3 présentations

• 
  14h50 - 15h15

  Conception d’une ligne d’usinage reconfigurable : étude de cas

  • Alexandre Dolgui, prés., École des Mines de Saint-Étienne
  • Mohamed Essafi, Université Montpellier 1
  • Xavier Delorme, Ecole des Mines de Saint-Etienne

  Dans cet article, nous considérons un problème d’équilibrage de ligne d’usinage reconfigurable. Une approche
  de résolution basée sur GRASP est proposée. Ce travail a été effectué en collaboration avec PCI SCEMM, leader sur le
  marché français des systèmes d’usinage. Les caractéristiques techniques de la ligne étudiée sont rapportées ainsi qu’une
  plateforme d’optimisation mise en place en collaboration avec notre partenaire industriel. Le problème d’optimisation
  correspondant est un problème d’équilibrage de lignes d’usinage sujet à des contraintes spécifiques. Il consiste à affecter
  les opérations aux stations de travail en minimisant le coût de la ligne. En plus des contraintes habituelles pour ce type de
  problème, à savoir : les contraintes de précédence, de temps de cycle, d’inclusion et d’exclusion, nous avons dû considérer
  des contraintes d’accessibilité. Les stations de travail sont équipées de plusieurs centres d’usinage travaillant en parallèle
  pour obtenir les volumes de production souhaités. Des temps inter-opératoires de déplacements et de changement d’outils
  qui dépendent de la séquence d’opérations sont aussi pris en compte. Nous exposons les solutions fournies par notre
  algorithme GRASP et nous analysons les principaux enseignements obtenus sur ce cas industriel.

• 
  15h15 - 15h40

  Heuristiques efficaces pour la conception de réseaux d’assemblage/désassemblage

  • Nabil Nahas, Université Laval
  • Mustapha Nourelfath, prés., Université Laval
  • Michel Gendreau, Polytechnique Montréal

  Cet article formule un problème de conception optimale des systèmes en structures de réseaux d’assemblage/désassemblage, avec des machines non fiables et des stocks intermédiaires à capacités finis. L’objectif est de maximiser l’efficacité (taux de production) du réseau sous une contrainte de budget. L’approche proposée se distingue des approches existantes par son pouvoir de sélection à la fois des technologies des machines et des capacités des stocks intermédiaires, et ce, dans le contexte d’une structure de réseau. Les machines sont caractérisées par leurs coûts, leurs taux de panne, leurs taux de réparation et leurs taux de traitement. Chaque stock intermédiaire est caractérisé par une capacité maximale et un coût unitaire associé au stockage. Une méthode de décomposition est utilisée pour évaluer le taux de production. Deux métaheuristiques basées sur l’algorithme de recherche d’harmonie et l’algorithme génétique sont développées pour la résolution du problème d’optimisation combinatoire résultant.

• 
  15h40 - 16h05

  Approches mono et multi-objective pour la conception d’un système de production à deux machines et un stock-tampon

  • Yassine Ouazene, prés., Université de Technologie de Troyes
  • Hicham Chehade, Université de Technologie de Troyes
  • Alice Yalaoui, Université de Technologie de Troyes

  Dans l'industrie manufacturière à gros volumes, les lignes en série sont un des types fondamentaux des systèmes de production. Le modèle de lignes à deux machines est souvent utilisé comme une base de construction pour analyser et développer des méthodes d'approximation pour des lignes de production plus grandes et plus complexes. Dans ce contexte,
  nous présentons une nouvelle formulation mathématique du problème de la conception d’un modèle à deux machines et un stock-tampon ayant comme objectifs: la maximisation du taux de production du système et la minimisation de la taille du stock sous contraintes d’un niveau de disponibilité minimal requis et d’un coût d’acquisition des machines limité. Les
  durées opératoires sont déterministes et les temps de défaillance et de réparation sont supposés être exponentiels. Nous proposons deux méthodes de résolution : mono-objectif et multi-objectif. La première est basée sur une méthode d’optimisation non-linéaire et la seconde consiste en un algorithme génétique multi-objectif de type NSGA-II.