Imaginez un système de production dans lequel toutes les décisions de production sont optimisées sur la base d'informations en temps réel provenant d'un ensemble d'équipements et de personnes entièrement intégrés et connectés. L'ensemble du système utilise au mieux les ressources disponibles pour atteindre ses objectifs de production, et le système s'adapte automatiquement et en temps réel aux conditions changeantes. Tous les travaux sont automatiquement planifiés par le système, tous les équipements enregistrent automatiquement leurs performances et planifient également leur propre maintenance afin de minimiser l'impact sur le système. Les données relatives aux performances sont automatiquement enregistrées dans l'ensemble du système et communiquées aux parties prenantes concernées. En outre, le système prédit à l'avance et fournit des informations de gestion fiables sur les performances planifiées, y compris les indicateurs clés de performance (KPI) critiques tels que les délais de livraison et les coûts de production prévus pour toutes les commandes planifiées. Les responsables ont un accès instantané à des informations importantes, actuelles et prospectives, qui leur permettent de piloter et de développer l'entreprise. Telle est la vision de l'usine intelligente du futur (4e révolution industrielle).
L'usine intelligente est une idée qui a fait son chemin. Les technologies qui sous-tendent l'usine intelligente ont continué à évoluer et à se généraliser. Chaque composant est une technologie familière et est en place dans de nombreuses usines aujourd'hui. Cependant, le modèle détaillé de l'usine ou le jumeau numérique de l'usine qui fournit une visibilité sur les opérations planifiées, en soutenant les initiatives d'amélioration continue, a été le composant critique manquant pour permettre la mise en place de l'usine intelligente. La technologie Simio Intelligent Adaptive Process Digital Twin fournit ce composant critique.
Pour planifier et exploiter une usine avec succès, il est essentiel de comprendre ce que l'usine est capable de produire dans différentes conditions d'entrée, telles que la gamme de produits pour la semaine, les ressources de production disponibles, les contraintes de main-d'œuvre spécifiques, les exigences de maintenance, etc. Cela vaut aussi bien pour la construction d'une nouvelle usine que pour la gestion plus efficace d'une usine existante. Il est donc essentiel de pouvoir développer un modèle d'usine virtuelle contenant toutes les contraintes physiques de l'usine ainsi que les règles de gestion et la logique de décision permettant de reproduire le comportement réel de l'usine. Cela permet à toutes les parties prenantes (planificateurs, opérations, direction, etc.) d'effectuer des analyses d'hypothèses pour comprendre la capacité réelle de l'usine ainsi que le comportement et la sensibilité à des variables opérationnelles spécifiques (à l'intérieur ou à l'extérieur de leur contrôle direct).
Ce modèle d'usine virtuelle peut également être utilisé dans le cadre du processus de transformation numérique pour évaluer toutes les données sources en termes de niveau de détail, de corrélation entre les systèmes et de disponibilité des données (temps et vitesse). Pour qu'une usine progresse sur la courbe de maturité numérique et se prépare à devenir une usine intelligente, il est important que les données soient normalisées et synchronisées entre les systèmes sources afin de garantir la précision de la prise de décision et de l'exécution. Dans le cadre du processus de transformation numérique, les usines doivent également harmoniser leur personnel et leurs processus entre les départements et entre les usines similaires afin de garantir une exécution cohérente et efficace basée sur les meilleures pratiques globales. Ces meilleures pratiques, soutenues par des données normalisées et corrélées, créeront la base nécessaire pour devenir une usine intelligente pilotée par une prise de décision autonome en temps réel.
Le modèle d'usine virtuelle peut ensuite être connecté aux données en temps réel provenant des systèmes d'entreprise, des dispositifs IoT, des équipements d'automatisation, etc. pour devenir le jumeau numérique de l'usine qui s'adaptera automatiquement à l'environnement au fur et à mesure que les données changent. En outre, il créera un calendrier actionnable détaillé en temps quasi réel en fonction de l'état actuel et de la demande future de l'usine pour permettre une prise de décision et une exécution entièrement autonomes. Les listes de tâches détaillées pour chaque ressource de l'usine, ainsi que les besoins en matériaux pour chaque étape du processus, peuvent être partagées au sein de l'entreprise grâce à une intégration directe aux systèmes de l'entreprise ou être mises à disposition via une plateforme basée sur le cloud (publique ou privée).
