Le rôle que joue la variation dans la congestion et les retards dans la fabrication est bien documenté dans la littérature, mais il est généralement ignoré dans la planification et l'ordonnancement quotidiens de la production. Les outils de planification et d'ordonnancement avancés (APS) génèrent des horaires en ignorant complètement la variation dans le système. Dans certains cas, des heures de calcul sont consacrées à la création d'un calendrier ; cependant, l'hypothèse de base de temps déterministes rend ce calendrier irréaliste et optimiste dès le départ. En ignorant les variations, les outils APS créent des calendriers qui promettent plus qu'ils ne peuvent être tenus.
Pour illustrer ce point, nous prendrons un problème d'ordonnancement très simple concernant une seule machine. En moyenne, les travaux arrivent sur notre machine toutes les heures et nécessitent 55 minutes pour être traités. Ils sont récupérés deux heures après leur arrivée. Examinons un horaire déterministe simple pour le traitement des trois premiers travaux dans notre système simple. Le diagramme de Gantt de notre calendrier basé sur nos temps déterministes est illustré ci-dessous :
Notez que notre planning est satisfaisant : notre machine est utilisée à 92 %, une pause de 5 minutes est prévue entre chaque tâche de 55 minutes et toutes les tâches disposent d'une marge de manœuvre de 65 minutes (indiquée par la ligne en pointillés) entre l'heure d'achèvement prévue et leur date d'échéance. Étant donné que nous disposons d'une marge de manœuvre supérieure à notre espace de travail pour tenir compte de tout problème imprévu, il semble à première vue qu'il s'agisse d'un calendrier robuste pour les trois tâches prévues.
Bien que nous ayons créé ce calendrier en supposant l'absence de toute variation, les systèmes réels comportent de nombreuses sources de variation. Par exemple, les délais de traitement varient généralement d'un travail à l'autre, les composants achetés ou fabriqués peuvent arriver en retard et retarder le début d'une opération, les machines peuvent tomber en panne et l'équipe peut ne pas se présenter. Il s'agit d'éléments qui échappent souvent à notre contrôle, qui dégradent le calendrier et qui font que nos performances ne sont pas à la hauteur de nos espérances.
Examinons maintenant ce qu'il advient du comportement à long terme de notre système simple à une machine lorsque nous ajoutons de la variabilité dans les temps d'arrivée et de traitement. Nous supposerons que nos données représentent des valeurs attendues et que les temps réels varient autour de ces valeurs. Pour simplifier l'analyse mathématique, nous supposerons que le temps entre les arrivées de travail et le temps de traitement sur la machine sont distribués de manière exponentielle. Compte tenu de cette hypothèse, nous pouvons utiliser la théorie de base des files d'attente pour calculer le comportement à long terme de l'ordonnancement sur cette seule machine.
Avec la variation prise en compte dans notre système, une simple analyse des files d'attente montre que notre système est très peu performant. Bien que l'utilisation de la machine à long terme reste de 92 %, elle est très variable. L'opérateur de la machine travaille fréquemment pendant de longues périodes sans pause, et à d'autres moments, il est en manque de travail avec de longues périodes d'inactivité. Chaque travail arrivant attend en moyenne 10 heures et seulement 16 % de nos commandes sont prêtes à temps. Nous disposons exactement de la même capacité physique qu'auparavant, mais nos niveaux de stocks et nos performances en matière de respect des délais sont catastrophiques. Ce qui semble être un plan réalisable (bon) sur la base de valeurs déterministes devient infaisable (terrible) lorsque l'on tient compte des variations.
Ce phénomène explique l'écart entre les outils APS existants et la réalité de l'ordonnancement du travail dans un système de fabrication complexe, plein de variations et d'incertitudes. Les plannings générés par les outils déterministes ne peuvent pas tenir compte des réalités de l'atelier.
Simio Risk-based Planning and Scheduling (RPS) est la nouvelle génération d'APS spécifiquement conçue pour prendre en compte le risque et l'incertitude. RPS utilise un modèle de simulation d'événements discrets spécialement conçu pour le système afin de capturer pleinement les contraintes et les variations détaillées du système. RPS utilise ensuite ce modèle de deux manières. La première consiste à générer un calendrier/plan détaillé. Dans ce cas, le modèle est exécuté 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. Il s'agit de la vision optimiste adoptée par tous les systèmes APS, qui produit un planning déterministe. Une fois le calendrier généré, RPS reproduit ce même modèle de simulation en activant les variations 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. Avec RPS, nous générons un diagramme de Gantt similaire au précédent, sauf que nous ajoutons maintenant des mesures de risque codées en couleur qui montrent notre risque substantiel de ne pas respecter les dates d'échéance prévues.
Bien qu'une marge de manœuvre supérieure au makespan puisse sembler "sûre", nous constatons dans cet exemple simple que nos travaux risquent fort d'être en retard (seulement 16 % de chances d'être prêts à temps).
En offrant une visibilité immédiate sur les risques inhérents à un plan ou à un calendrier spécifique, Simio RPS fournit les informations nécessaires pour prendre des mesures précoces dans le plan opérationnel afin d'atténuer les risques et de réduire les coûts. Simio RPS fournit une vision réaliste des performances attendues du planning. Des alternatives 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 de réduction de ces risques, fournissant ainsi une stratégie opérationnelle satisfaisante pour le client à un coût minimum.
Télécharger la version PDF
C. Dennis Pegden, PhD. - Chef de produit Simio
Fondateur de Simio et directeur des produits. Dennis a dirigé le développement des outils de simulation SLAM, SIMAN, Arena et Simio. Il est co-auteur de trois manuels de simulation et a publié des articles dans un certain nombre de domaines, notamment la planification et la simulation.