des performances du système et il ne leur viendrait pas à l'idée d'exclure la variation d'un modèle de conception de simulation ; nous savons que cela conduirait à des projections optimistes et irréalistes des performances du système.
Bien qu'un planning créé par simulation utilise les valeurs attendues de toutes les distributions fournies, et soit donc déterministe, Simio utilise la connaissance de la variation pour faire passer un planning créé par simulation au niveau supérieur. En fournissant une transparence sur la variation des distributions du modèle, les utilisateurs sont en mesure d'analyser comment les changements apportés aux règles du modèle, aux attributs des entités (par exemple, la priorité), etc. affectent le calendrier et peuvent éventuellement améliorer les recommandations initiales.
Simio aborde explicitement la projection optimiste d'un planning déterministe en exploitant la variation qui est intégrée dans le modèle de simulation pour accéder au risque associé à un planning déterministe spécifique. Cette approche brevetée est appelée Planification et ordonnancement basés sur le risque (RPS). Le RPS est utilisé pour générer des calendriers qui minimisent les risques et réduisent les coûts en présence d'incertitude. RPS complète le calendrier déterministe par des mesures de risque qui permettent au décideur de tenir compte de la variation et de l'incertitude sous-jacentes dans le système.
RPS utilise le modèle de simulation Simio pour saisir pleinement les contraintes détaillées et les variations du système. Le modèle de simulation peut inclure les contraintes complexes de traitement et de manutention impliquées dans une situation d'industrie 4.0, comme les fours, les chariots élévateurs, les convoyeurs, les opérateurs mobiles, etc. ainsi que les équipes de travail complexes et les robots autonomes.
RPS utilise ensuite ce modèle de deux manières. La première consiste à générer un planning détaillé. Dans ce cas, le modèle est automatiquement exécuté par Simio dans un mode purement déterministe ; les machines ne tombent pas en panne, les temps de traitement sont toujours constants, les matériaux arrivent à temps, etc. Notez qu'il n'est pas nécessaire de supprimer les variations et les événements non planifiés de votre modèle de conception pour l'utiliser dans la planification puisque Simio le fait automatiquement pour vous. Il s'agit de la vision déterministe (optimiste) adoptée par tous les systèmes de planification. Une fois le calendrier généré, RPS reproduit ce même modèle de simulation avec les variations automatiquement ajoutées au système et effectue une analyse probabiliste pour estimer les risques sous-jacents associés au calendrier. Les mesures de risque générées par RPS comprennent la probabilité d'atteindre les objectifs définis par l'utilisateur, ainsi que les performances attendues, pessimistes et optimistes du calendrier. La figure 2 montre un exemple de tableau qui comprend des mesures de risque pour les probabilités de respect des délais et du budget, avec un code couleur pour les niveaux de risque : gris pour un risque faible, jaune pour un risque moyen, rouge pour un risque élevé.
En permettant de connaître dès le départ les risques inhérents à un calendrier spécifique, l'analyse des risques fournit les informations nécessaires pour prendre des mesures précoces dans le plan opérationnel afin d'atténuer les risques et de réduire les coûts. RPS fournit une vision réaliste des performances attendues du calendrier. Des solutions spécifiques telles que les heures supplémentaires ou l'expédition de matériaux/composants externes auprès des fournisseurs peuvent être comparées en termes d'impact sur les risques d'atteinte des objectifs du calendrier et sur les coûts d'atténuation de ces risques, ce qui permet de mettre en place une stratégie opérationnelle satisfaisante pour le client à un coût minimum.
Une fois le modèle RPS construit, il peut être déployé à l'aide de Simio Scheduling Edition. Cette version de Simio dispose d'une interface personnalisable spécialement conçue pour être utilisée dans les applications RPS quotidiennes ; toutes les fonctionnalités liées à la construction du modèle sont supprimées afin de concentrer l'interface sur les activités liées à l'utilisation du modèle pour la planification opérationnelle et l'ordonnancement.
La vitesse et la flexibilité avec lesquelles Simio utilise les modèles pour la planification opérationnelle et l'ordonnancement répondent aux exigences des usines intelligentes pour réévaluer en permanence les situations, prédire les résultats et s'adapter pour obtenir des résultats optimaux. Un autre point fort du fonctionnement de Simio est l'excellent rendu des résultats, avec une représentation visuelle claire des plannings et des modèles de l'état de l'usine en temps réel, ainsi que des informations contextuelles à plus forte valeur ajoutée, sous forme de diagrammes de Gantt et de tableaux de bord personnalisés. La figure 3 montre un diagramme de Gantt avec des mesures de risque qui sont affichées dans l'édition de planification de Simio. Il s'agit de l'une des nombreuses façons de visualiser le planning résultant.
Bien qu'en théorie n'importe quel langage de simulation général puisse être utilisé comme base pour un planificateur de capacité finie dans l'Industrie 4.0, il y a un certain nombre de caractéristiques uniques de ce domaine d'application qui exigent un certain nombre de caractéristiques de modélisation spéciales qui ne sont pas incluses dans un outil de simulation axé sur les applications de conception. Ces fonctionnalités ont été intégrées à Simio dès le départ et comprennent les éléments suivants :
Les fonctionnalités de planification de Simio peuvent être utilisées dans de nombreux domaines d'application. Bien que l'application de la planification dans l'industrie soit évidente, la planification de Simio a également des applications importantes dans des domaines tels que le transport/la logistique et les soins de santé.