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 opérationnel influence donc 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. Parallèlement, 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 fabrication flexible compliquent la tâche de planification de la production. 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 d'une planification efficace de l'usine repose sur le concept d'un calendrier exploitable. Un planning actionnable est un planning qui non seulement prend pleinement en compte les contraintes détaillées et les règles de fonctionnement du système, mais qui est également synchronisé avec la chronologie des événements et peut donc être entièrement exécuté dans l'usine par le personnel de production sans intervention humaine supplémentaire. Le problème de nombreuses solutions de planification est qu'elles ignorent une ou plusieurs contraintes détaillées, planifiées dans des tranches horaires définies (quotidiennes ou hebdomadaires) et ne peuvent donc pas être exécutées comme spécifié dans l'usine. Un planning non actionnable exige que les opérateurs interviennent et annulent le planning prévu pour tenir compte des contraintes réelles du système. À ce stade, le planning 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 d'un 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 livraison à temps. 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 commence comme un programme réalisable possible se dégrade au fil des heures lorsque 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 être tenues.
Une troisième considération est l'effet d'un calendrier irréalisable sur le plan de la chaîne d'approvisionnement. La planification industrielle n'est que la dernière étape du processus de planification de la production, qui commence par la planification de la chaîne logistique sur la base de la demande réelle et/ou prévue. Le processus de planification générale génère des ordres de production et établit 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 générale n'a qu'une visibilité très limitée des contraintes réelles de l'usine, et les besoins 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 apportés par l'usine pour rendre le plan réalisable ne seront pas transparents pour les planificateurs de la chaîne d'approvisionnement. Le(s) jumeau(x) numérique(s) de l'usine peut (peuvent) être inclus dans un modèle de réseau pour soutenir le réseau ou le processus de planification générale, en garantissant la faisabilité à tous les niveaux et à tous les horizons temporels. Le même jumeau numérique peut être utilisé pour la planification à court, moyen et même long terme, qui peut être entièrement automatisée sur le cloud pour être distribuée à toutes les parties prenantes.
Commençons par examiner les trois approches les plus courantes utilisées aujourd'hui pour résoudre le problème de l'ordonnancement opérationnel : 1) les méthodes manuelles utilisant des tableaux de planification ou des feuilles de calcul, 2) les modèles de ressources et 3) le jumeau numérique de l'usine.
La méthode la plus couramment utilisée aujourd'hui pour l'ordonnancement opérationnel 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 d'une entreprise, mais résulte de l'échec des systèmes automatisés.
La création manuelle d'un calendrier 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 :
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, Voici un diagramme de Gantt illustrant un modèle de ressources simple avec quatre ressources (A, B, C, D) et deux tâches (bleu, rouge). Le travail bleu a une séquence de tâches A, D et B, et le travail rouge a une séquence de tâches A et B.
Figure 1 - Diagramme de Gantt simple pour les ressources
Les ressources d'un modèle de ressources sont définies par un "état" de la ressource, qui peut être occupé, inactif ou en repos. Lorsqu'une ressource est occupée par une tâche ou n'est pas en service, d'autres tâches doivent attendre d'être attribuées à la ressource (par exemple, le rouge attend que le bleu soit terminé 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 en période d'activité, d'inactivité et de 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). Ce dernier 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 les solveurs de PC disponibles s'appuient donc sur des heuristiques pour trouver une solution "pratique", mais non optimale. En outre, la résolution se fait généralement dans un délai d'un jour ou d'une semaine, ce qui signifie qu'en raison de l'utilisation de temps d'exécution estimés pour le temps de traitement des commandes de chaque équipement, les heures de début et de fin des tâches ne sont pas entièrement synchronisées avec le calendrier des événements réels des opérations de l'usine et nécessitent toujours une intervention manuelle de la part des planificateurs. 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 incorpore le solveur CP d'ILOG pour affecter les tâches aux ressources, la plupart des installations de PP/DS s'appuient sur l'heuristique disponible 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 travaux 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 la date d'échéance la plus proche. Cette approche présente plusieurs avantages par rapport à l'approche par 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.
Quelle que soit l'approche utilisée pour affecter les tâches aux ressources, le calendrier qui en résulte tient compte de tous les événements aléatoires et de toutes les variations du système. Les plannings qui en résultent sont donc optimistes et conduisent à des promesses excessives de délais de livraison aux clients. Ces outils ne fournissent aucun mécanisme d'évaluation des risques liés au calendrier.
