Méthodologie d'aide à la décision multicritère pour l'ordonnancement d'ateliers discontinus

A multicreteria decision aid methodology for batch plant scheduling

• Auteur / Autrice : Oscar Baez Senties
• Direction : Catherine Azzaro-Pantel
• Type : Thèse de doctorat
• Discipline(s) : Génie des procédés et de l'environnement
• Date : Soutenance en 2007
• Etablissement(s) : Toulouse, INPT

Mots clés

Mots clés contrôlés

Systèmes d'aide à la décision

Environnement -- Études d'impact

Optimisation mathématique

Procédés discontinus

Résumé

Les ateliers de fabrication de composants électroniques sont caractérisés par un mode opératoire discontinu et flexible, par un flux de produits cyclique et par un fort besoin en équipements qui rend complexe leur gestion. L'objectif des travaux de ce mémoire est l'optimisation multicritère de ces activités de production, donnant lieu à un problème d'ordonnancement à court terme. Le modèle de Simulation à Événements Discrets (SED) habituellement employé est cependant lourdement pénalisé par le temps de calcul nécessaire au traitement de problèmes de taille industrielle. Le SED est ainsi remplacé par une technique de modélisation reposant sur des réseaux de neurones, au sein desquels un algorithme de rétropropagation est mis en oeuvre. Le temps de calcul se trouve alors considérablement réduit. Enfin, lors de la phase d'optimisation, l'utilisation d'un Algorithme Génétique Multicritère (AGM) offre la possibilité de considérer de plusieurs critères d'évaluation. La démarche est validée sur un exemple didactique, représentatif des industries de fabrication de semi-conducteurs

Scheduling of electronic components manufacturing systems is identified as a complex task, mainly because of the typical features of the process scheme, such as cyclic flows and the high number of equipment items. Actually, production managers have to cope with various objectives, which contribute also to scheduling complexity. Discrete-event simulation (DES) is one of the most widely used methods to study, analyze, design, and improve manufacturing systems, however their applications in industrial processes takes an enormous computing time. In this study, we propose the DES substitution by an approach based on a neural network technique coupled with a multiobjective genetic algorithm for multi-decision scheduling problems in semiconductor wafer fabrication. The training phase of the neural network was performed by use of the previously developed discrete-event simulator, by using a backpropagation algorithm. The neural networks are then embedded in a multiobjective genetic algorithm (MOGA) to optimize the decision variables and to deal with the set of compromise solutions for the studied criteria, thus giving the optimal Pareto zone solutions. The computing time is then considerably reduced. The program efficiency is validate by means of a simplified industrial examples based on semiconductor manufacturing