Un exemple d'application de Simio dans le domaine de la fabrication est celui de BAE Systems, qui s'oriente vers le modèle de l'industrie 4.0 avec une transition majeure vers la fabrication numérique. En tant que contractants de la défense, ils ont besoin de planifier et de prédire de manière fiable les ressources de production pour répondre aux besoins de l'armée dans les délais et le budget impartis. Les gestionnaires de contrats recherchent des méthodes d'atténuation des risques liés aux ressources de production plus efficaces. Ils exigent des indicateurs clés de risque (KRI) précis et opportuns pour les matériaux, la main-d'œuvre et les équipements. BAE Systems (BAE) a utilisé le logiciel Simio Enterprise Edition qui comprend une fonctionnalité de planification et d'ordonnancement basés sur les risques (RPS). Cette fonctionnalité intègre les fonctions traditionnelles de planification et d'ordonnancement avec une modélisation stochastique pour l'analyse des risques. Le logiciel de planification de Simio a fourni aux planificateurs une interface personnalisée pour générer des plannings, effectuer des analyses de risques et de coûts, étudier les améliorations potentielles et visualiser ces paramètres dans des animations en 3D. Les diagrammes de Gantt facilitent la visualisation de la chronologie des processus et l'analyse de l'impact des changements d'équipement ou d'employés sur cette chronologie.
Les utilisateurs de Simio, tels que BAE, peuvent effectuer des simulations lorsque les temps d'arrêt des systèmes, la disponibilité des employés ou d'autres facteurs changent, ce qui leur permet de prendre le pouls de la situation, de procéder à des ajustements rapides et de prendre des décisions en toute confiance. Le logiciel Simio Enterprise Edition, doté d'une fonctionnalité de planification, a aidé BAE Systems à respecter les délais de production. BAE utilise désormais Simio pour relever divers défis en matière de prévision et d'ordonnancement, notamment la réduction des heures supplémentaires, l'élaboration d'objectifs de formation, la préparation de propositions et l'évaluation des investissements en capital.
Simio a également été appliqué dans des environnements de production utilisant Wonderware MES de Schneider Electric. Wonderware MES fournit un suivi en temps réel des travaux en cours et achevés, offrant à l'opérateur une visibilité sur l'état actuel et passé du système, utilisé dans les applications de l'industrie 4.0. Le logiciel de planification de Simio projette l'état actuel vers l'avant en fonction des travaux planifiés pour l'installation. En s'intégrant directement à Wonderware, les opérateurs ont une visibilité sur l'état passé, présent et futur et peuvent visualiser le calendrier prévu et les alternatives réalisables lorsque le plan n'est plus viable en raison de problèmes inattendus. La solution Simio fournit également un retour d'information rapide sur la production, les rebuts et d'autres données d'état afin de soutenir des actions correctives appropriées et opportunes dans l'usine du futur.
L'essor de l'industrie 4.0 a accéléré le besoin de simulation de l'ordonnancement quotidien de systèmes complexes avec des ressources coûteuses et concurrentes. Cela a étendu la valeur de la simulation au-delà de son rôle traditionnel d'amélioration de la conception des systèmes, dans le domaine de la gestion plus rapide et plus efficace des processus et de l'augmentation de la productivité des performances. Avec Simio, le même modèle qui a été construit pour évaluer et générer la conception du système peut être repris pour devenir un outil commercial important dans la planification des opérations quotidiennes dans l'environnement de l'industrie 4.0.
DEVDATTA DEO est ingénieur d'application chez Simio LLC. Il fournit une assistance technique, des tests de produits ainsi que des services de conseil. Il est titulaire d'une maîtrise en ingénierie industrielle et des systèmes de l'Institut de technologie de Rochester. Devdatta a travaillé dans l'industrie de fabrication de composants électriques et a participé à des projets de simulation dans les secteurs de la fabrication pharmaceutique, de l'agroalimentaire, du transport et de la raffinerie/du traitement du pétrole. Son adresse électronique est la suivante: ddeo@simio.com.
ALEX D. MOLNAR est ingénieur d'application chez Simio LLC. Diplômé de l'université de l'Ohio, où il a étudié l'ingénierie et l'éducation, il a eu l'occasion de renforcer de nombreuses compétences techniques et interpersonnelles. Grâce à ses compétences uniques, Alex fournit une assistance technique et une formation aux partenaires et aux clients directs de Simio. En outre, il participe à d'autres activités liées aux produits, telles que les tests, la représentation de la voix du client et le développement conceptuel. Alex contribue également aux projets internes et à la stratégie de l'organisation. L'adresse électronique d'Alex estamolnar@simio.com. Des informations complémentaires sur l'entreprise sont disponibles à l'adresse www.simio.com.
Joines, J. A., S. D. Roberts. 2015. Simulation Modeling with Simio : A Workbook. 4e éd. Pittsburgh : Simio LLC
Kelton, W. D., J. S. Smith, et D. T. Sturrock. 2018. Simio et la simulation : Modeling, Analysis, Applications. 5e éd. Pittsburgh : Simio LLC
Pegden, C. D., D. T. Sturrock. 2013. Solutions de modélisation rapide : Introduction à la simulation et à Simio. Pittsburgh : Simio LLC
Pegden, C. D. 2017. Tenez vos promesses : comment la planification basée sur la simulation va changer votre entreprise. Pittsburgh : Simio LLC
Sturrock, D. T. 2011. Success in Simulation, blog et discussion en cours. Consulté le 15 juillet.https://www.simio.com/blog/about-this-blog/.