La troisième et dernière approche de l'ordonnancement d'usine est le jumeau numérique de l'usine. Un jumeau numérique de l'usine 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 n'ont pas seulement un état d'activité, d'inactivité et de repos, mais ce sont 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. Ces modèles incluent également les règles de gestion et la logique décisionnelle détaillée utilisées dans l'atelier pour reproduire la réalité aussi fidèlement que possible afin d'en garantir la faisabilité. Le jumeau numérique de l'usine 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 l'usine Simio est un modèle 3D animé, orienté objet et basé sur des données, qui est connecté à des données en temps réel provenant de l'ERP, du MES et d'autres sources de données connexes. Le jumeau numérique de l'usine est entièrement généré et piloté par les données de l'entreprise, ce qui lui permet de s'adapter aux changements de l'environnement tels que l'ajout d'équipements, de nouvelles exigences en matière de main-d'œuvre et de compétences, de nouvelles pièces/SKU, etc.
Pour que le jumeau numérique de l'usine reproduise le comportement réel de l'usine physique, la logique du modèle comprend les éléments suivants :
Le jumeau numérique de l'usine simule l'avenir pour fournir une analyse prédictive et prescriptive du système afin d'obtenir une vision entièrement prospective des performances attendues de l'usine en matière de production et de livraison. Cela permet à Factory Digital Twin de générer un programme opérationnel détaillé et réalisable, comprenant toutes les listes de tâches des ressources pertinentes et les exigences matérielles associées à chaque point du processus de fabrication. Factory Digital Twin effectue également une évaluation des risques liés aux objectifs définis, tels que les dates de livraison et les coûts, afin de mettre en évidence les risques associés à toutes les commandes du système, ce qui permet aux planificateurs d'agir de manière proactive afin d'éviter ou de minimiser les problèmes liés au service à la clientèle.
L'un des principaux avantages du jumeau numérique de l'usine est sa capacité à fournir un calendrier réalisable qui tient compte de la demande (commandes), de la capacité et des matériaux simultanément pour l'ensemble du système de bout en bout à travers tous les processus (mélange, stockage, remplissage, assurance qualité, matériaux, main-d'œuvre). Il garantit que tous les processus de l'usine sont parfaitement synchronisés, car pour chaque tâche ou événement, la disponibilité des matériaux et des ressources est confirmée afin d'assurer la faisabilité complète du calendrier d'exécution. Le jumeau numérique Simio est totalement transparent dans sa méthodologie de prise de décision et d'optimisation (approche de la boîte de verre), contrairement aux algorithmes d'optimisation existants et aux moteurs d'IA pure qui génèrent généralement des résultats non transparents (approche de la boîte noire). Cela permet aux planificateurs de comprendre et d'ajuster les contraintes, les règles et la logique de décision pour trouver de meilleures façons d'exploiter l'usine et permettre un apprentissage continu et un processus d'amélioration des processus.
Dans le cadre du processus global de transformation numérique de l'environnement de fabrication, le jumeau numérique de l'usine fournit également un moyen systématique d'améliorer (corriger) et de normaliser les données contenues dans les différents systèmes d'entreprise (ERP, MES, Excel, etc.). On constate souvent que les données contenues dans les différents systèmes présentent des niveaux de détail variables ou des données incohérentes pour les mêmes champs. Les données des différents systèmes d'entreprise sont souvent actualisées à des moments différents ou exécutées en mode batch, ce qui fait que les données portent également des horodatages différents, ce qui perturbe encore la synchronisation des processus en raison de la disponibilité de données exactes et opportunes.
Le jumeau numérique de l'usine fournit également un mécanisme permettant d'harmoniser les personnes et les processus en évaluant toutes les meilleures pratiques déployées au sein de l'usine ou dans des usines identiques au sein de la même entreprise. Cela permet à l'entreprise de sélectionner les meilleures procédures et méthodes à mettre en œuvre et à former dans toutes les installations similaires, créant ainsi une base de référence pour l'automatisation et la mobilité des ressources. La figure 3 ci-dessous illustre l'interaction et le flux de données de Simio Factory Digital Twin avec les systèmes d'entreprise existants ou prévus.
Figure 3 - Déploiement de Simio Factory Digital Twin et flux de données
Nous allons maintenant résumer les principaux avantages du jumeau numérique Simio Factory en tant que solution de conception d'usine et de planification opérationnelle.
Bien que l'accent soit mis ici sur l'amélioration du débit et du respect des délais de livraison grâce à une meilleure planification à partir de la conception existante de l'usine, le jumeau numérique Simio Factory peut également être utilisé pour optimiser l'agencement et la conception de l'usine, à la différence des outils de planification traditionnels. 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 à l'aide de la méthodologie de réapprovisionnement DDMRP, ou l'introduction de nouvelles références de produits.
