Application des techniques d'IA aux problèmes d'ordonnancement dynamique d'ateliers de type « job shop flexible » dans le contexte d'Industrie 5.0

Applying AI techniques to dynamic workshop scheduling problem of "flexible job shop" in the context of Industry 5.0

• Auteur / Autrice : Candice Destouet
• Direction : Bélahcène Mazari
• Type : Projet de thèse
• Discipline(s) : Génie industriel
• Date : Inscription en doctorat le 01/03/2022
• Etablissement(s) : Paris, HESAM
• Ecole(s) doctorale(s) : École doctorale Sciences des métiers de l'ingénieur
• Partenaire(s) de recherche : Laboratoire : CESI LINEACT - Laboratoire d'Innovation Numérique
• Partenaire(s) de recherche : établissement de préparation de la thèse : Paris, ENSAM

Mots clés

Mots clés libres

Ordonnancement dynamique

Job-shop flexible

Intelligence Artificielle

Industrie 5.0

Recherche Opérationnelle

Dynamic Scheduling

Job-shop flexible

Artificial Intelligence

Industry 5.0

Operational research

Résumé

Dans le contexte actuel de révolutions industrielles 4.0 et 5.0, et notamment celui de l'usine connectée, il est aujourd'hui possible, grâce aux technologies numériques de communication machine à machine et homme-machine (IoT, M2M, IHM, ...), de connaître l'état d'un système manufacturier dans sa globalité, mais aussi les événements internes et externes, aux quels le système est sujet, en temps-réel. Cette transition numérique nécessite une évolution quant aux outils d'aide à la décision et d'évaluation de la performance des systèmes manufacturiers. Dans ce contexte, l'ordonnancement temps-réel représente une problématique d'actualité. L'ordonnancement dynamique (Dynamic Scheduling) est un domaine de recherche qui s'intéresse aux problèmes de la re-planification temps-réel des tâches et de la re-allocation dynamique des ressources en réponse à des aléas et événements disruptifs qui viennent mettre en cause l'efficience, voire la faisabilité, de l'ordonnancement courant. En général, même dans le cas statique, la résolution de ces problèmes (souvent classés NP-difficiles) est complexe quand elle fait appel à des techniques de résolution exacte classiques (Analytical approach). L'utilisation de nouvelles approches de type « Simulation-based approach » ou « Artificial intelligence-based approach » pour la résolution de ces problèmes permet une prise de décision temps-réel ainsi qu'une capitalisation des connaissances sur le fonctionnement du système. Ces nouvelles approches doivent permettre une aide quant à la prise de décision et au pilotage des systèmes complexes et des interactions homme-machine dans ces systèmes, qui doivent montrer de plus en plus de résilience face aux aléas. Ces approches sont toutefois confrontées à une complexité dans la mise en place du processus d'apprentissage. Le travail de recherche de cette thèse vise à étudier l'utilisation des techniques de l'intelligence artificielle pour la résolution du problème d'ordonnancement dynamique dans le cadre un atelier type « job-shop flexible » avec aléas.

In the current context of Industrie 4.0 and 5.0, and in particular that of the connected factory, it is now possible, thanks to digital technologies of machine-to-machine and man-to-machine communication (IoT, M2M, HMI, ...), to know the state of a manufacturing system in its entirety. It is also possible to detect the internal and external events, to which the system is subject in real time. This digital transition requires an evolution in the tools used to support decision making and to evaluate the performance of manufacturing systems. In this context, real-time scheduling is one of the most relevant issues. Dynamic Scheduling is a research area that deals with the problems of real-time rescheduling of tasks and dynamic reallocation of resources in response to random and disruptive events that challenge the efficiency and feasibility of current scheduling. In general, even in the static case, the solution of these problems (often classified as NP-hard) is complex when using classical exact solution techniques (Analytical approach). The use of new approaches like "Simulation-based approach" or "Artificial intelligence-based approach" for the resolution of these problems allows a real-time decision making as well as a capitalisation of knowledge on the functioning of the system. These new approaches should help in the decision-making and management of complex systems, which must show more and more resilience to hazards. These approaches are however confronted with a complexity in the implementation of the learning process. The research work of this thesis aims at studying the use of artificial intelligence techniques for the resolution of the dynamic scheduling problem in the context of a "flexible job-shop" with randomness.