Projet de Fin d’Année

Optimisation et informatisation d’un

système de production reconfigurable

Réalisé par :

Afef BEN SAAD Marwa BOUSSETTA

Rahma SGHAIER Emna MONES

Soutenu le 06-05-2012

Encadré par : Mme Sonia HAJRI-GABOUJ

Introduction

Problématique posée

Plan d ’actions

Approche génétique proposée pour la recherche de

configurations

Développement d’un système informatisé pour l’évaluation

des configurations

Conclusion et perspectives

3

Un système de production porte à transformer un ensemble de

matières premières ou de composants semi-finis en produits finis

Introduction Problématique Algorithme génétique

Système informatisé

Conclusion et perspectives

Nouvelles

conditions

de marché

Concurrence Mondialisation

Variété de produits Capacité

Structure fixe

Capacité fixe

Flexibilité oui

Convertibilité oui

Usinage séquentielle

FMS

Structure fixe

Capacité fixe

Flexibilité non

Convertibilité non

Usinage séquentielle et

ou simultanée

DML

Haute productivité Haute flexibilité

Structure changeable , Capacité changeable , flexibilité juste

nécessaire, Convertibilité oui, Usinage séquentielle et ou simultanée

RMS

Réponse

rapide

4

Les RMS sont conçus pour assurer un changement rapide de structure

aussi bien des composants que des logiciels. Il vise à répondre à des

exigences variables et d’assurer une fonctionnalité et une productivité

ajustable. Les concepts de reconfigurabilité sont établis par 6 principes :

Modularité

Intégrabilité

Convertibilité

Extensibilité

Personnalisation

Diagnosabilité

Introduction Problématique Algorithme génétique

Système informatisé

Conclusion et perspectives

5

Introduction Problématique Algorithme génétique

Système informatisé

Conclusion et perspectives

Nouvelles

conditions

de marché

Concurrence Mondialisation

Variété de produits Capacité

Structure fixe

Capacité fixe

Flexibilité oui

Convertibilité oui

Usinage séquentielle

FMS

Structure fixe

Capacité fixe

Flexibilité non

Convertibilité non

Usinage séquentielle et

ou simultanée

DML

Haute productivité Haute flexibilité

Structure changeable , Capacité changeable , flexibilité juste

nécessaire, Convertibilité oui, Usinage séquentielle et ou simultanée

RMS

Réponse

rapide

Ca

pa

cité

Fonctionnalité

LMD

FMS

RMS

6

Stock Chargement/Déchargement

Configuration 3

Stock Chargement/Déchargement

M1 M2Robot

Configuration 4

Stock Chargement/DéchargementStock Chargement/Déchargement

M3

M1 M2Robot

Configuration 1Configuration 2

M1 M4Robot

M2

M3

M1 M4Robot

M2

Proposer une approche génétique permettant de générer plusieurs

solutions performantes et correspondant aux configurations données selon

l’indicateur Cmax

Proposer un outil d’évaluation d’efficacité des solutions fournies selon

des indices de performance choisis.

Concevoir et développer une base de données rassemblant toutes les

informations de production.

Développer une interface graphique qui va interagir avec la base de

données et l’outil d’évaluation des performances.

8

Les algorithmes génétiques font partie de la famille des algorithmes

évolutionnaires.

Avec ce type d’algorithmes, il ne s’agit pas de trouver une solution analytique

exacte mais de trouver une bonne solution satisfaisante dans un temps de

calcul raisonnable.

Ils travaillent sur un ensemble de solutions candidates, appelé

« Population" d’individus ou chromosomes.

Un chromosome est un ensemble d’éléments, appelés "gènes", qui peuvent

prendre plusieurs valeurs, appelées "allèles"

Introduction Problématique Algorithme génétique

Système informatiséConclusion et perspectives

9

Introduction Problématique Algorithme génétique

Système informatisé

Conclusion et perspectives

Génération d’une

population initiale de

taille constante N

Évaluation des N individus

Sélection

Mutation

Croisement

Evaluation des individus

enfants

Arret

?Oui

Géneration de Np solutions

jusqu’à

critère d’arret

10

Un chromosome peut être codé de manière :

Binaire

Symbolique

Nous avons retenu le codage symbolique ,car il est le plus adapté a notre

problème.