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. Puisque la base de Simio Factory Digital Twin est un outil de modélisation orienté objet, 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. Cela inclut des décisions opérationnelles telles que le produit ABC ne peut être exécuté que sur la machine 1 ou la machine 2, tandis que le produit XYZ peut être exécuté sur la machine 2 ou la machine 3 dans la même zone de centre de travail, en tenant compte également du coût ou de l'efficacité opérationnelle. Le cadre de modélisation Simio dispose d'une logique décisionnelle flexible basée sur des règles pour mettre en œuvre ces règles de fonctionnement. Dans le cadre de l'exécution du modèle de simulation, ces règles et contraintes sont évaluées à chaque point du calendrier des événements pour s'assurer que toutes les tâches relatives aux matériaux et aux ressources sont également entièrement synchronisées avec le calendrier d'exécution de la production réelle. Il en résulte un calendrier exploitable qui respecte à la fois les contraintes physiques du système, les règles de fonctionnement standard et le calendrier d'exécution.
Dans la plupart des organisations, la durée de vie utile d'un programme est courte car des événements imprévus et des variations surviennent et rendent le programme actuel invalide. Dans ce cas, un nouveau programme doit être régénéré et distribué aussi rapidement que possible pour 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 prennent généralement le relais et mettent en œuvre leurs propres décisions locales de planification qui peuvent ne pas être alignées sur les indicateurs clés de performance à l'échelle du système. Lorsque des événements aléatoires se produisent, le jumeau numérique de Simio Factory peut réagir rapidement 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 déclenchés par des systèmes opérationnels tels que le MES ou les dispositifs IoT.
Dans d'autres systèmes de planification, la seule vue graphique du modèle et du planning est le diagramme de Gantt des ressources. En revanche, le jumeau numérique de Simio Factory permet une communication et une visualisation puissantes de la structure du modèle et du planning 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 la vue animée en 3D de l'usine ; un clic droit sur une ressource le long de l'échelle de temps dans la vue de Gantt et Simio affiche instantanément une vue animée de cette ressource dans l'usine - montrant les machines, les travailleurs et le travail en cours à ce moment du planning. A partir de là, le planificateur peut simuler dans le temps et observer le déroulement du planning tel qu'il se produira dans le système réel. Les avantages du jumeau numérique Simio Factory commencent par la génération précise et rapide d'un planning exploitable. Mais les avantages culminent dans la capacité du jumeau numérique de l'usine à communiquer la structure de l'usine, la logique du modèle et les plannings résultants à tous ceux qui ont besoin de les connaître.
L'un des principaux défauts des outils de planification est leur incapacité à gérer les événements non planifiés et les variations. En revanche, Simio Factory Digital Twin peut modéliser avec précision ces événements non planifiés et ces variations afin de fournir non seulement une planification détaillée, mais aussi d'analyser le risque associé à la planification.
Lors de la génération du planning, les événements aléatoires et la variabilité du traitement 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 calendrier généré, le même modèle est exécuté plusieurs fois avec les événements et les variations activés, afin de générer un échantillon aléatoire de plusieurs calendriers basés sur l'incertitude du système. L'ensemble des calendriers 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 connexes, ce qui permet au planificateur de savoir à l'avance quelles commandes risquent d'être en retard 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 approximatif de l'usine, envoie plus de travail à une installation de production qu'il n'est possible d'en produire facilement, compte tenu de la capacité réelle et des contraintes opérationnelles de l'installation. Lorsque cela se produit, le calendrier détaillé qui en résulte comporte une ou plusieurs commandes en retard et/ou des commandes 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 commandes importantes sont toutes livrées dans les délais prévus.
Bien que d'autres approches d'ordonnancement génèrent un planning, Simio Factory 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 l'opérateur associé ou de mener des campagnes supplémentaires sur les produits afin de réduire les temps de préparation.
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, un traitement par lots, ainsi qu'une 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 Factory a été utilisé dans de nombreux domaines d'application différents, notamment la fabrication en mode mixte, la planification générale, la planification de la capacité, etc. Ces applications sont rendues possibles par la souplesse du cadre de modélisation de Simio.
Un jumeau numérique d'usine 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 est conçu dès le départ avec l'intégration des données comme exigence principale.
Simio supporte l'implémentation d'un jumeau numérique 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 de jumelage numérique de l'usine Simio.
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 usine ait sa propre configuration, il y a généralement un chevauchement significatif en termes de ressources telles que les équipements et les travailleurs, ainsi que la logique de traitement. Dans ce cas, Simio fournit des fonctionnalités spéciales pour permettre au jumeau numérique de chaque usine 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 multiples implémentations de jumeaux numériques d'usine à travers l'entreprise et supporte également la reconfiguration de chaque jumeau numérique d'usine via l'édition de tables de données pour s'adapter aux changements continus dans les ressources et/ou les processus.
