De nos jours, de nombreux systèmes de production sont gérés en flux « tirés » et utilisent des méthodes basées sur des « cartes », comme : Kanban, ConWIP, COBACABANA, etc. Malgré leur simplicité et leur efficacité, ces méthodes ne sont pas adaptées lorsque la production n’est pas stable et que la demande du client varie. Dans de tels cas, les systèmes de production doivent donc adapter la tension de leur flux tout au long du processus de fabrication. Pour ce faire, il faut déterminer comment ajuster dynamiquement le nombre de cartes (ou de ‘e-card’) en fonction du contexte. Malheureusement, ces décisions sont complexes et difficiles à prendre en temps réel. De plus, dans certains cas, changer trop souvent le nombre de cartes kanban peut perturber la production et engendrer un problème de nervosité. Les opportunités offertes par l’industrie 4.0 peuvent être exploitées pour définir des stratégies intelligentes de pilotage de flux permettant d’adapter dynamiquement ce nombre de cartes kanban.

Dans cette thèse, nous proposons, dans un premier temps, une approche adaptative basée sur la simulation et l'optimisation multi-objectif, capable de prendre en considération le problème de la nervosité et de décider de manière autonome (ou d'aider les gestionnaires)  quand et où ajouter ou retirer des cartes Kanban. Dans un deuxième temps, nous proposons une nouvelle approche adaptative et intelligente basée sur un réseau de neurones dont l’apprentissage est d’abord réalisé hors ligne à l’aide d’un modèle numérique jumeau (simulation), exploité par une optimisation multi-objectif. Après l’apprentissage, le réseau de neurones permet de décider en temps réel, quand et à quelle étape de fabrication il est pertinent de changer le nombre de cartes kanban. Des comparaisons faites avec les meilleures méthodes publiées dans la littérature montrent de meilleurs résultats avec des changements moins fréquents.

Mots-clés :

Industrie 4.0, Pilotage adaptatif des systèmes en flux tirés, Réseau neurone artificiel, Optimisation multi-objectif, Simulation à événements discret, Nervosité, aide à la décision, extraction de connaissances, apprentissage automatique, Optimisation via simulation, Kanban, ConWIP.

Jury :

Rapporteurs :

Mme. Hind EL HAOUAZI, Maitre de conférences et HDR à l’université de Lorraine, France.

M. David GOLDSMAN, Professeur à l’institut des technologies de Georgie, USA.

Examinateurs :

Mme. Maria DI MASCOLO, Directrice de recherche CNRS à G-SCOP

M. Jean-Philippe GAYON, Professeur à l’ISIMA Clermont-Ferrand

Directeur :

M. Henri PIERREVAL, Professeur à Sigma Clermont.