Planification conjointe des activités de production et de maintenance en fonction de l'état de santé des ressources

Joint scheduling of production and maintenance activities depending on resources health assessment

• Auteur / Autrice : Ghita Bencheikh
• Direction : Xavier Desforges, Agnès Letouzey
• Type : Thèse de doctorat
• Discipline(s) : Génie industriel
• Date : Soutenance le 23/01/2020
• Etablissement(s) : Toulouse, INPT
• Ecole(s) doctorale(s) : École doctorale Systèmes (Toulouse ; 1999-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire Génie de Production (Tarbes ; 1989-....)
• Jury : Président / Présidente : Thibaud Monteiro
• Jury : Examinateurs / Examinatrices : Xavier Desforges, Agnès Letouzey, Rémy Dupas, Christophe Varnier, Bernard Archimède
• Jury : Rapporteurs / Rapporteuses : Rémy Dupas, Christophe Varnier

Mots clés

Mots clés contrôlés

Production -- Planification

Maintenance conditionnelle

Mots clés libres

Production

Pronostics et gestion de la santé

Maintenance

Planification conjointe

Production

Pronostics and Health Management

Maintenance

Joint scheduling

Résumé

Les systèmes de production étant devenus très développés, utilisent des procédés de plus en plus complexes, et des machines de plus en plus sophistiquées. Cependant, aussi puissantes qu’elles soient, l’état de santé des machines se dégrade avec le temps et à force de leurs utilisations. Les processus de maintenance sont donc inévitables pour un système de production, car planifier la production sans prendre en compte la maintenance entraîne éventuellement à des replanifications coûteuses. En effet, dans un but d’augmenter la productivité des entreprises, attendre que les défaillances des équipements de production se produisent pour procéder à leur maintien n'est plus une politique de maintenance appropriée car les plannings de production sont souvent perturbés à cause des arrêts imprévus des machines. De plus, les opérations de maintenance correctives, souvent effectuées en urgence, durent plus longtemps que les opérations de maintenance préventives pour lesquelles la logistique est anticipée. Pour cette raison, dans le cadre de la maintenance conditionnelle (CBM), les politiques de maintenances prédictives suscitent un intérêt croissant auprès des chercheurs car elles permettent d’anticiper les pannes en planifiant des tâches de maintenance sur les composants des équipements en fonction de leur état de santé et de leur durée de vie résiduelle prévue. En effet, les méthodes de pronostic et de gestion de la santé (PHM) récemment apparus traitent les données fournies par les capteurs de surveillance pouvant être installés dans les équipements pour fournir un outil d’aide à la décision qui permet une utilisation optimale des ressources. Cependant, ces méthodes proposées ne sont utilisées que pour la planification de la maintenance sans prendre en considération les futures utilisations des ressources pour la production. Généralement, les tâches de production et de maintenance sont planifiées séparément dans les systèmes de production réels. Ce qui mène souvent à des conflits entre ces deux fonctions, parce que les opérations de chacune sont perçues comme une source de perturbation par l’autre. Ces conflits nuisent à la productivité globale des entreprises, d’où l’intérêt de la coopération entre les gestionnaires de la production et la maintenance afin de garantir la ponctualité et la qualité de la production pour améliorer les bénéfices de l’entreprise. La planification conjointe de la production et la maintenance semble ainsi plus appropriée. Cependant, la réalisation d’une telle planification nécessite la connaissance préalable de la disponibilité des machines. Il paraît ainsi que la fusion des concepts issus de l’ordonnancement, du CBM et du PHM a le potentiel permettant une planification conjointe des tâches de production et de maintenance en fonction de l’état de santé des machines. La méthode de planification conjointe que nous proposons est basée sur les Systèmes Multi-Agents (SMA) qui nous ont permis de modéliser chaque entité du problème sous forme d’un agent autonome. Le SMA proposé dans ce travail est composé d'agents responsables des ordres de fabrication (agents clients), des machines (agents producteurs) et des ressources de maintenance (agents mainteneurs) qui communiquent entre eux à travers un tableau noir (environnement). Les agents producteurs programment les opérations de production en fonction de l'état de santé, actuel et futur de leurs machines, estimé à l'aide des techniques de PHM et font appels à des activités de maintenance lorsque l'état de santé des machines devient critique. A travers un protocole de communication entre les agents, ceux-ci arrivent à aboutir à une solution qui satisfait au mieux l'ensemble des décideurs. Notre modèle, que nous avons appelé SCEMP, est un modèle flexible, générique et distribuée qui peut être utilisé dans une grande variété de systèmes.

As production systems have become highly developed, they use more complex processes and more sophisticated machines. However, despite how powerful the machines may be, their health status deteriorates over time and through their use. Maintenance processes are therefore unavoidable for a production system, because planning production without taking maintenance into account can lead to costly re-scheduling. In order to increase the productivity of companies, waiting for production equipment failures to occur before maintaining them is no longer an appropriate maintenance policy because production schedules are often disrupted due to unexpected machine downtime. In addition, corrective maintenance operations, often carried out on an emergency basis, take longer than preventive maintenance operations for which logistics is anticipated. For this reason, as part of conditional maintenance (CBM), predictive maintenance policies are attracting increasing interest from researchers because they make it possible to anticipate failures by scheduling maintenance tasks on equipment components according to their health status and their expected remaining useful life. Indeed, recently developed prognostic and health management (PHM) methods process the data provided by monitoring sensors that can be installed in equipment to provide a decision support tool that allows optimal use of resources. However, these proposed methods are only used for maintenance planning without taking into consideration future resource uses for production. Generally, production and maintenance tasks are planned separately in real manufacturing systems. This often leads to conflicts between these two functions, because the operations of each are perceived as a source of disruption by the other. These conflicts affect the overall productivity of companies, hence the importance of cooperation between production and maintenance managers to ensure punctuality and quality of production to improve the company's profits. Joint production planning and maintenance thus seems more appropriate. However, the implementation of such planning requires prior knowledge of the availability of the machines. It seems that the fusion of concepts from scheduling, CBM and PHM has the potential to allow joint planning of production and maintenance tasks based on the health status of the machines. The joint planning method we propose is based on Multi-Agent Systems (MAS) which have allowed us to model each entity of the problem as an autonomous agent. The MAS proposed in this work is composed of agents responsible for manufacturing orders (customer agents), machines (production agents) and maintenance resources (maintenance agents) who communicate with each other through a blackboard (environment). Producer agents schedule production operations based on the current and future health status of their machines, estimated using PHM techniques, and plan for maintenance activities when the health status of the machines becomes critical. Through a communication protocol between the agents, they manage to converge to a solution that satisfies all decision-makers. Our model, which we have called SCEMP, is a flexible, generic and distributed model that can be used in a wide variety of systems.