Les sections ci-dessous donnent un aperçu supplémentaire de certains des principaux composants de la solution Factory Digital Twin de Simio. Les composants de la solution et les livrables seront ajustés et convenus en fonction des exigences fonctionnelles détaillées et de la portée du projet pour chaque client.
Le niveau de détail du modèle, y compris les contraintes physiques, les règles de gestion et la logique de décision, sera déterminé au cours de la phase de spécification des besoins fonctionnels (FRS) d'un projet afin de s'assurer que le programme Simio résultant est précis à un niveau qui satisfera les exigences et les attentes opérationnelles. Le modèle sera également utilisé pour effectuer des analyses de type "What-if" afin de tester les stratégies opérationnelles et la logique de décision actuellement appliquées. Les opérations peuvent être optimisées en fonction d'indicateurs de performance spécifiques tels que le respect des délais de livraison, le coût le plus bas, le temps passé dans le système, etc. Si les données nécessaires sont disponibles, Simio peut inclure la comptabilité par activités dans le moteur de simulation et d'optimisation. La figure 4 donne un exemple de la représentation graphique du modèle de simulation Simio en montrant un modèle de démonstration simple d'une opération de production hypothétique.
Figure 4 - Capture d'écran d'une vue d'installation d'un modèle de simulation typique
Des capacités d'intégration ont été développées pour importer et exporter des données entre Simio et des sources de données externes telles que des systèmes ERP, des systèmes MES, des dispositifs IoT et même des sources de données basées sur Excel pour créer le jumeau numérique de l'usine fournissant une planification en temps réel basée sur des événements. En utilisant les capacités de planification basées sur la simulation de Simio, un modèle d'usine virtuelle est développé pour représenter les contraintes détaillées des ressources et des matériaux au sein d'un système de production. Ensuite, l'interfaçage du modèle d'usine virtuelle avec les sources de données externes permet au modèle de devenir un jumeau numérique d'usine. Ce jumeau numérique intégré de Simio Factory peut désormais fonctionner et générer des plannings en temps quasi réel si nécessaire. Cela signifie que lorsque des événements se produisent dans l'atelier de production, le programme de production peut être réexécuté rapidement pour réacheminer les commandes en fonction des goulets d'étranglement et des contraintes.
Par exemple, l'intégration peut utiliser des services Web, des appels API et des liaisons directes de tables avec des systèmes de base de données et Excel pour importer des données dans le modèle. Les stocks, les ordres de production, les itinéraires, les nomenclatures, l'état des commandes et l'état des machines sont tous capturés par cette intégration entrante afin d'obtenir les données nécessaires à la création du programme de production.
Une fois le planning généré dans Simio, il est exporté vers des systèmes de données externes à l'aide de la technique d'intégration appropriée. La figure 5 présente une vue d'une table de données importée dans le jumeau numérique Simio Factory. La structure des tables de données est flexible afin de reproduire le format de données du système client.
Figure 5 - Capture d'écran d'un exemple de tableau de données intégré dans Simio
Une fois que le modèle de simulation 3D a été développé et intégré dans les systèmes d'entreprise pertinents, le jumeau numérique Simio Factory créera un planning qui sera disponible via l'interface utilisateur Simio Scheduler pour l'interaction avec le planificateur. La liste détaillée des tâches pour chaque ressource (y compris l'équipement, la main d'œuvre, l'outillage, le transport, etc.) ainsi que les besoins en matériaux pour chaque étape du processus sont générés et exportés vers les systèmes d'entreprise pertinents tels que les systèmes ERP et/ou MES. L'interface utilisateur de Simio Scheduler, telle qu'illustrée dans la figure 6, affiche le planning sous forme de vue d'ordre (entité) montrant les ordres de production et leur affectation à chaque ressource spécifique sur la base des règles et de la logique de décision capturées dans le modèle de simulation. En outre, l'évaluation des risques associée à chaque commande (par exemple, la probabilité que chaque commande soit livrée à temps) est affichée graphiquement.
Figure 6 - Interface utilisateur de Simio illustrant l'utilisation des ressources sur le diagramme de Gantt
L'interface utilisateur du planificateur de Simio produit également une vue des ressources permettant de visualiser la commande produite en fonction des exigences et des contraintes de chaque ressource, et d'afficher graphiquement les commandes en retard, comme illustré dans la figure 7 ci-dessous.