Introduction Problématique Algorithme génétique

Système informatisé

Conclusion et perspectives

C1 C2 C3

GÉNÉRATION DE LA POPULATION INITIALE

11

La population initiale peut être choisie :

aléatoirement

Par des heuristiques

Par un mélange de solutions aléatoires et heuristiques

Introduction Problématique Algorithme génétique

Système informatisé

Conclusion et perspectives

EVALUATION

12

Une fonction d’évaluation F est utilisée pour mesurer les

performances de chaque individu.

Fi = Cmax

Introduction Problématique Algorithme génétique

Système informatisé

Conclusion et perspectives

SÉLECTION

13

La sélection détermine quels membres d’une population survivent et se reproduisent

Nous avons retenu la sélection par la roue biaisée

F1= 0.2 F2=0.55 F3=0.1 F4=0.15

20%

55%

10%

15%Individu 1

Individu 2

Individu 3

Individu 4

Introduction Problématique Algorithme génétique

Système informatisé

Conclusion et perspectives

CROISEMENT

14

Le croisement permet d’enrichir la population en manipulant

les composantes des chromosomes

Un croisement est envisagé avec deux parents et génère un

ou deux enfants.

Il est appliqué avec une probabilité Pc

Introduction Problématique Algorithme génétique

Système informatisé

Conclusion et perspectives

CROISEMENT

15

Parent1Parent 2

Enfant1 Enfant 2

Introduction Problématique Algorithme génétique

Système informatisé

Conclusion et perspectives

MUTATION

16

21 77

Avant mutation

77

Après

mutation

17

Introduction Problématique Algorithme génétique

Système informatisé

Conclusion et perspectives

Interface

graphique

VB

Evaluation des

performances

ARENA

Base de données

ACCESS

DÉVELOPPEMENT D’UNE BASE DE DONNÉES

18

Diagramme de classe UML

Introduction Problématique Algorithme génétique

Système informatisé

Conclusion et perspectives

19

Pour implémenter la base de données , on a utilisée le logiciel Access

Introduction Problématique Algorithme génétique

Système informatisé

Conclusion et perspectives

EVALUATION DES PERFORMANCES À L’AIDE D’UN

OUTIL DE SIMULATION

20

On a choisi d’effectuer l’évaluation de performances à laide du logiciel

de simulation de flux ARENA

L’évaluation est basé sur les deux indicateurs de performance :

La productivité « Throughput »

Le temps moyen de fabrication

Introduction Problématique Algorithme génétique

Système informatisé

Conclusion et perspectives

21

Configuration 1

Configuration 3 Configuration 4

Configuration 2

Introduction Problématique Algorithme génétique

Système informatisé

Conclusion et perspectives

C’est le chef de file dans le domaine des progiciels de simulation

.Il offre une réponse complète pour la simulation et l’optimisation

des flux et des processus industriels

22

Introduction Problématique Algorithme génétique

Système informatisé

Conclusion et perspectives

24

Développement d’une interface graphique

Le système informatisé s’articule autour de la base de données développé sous

ACCESS et l’outil de simulation ARENA interagissant à traves l’interface graphique

suivante :

Interface homme machine développé sous VB

Introduction Problématique Algorithme génétique

Système informatisé

Conclusion et perspectives

CONCLUSION ET PERSPECTIVES

25

Nous avons conçu un algorithme génétique permettant

l’optimisation d’un atelier de production reconfigurable

Nous avons développé un système informatisé d’évaluation de

performances en :

- Implémentant une base de données , modélisé UMLpar

ACCESS

- Utilisant un logiciel de simulation de flux Arena

- Développant une interface graphique sous Visual basic

26

Implémenter l’algorithme génétique sous Visual C++

Tester l’algorithme avec différents scénarios pour sa

validation

Intégrer l’algorithme génétique dans le fonctionnement du

système informatisé pour générer des nouvelles configurations .

Perspectives