Introduction
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. 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. Pour créer un plan réalisable, il faut tenir compte simultanément 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 d’un ordonnancement efficace de l’usine repose sur le concept d’un ordonnancement réalisable. Un programme exploitable est un programme 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 calendrier n’est plus respecté 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 est la prise en compte correcte de la variabilité et des événements non planifiés dans l’usine et l’impact négatif correspondant sur le débit et la ponctualité des livraisons. La plupart des approches d’ordonnancement ignorent complètement cet élément critique du système et produisent donc des programmes 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, que des travaux de retouche sont nécessaires, etc. Les promesses optimistes qui ont été faites ne peuvent pas être tenues.
Une 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 prévue. 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 apportés par l’usine pour rendre le plan réalisable ne seront pas transparents pour les planificateurs de la chaîne d’approvisionnement. Les ajustements apportés par 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.
Approches de l’ordonnancement en usine
Commençons par examiner les 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) le processus Digital Twin.
Méthodes manuelles
La méthode la plus couramment utilisée aujourd’hui pour l’ordonnancement des usines est la méthode manuelle, généralement complétée par des feuilles de calcul ou des tableaux de planification . L’utilisation de la planification manuelle n’est généralement pas le premier choix de l’entreprise, mais résulte de l’échec des systèmes automatisés.
La génération 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. Cinq des inconvénients les plus frustrants sont les suivants :
- Il est difficile pour un planificateur de prendre en compte toutes les contraintes critiques. S’il peut généralement se concentrer sur les contraintes primaires, il ignore souvent – ou doit ignorer – les contraintes secondaires, et ces omissions aboutissent à un programme inapplicable.
- La planification manuelle prend généralement des heures, et dès qu’une modification est apportée, la planification ne peut plus être mise en œuvre.
- La qualité du planning dépend entièrement des connaissances et des compétences du planificateur. Si le planificateur prend sa retraite, s’absente pour cause de vacances ou de maladie, le planificateur de remplacement peut être moins compétent et les indicateurs clés de performance peuvent se dégrader.
- Il est pratiquement impossible pour le planificateur de tenir compte de l’effet dégradant des variations sur le calendrier et donc de fournir des délais d’exécution fiables pour les commandes.
- Lorsque les travaux critiques prennent du retard, les responsables de la programmation manuelle ont recours à l’éviction d’autres travaux pour accommoder ces travaux « chauds », ce qui perturbe le flux et crée d’autres travaux « chauds ». Le système devient saccadé et se dissout dans la lutte contre les incendies.
Modèle de ressources
Les entreprises qui utilisent une méthode automatisée pour l’ordonnancement de l’usine utilisent généralement 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 durées estimées des tâches. La liste des ressources comprend les machines, les équipements, 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 non disponible. Lorsqu’une ressource est occupée par une tâche ou en repos, 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 contrainte 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. Considérez les exemples suivants :
- Un système dispose de deux grues (A et B) sur une piste qui sont utilisées pour déplacer des composants d’aéronefs vers des postes de travail. Bien que la grue A soit actuellement inactive, elle est bloquée par la grue B et ne peut donc pas se voir attribuer la tâche.
- Un poste de travail de la ligne de production 1 est actuellement inactif et prêt à commencer une nouvelle tâche. Cependant, ce poste de travail n’a qu’une disponibilité limitée lorsqu’une opération complexe est en cours sur la ligne 2 adjacente.
- Un opérateur d’assemblage est nécessaire pour terminer l’assemblage. Il y a des opérateurs d’assemblage actuellement inactifs, mais l’opérateur qui a été affecté à la tâche précédente doit également être utilisé pour cette tâche, et cet opérateur est actuellement occupé.
- Un opérateur de montage est nécessaire pour cette tâche. L’opérateur est inactif mais se trouve dans le bâtiment adjacent et doit se rendre à cet endroit avant que la préparation ne puisse commencer.
- Les tâches consistent à faire circuler des fluides dans des tuyaux, des vannes et des réservoirs de stockage/mélange, et le flux est limité par des règles complexes.
- Un travail doit être traité dans un four, le four est en service mais n’est pas encore à la température requise.
Il ne s’agit là que de quelques exemples de contraintes typiques pour lesquelles un simple modèle de ressources occupé, inactif et en repos est inadéquat. Chaque usine a son propre ensemble de contraintes qui limitent la capacité de l’installation.
Les outils d’ordonnancement qui utilisent un modèle de ressources simple attribuent les tâches aux ressources en utilisant l’une des trois approches de base suivantes : heuristique, optimisation et 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 tâches peut être réalisée soit dans le sens direct, en commençant par la date de publication, soit dans le sens inverse, en commençant par la date d’échéance. Notez que le séquençage à rebours (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 créera un travail en retard. 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). Ce dernier utilise des règles heuristiques pour rechercher les affectations de tâches possibles qui respectent les contraintes de séquencement et améliorent l’objectif. Notez qu’il n’existe pas d’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 par conséquent les solveurs de PC disponibles s’appuient sur des heuristiques pour trouver une solution « pratique » mais non optimale. Dans la pratique, l’approche d’optimisation a une application limitée parce qu’il faut souvent des temps d’exécution longs (heures) pour arriver à une bonne solution. Bien que PP/DS intègre le solveur CP d’ILOG pour affecter les tâches aux ressources, la plupart des installations de PP/DS s’appuient sur les heuristiques disponibles pour l’affectation 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’attribution des tâches aux ressources. Preactor 400 de Siemens est un exemple d’outil qui utilise cette approche.