Figure 7 - Interface utilisateur Simio illustrant le flux de commandes sur le diagramme de Gantt
Ces diagrammes de Gantt sont interactifs et le planificateur peut les utiliser pour ajouter des temps d'arrêt, mettre à jour les priorités des commandes et modifier les horaires des ressources de travail. Le plan peut ensuite être réexécuté pour afficher le nouveau calendrier de production basé sur les modifications. Les données peuvent également être mises à jour automatiquement en utilisant certains déclencheurs des systèmes externes pour créer automatiquement un nouveau programme. Le processus de planification de la production peut également être exécuté de manière totalement autonome pour soutenir un niveau élevé d'automatisation et des initiatives d'usine intelligente dans le cadre de la révolution de l'industrie 4.0.
Le jumeau numérique Simio Factory fournit un ensemble de rapports personnalisables et de tableaux de bord interactifs pour aider le planificateur à analyser et à distribuer le planning. Le planning peut être imprimé sous la forme d'une série de rapports à distribuer aux opérateurs de l'atelier sous la forme d'une liste de tâches pour l'équipe ou à exporter vers les systèmes d'entreprise existants en vue d'une distribution et d'une exécution électroniques. La figure 8 est un exemple de tableau de bord permettant d'afficher de manière interactive la liste de répartition et l'utilisation des différentes ressources. Ces tableaux de bord sont entièrement configurables en fonction des besoins des utilisateurs.
Figure 8 - Exemple de tableau de bord Simio pouvant être développé sur mesure selon les besoins
Des rapports standard tels que le programme journalier sont également disponibles pour permettre aux opérateurs de visualiser la prochaine tâche à effectuer sur chaque ressource de production, comme l'illustre la figure 9 ci-dessous.
Figure 9 - Exemple de rapport de tableau Simio qui peut être configuré selon les besoins.
Tous les résultats de la planification, y compris les diagrammes de Gantt, les tableaux de bord et les rapports, peuvent être publiés sur le portail Simio afin d'être consultés par les opérateurs, les responsables et les parties prenantes dans l'ensemble de l'entreprise. Les résultats peuvent être consultés à l'aide d'un navigateur web standard ou d'appareils mobiles tactiles tels que les tablettes, sans aucun logiciel requis. Le portail Simio est une plateforme qui offre une visibilité et des mises à jour instantanées des plans aux fournisseurs de servicestiers, tels que les prestataires de services logistiques, les fournisseurs de matériaux et les fabricants sous-traitants. Tous les acteurs du processus de production et de la chaîne d'approvisionnement étendue peuvent désormais avoir accès aux informations nécessaires pour assurer une synchronisation adéquate des activités afin de soutenir pleinement le processus de production. Dans le cadre d'un déploiement entièrement basé sur l'informatique en nuage, le portail peut également être utilisé pour effectuer la planification quotidienne des détails opérationnels par les planificateurs et mettre les résultats à la disposition de toutes les parties prenantes au moment de la planification ou de la reprogrammation. Les résultats peuvent être facilement filtrés pour des groupes particuliers, avec des autorisations permettant à différents départements de consulter des rapports spécifiques. Le jumeau numérique peut également être déployé en tant que système autonome entièrement intégré réagissant à des déclencheurs d'événements convenus provenant d'autres systèmes ou dispositifs au niveau de l'entreprise afin de permettre un modèle opérationnel complet d'usine intelligente. La figure 10 est un exemple de l'écran du portail montrant le diagramme de Gantt des ressources. Le portail est disponible sur le nuage public Microsoft Azure ainsi que sur une version privée sur site.
Figure 10 - Capture d'écran de la vue du portail Simio
Contrairement aux outils de modélisation de simulation traditionnels, Simio est conçu dès le départ avec un accent sur l'intégration des données aux ERP/MES existants, aux dispositifs et aux sources de données personnalisées pour permettre la création du jumeau numérique. Cette exigence a guidé la conception des données et des fonctions de modélisation de Simio.
Le jumeau numérique d'une usine Simio est intégré dans les systèmes d'information qui gèrent les activités quotidiennes de l'organisation. Simio se lie à la fois aux systèmes d'information transactionnels qui fournissent des données sur les ordres de travail, les routages, les niveaux de personnel (données statiques), ainsi qu'aux systèmes d'information opérationnels qui suivent l'état des ressources et la transformation des matières premières en produits finis (données dynamiques). La relation entre le jumeau numérique de Simio Factory et les systèmes ERP et MES est illustrée dans la figure 11 ci-dessous.
Figure 11 - Simio en tant que jumeau numérique de processus connecté aux systèmes d'entreprise
Bien que les données transactionnelles puissent provenir de nombreuses sources différentes, la plupart des données critiques proviennent des systèmes ERP & MES. Ces systèmes fournissent deux (2) sorties principales pour la gestion de la production, qui sont ensuite utilisées comme entrées dans le jumeau numérique Simio Factory. Le premier est une liste principale des ordres de production - tels que les dates de lancement, les dates d'échéance et les quantités commandées - ainsi que les produits composants et les produits finis nécessaires pour répondre à la demande du client. Cette liste comporte également des données secondaires associées, telles que les gammes de travail, les nomenclatures, etc. Le deuxième résultat principal est un programme d'achat de matériel qui dresse la liste des articles requis auprès des fournisseurs externes, y compris leur heure d'arrivée prévue, dans le but de faire correspondre ces matériaux au programme de production.
Dans certains cas, les données transactionnelles peuvent résider en dehors des systèmes ERP et MES, dans des feuilles de calcul, des bases de données, des fichiers plats ou même des dispositifs IoT. Simio est conçu pour importer des données transactionnelles à partir de ces différentes sources.
Simio propose trois (3) fonctionnalités clés pour intégrer le modèle de planification aux données transactionnelles et opérationnelles. La première est une base de données relationnelle en mémoire qui est entièrement configurable pour correspondre au schéma de n'importe quelle source de données externe. La deuxième est une architecture ouverte permettant de créer des connecteurs personnalisés pour importer des données transactionnelles ou opérationnelles à partir de sources externes en utilisant différentes méthodes telles que les services web, les liaisons de tables, etc. La troisième est constituée de constructions de modélisation (objets) qui sont entièrement configurables pour correspondre aux données relationnelles dans les tables de données.
Ces caractéristiques se combinent pour fournir un cadre de modélisation qui peut s'appliquer à n'importe quelle donnée externe, quelle que soit la source ou le schéma de données. La base de données relationnelle configurable en mémoire de Simio constitue l'interface clé entre les données de l'entreprise et la logique du modèle. Les données transactionnelles et opérationnelles sont importées dans ce schéma de données et conservées en mémoire pour une exécution rapide du modèle d'ordonnancement. La logique du modèle peut lire et écrire dans cette base de données.
Le schéma de la base de données est entièrement configurable et peut correspondre exactement au schéma existant des sources de données externes, ce qui élimine la nécessité de transformer les données lors de l'importation et de l'exportation. Les actions d'importation et d'exportation sont effectuées par le biais de connecteurs de données qui se lient aux sources de données externes. Les connecteurs de données standard peuvent se connecter aux systèmes externes via l'API Web, les bases de données, Excel et les fichiers CSV. En utilisant le connecteur de données API Web, Simio peut directement extraire des données de la plateforme d'intégration SAP Cloud, d'AVEVA MES et de PTC Kepware, et pousser des données vers ces plateformes.
Le portail Simio dispose également d'une API Web qui est utilisée pour automatiser la génération de la planification en fonction des événements en temps réel. L'API Web de Simio est utilisée pour déclencher la génération de la planification. Pendant la génération de la planification, les données seront d'abord rafraîchies à partir des systèmes externes. Une fois la planification terminée, les données sont exportées vers les systèmes externes et la planification peut également être publiée pour être visualisée dans l'ensemble de l'organisation. La figure 12 ci-dessous illustre les différentes options d'intégration à un niveau élevé.
Les données transactionnelles pour le modèle de planification sont généralement téléchargées depuis l'ERP au début de chaque période de planification et sont statiques pendant la période de planification. En revanche, les données opérationnelles du MES sont en constante évolution et, par conséquent, le connecteur MES est souvent un connecteur dynamique. Par exemple, une panne de machine détectée par le MES peut automatiquement déclencher la génération par Simio d'un nouveau planning basé sur le temps d'arrêt prévu pour la machine. Le cadre d'intégration de Simio prend en charge les liens statiques et dynamiques pour les données transactionnelles et opérationnelles.
Simio propose plusieurs options de déploiement afin de prendre en charge différents environnements opérationnels et méthodes de travail. Simio RPS étant à la fois une solution de simulation (conception) et d'ordonnancement (exploitation), il est utilisé par différentes personnes dans différents rôles d'utilisateurs au fur et à mesure que le projet progresse de sa phase de simulation et d'analyse (conception) à la phase d'ordonnancement et de déploiement opérationnel (exploitation). En fonction de ses besoins, un client peut déployer Simio RPS dans l'une ou l'autre des options de déploiement listées et illustrées dans la Figure 13 ci-dessous.