Quelle que soit l’approche utilisée pour affecter les tâches aux ressources, le calendrier qui en résulte suppose l’absence de tout événement aléatoire et de toute variation dans le système. Les plannings résultants sont donc optimistes et conduisent à surpromettre les délais de livraison aux clients. Ces outils ne fournissent aucun mécanisme d’évaluation des risques liés au calendrier.
Jumeau numérique
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 peut être utilisé 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.
Simio Digital Twin
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.
Double usage : conception et fonctionnement du système
Bien que l’accent soit mis ici sur l’amélioration du débit et de la ponctualité des livraisons 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.
Des calendriers exploitables
L’une des exigences de base de toute solution d’ordonnancement est de fournir des plannings 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. Le jumeau numérique Simio étant fondé sur un outil de modélisation basé sur les objets, le modèle de l’usine peut capturer 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 élaborées au fil du temps pour contrôler les processus de production. Ces règles de fonctionnement sont tout aussi importantes à saisir que les contraintes clés du système ; tout programme qui ignore ces règles de fonctionnement ne peut donner lieu à aucune action. Le cadre de modélisation Simio dispose d’une logique décisionnelle 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 et les règles de fonctionnement standard.
Exécution rapide
Dans la plupart des organisations, la durée de vie utile d’un planning est courte car des événements imprévus et des variations se produisent et rendent le planning actuel invalide. Dans ce cas, un nouveau programme 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 pour 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.
Modèle animé en 3D et calendrier
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 à la direction – devrait pouvoir visualiser et comprendre le modèle suffisamment bien pour en valider la 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 ; cliquez avec le bouton 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-là dans le calendrier. À partir de là, vous pouvez simuler dans le temps et observer le déroulement du planning comme il le ferait 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.
Analyse des risques
L’une des principales lacunes des outils de planification est leur incapacité à gérer les événements non planifiés et les variations. En revanche, le jumeau numérique Simio peut modéliser avec précision ces événements non planifiés et ces variations afin de fournir non seulement un calendrier détaillé, mais aussi d’analyser le risque associé à ce calendrier.
Lors de la génération d’un programme, les événements/variations aléatoires sont automatiquement désactivés pour générer un programme déterministe. Comme les autres plannings déterministes, il est optimiste en termes de respect des délais. Cependant, une fois ce calendrier généré, le même modèle est exécuté plusieurs fois avec les événements/variations activés, afin de générer un échantillon aléatoire de plusieurs calendriers basés sur l’incertitude du système. L’ensemble des calendriers générés de manière aléatoire est ensuite utilisé pour dériver des mesures de risque, telles que la probabilité que chaque commande soit expédiée à temps. Ces mesures de risque sont directement affichées sur le diagramme de Gantt et dans les rapports correspondants. Le planificateur peut ainsi savoir à l’avance quelles sont les commandes à risque et prendre des mesures pour s’assurer que les commandes importantes ont une forte probabilité d’être expédiées à temps.
Analyse des contraintes
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 une installation de production qu’il n’est facile d’en produire compte tenu de la capacité réelle et des contraintes opérationnelles de l’installation. 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 actions peuvent être entreprises par le planificateur pour s’assurer que les travaux importants sont tous livrés dans les délais.
Bien que d’autres approches d’ordonnancement génèrent un programme, Simio Digital Twin va plus loin en fournissant également une analyse des contraintes détaillant tous les temps sans valeur ajoutée (NVA) passés par chaque tâche dans le système. Ce temps comprend 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 calendrier 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.
Multi-industrie
Bien que l’ordonnancement à l’intérieur des quatre murs d’une installation de production discrète soit un domaine d’application important, il existe de nombreuses applications d’ordonnancement au-delà de la fabrication discrète. De nombreuses applications de fabrication impliquent des flux de fluides avec des réservoirs de stockage/mélange, des traitements 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.
Intégration flexible
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 de l’ERP, du MES et d’autres sources de données. En revanche, Simio RPS est conçu dès le départ avec l’intégration des données comme exigence principale.
Simio RPS supporte une implémentation Digital Twin en fournissant un ensemble de données relationnelles flexibles en mémoire qui peuvent être directement mappées à la fois 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.
Modèles générés par les données
Dans les applications mondiales, il existe généralement plusieurs sites de production situés dans le monde entier qui fabriquent les mêmes produits. Bien que chaque site ait sa propre configuration, il existe généralement un chevauchement important en termes de ressources (équipement, travailleurs, etc.) et de processus. Dans ce cas, Simio RPS offre des fonctionnalités spéciales permettant de générer automatiquement le jumeau numérique de chaque site à partir de tables de données qui correspondent à des composants de modélisation décrivant 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 via des modifications de tables de données afin de s’adapter aux changements continus des ressources et/ou des processus.