Pendant la phase de conception et d'analyse pour développer le modèle d'usine virtuelle, il est souvent préférable de déployer Simio sur un ordinateur portable ou de bureau. Cela permet aux membres de l'équipe de projet de travailler hors ligne car les modèles sont stockés sous forme de fichiers XML faciles à transférer d'un ordinateur à l'autre ou même à envoyer par courrier électronique aux membres de l'équipe lorsque des mises à jour ont été apportées au modèle pour qu'ils puissent le réviser et le tester. Cette option de bureau est également valable pour le déploiement opérationnel du système de planification, à condition que l'ordinateur de bureau ou portable ait accès au réseau du client pour accéder aux données opérationnelles nécessaires à l'exécution du modèle et à la génération de la planification. Cette option fonctionne particulièrement bien pendant la phase initiale de déploiement et de test de la solution, alors que des améliorations continues et des modifications du modèle sont nécessaires pour affiner le calendrier avant le déploiement final de l'entreprise sur une plate-forme basée sur le nuage.
La solution en nuage de Simio, le portail Simio, est fournie pour supporter à la fois une offre en nuage public hébergée sur Microsoft Azure et une version en nuage privé à héberger sur site pour se conformer aux politiques de déploiement et d'exploitation informatiques les plus strictes de l'entreprise pour les systèmes de production. Pour héberger le portail Simio sur site, le client devra se procurer l'infrastructure matérielle nécessaire pour créer cet environnement hébergé derrière ses propres systèmes de sécurité (pare-feu). Cette infrastructure peut également être confiée à un service d'hébergement privé en fonction de la politique de l'entreprise. La solution en nuage du portail Simio peut également être utilisée à des fins d'expérimentation pour évaluer les stratégies opérationnelles en modifiant les données et les paramètres définis lors de la phase de développement du modèle.
Figure 13 - Options de déploiement de Simio
L'industrie 3.0 est à l'origine de l'informatisation et de l'automatisation de l'industrie manufacturière. Cela a entraîné la création d'un grand nombre de données transactionnelles et d'exécution à stocker et à analyser pour affiner et améliorer les performances du système, créant ainsi une ombre numérique de l'usine (instantané numérique). Dans le cadre de cette transformation de l'industrie 3.0, l'analyse des données a été appliquée à ces données afin de découvrir et de communiquer des modèles et des tendances significatifs. Bien que l'analyse des données appliquée aux données passées soit utile, la véritable puissance vient de la connexion des données des composants en temps réel au modèle virtuel de l'usine pour devenir le jumeau numérique de l'usine. Aujourd'hui et à l'avenir, à mesure que l'industrie 4.0 se développe, que les ordinateurs sont connectés et communiquent entre eux pour prendre des décisions sans intervention humaine, le jumeau numérique de l'usine Simio sera un élément essentiel de ce processus car il fournit les capacités clés suivantes au processus de transformation numérique :
Le jumeau numérique Simio est un élément clé de l'usine intelligente du futur. Il fournit à la fois une vue agrégée de l'état du système à l'échelle du système, ainsi qu'un moyen de prédire dans le temps l'état futur attendu, comme l'illustre la figure 14 ci-dessous.
Figure 14 - Analyse rétrospective et prospective
Simio diffère des outils de modélisation de simulation traditionnels en ce sens qu'il est conçu dès le départ pour fonctionner comme un composant actif d'une usine ou d'un système d'exécution de la chaîne d'approvisionnement. Simio prend en charge des données relationnelles complexes en mémoire, des connexions à des sources de données en temps réel, des règles de décision dynamiques complexes, un enregistrement détaillé des ressources, des matériaux et des tâches, ainsi que des Gantts, des rapports et des tableaux de bord personnalisables pour communiquer les résultats de la planification. Il s'agit d'une fonctionnalité essentielle pour fournir un modèle de processus virtuel connecté de l'usine. La figure 15 illustre la relation entre le modèle d'usine virtuelle de Simio, l'ERP et le MES/IoT, ainsi que les capacités clés qui sont activées dans l'usine intelligente. Ce n'est qu'en utilisant ce modèle que le système peut se projeter dans le temps et soutenir l'identification et la résolution des problèmes avant qu'ils ne surviennent dans le système réel. L'interconnectivité entre l'ERP, le MES/IoT et le modèle d'usine virtuelle pour créer le jumeau numérique du processus est un élément clé de cette capacité.
Figure 15 - Relations de Simio Digital Twin