Olivier CARDIN Institut de Recherche en Communications et Cybernétique de Nantes Équipe Analyse et Commande des Systèmes à Évènements Discrets Soutenance.

Présentation au sujet: "Olivier CARDIN Institut de Recherche en Communications et Cybernétique de Nantes Équipe Analyse et Commande des Systèmes à Évènements Discrets Soutenance."— Transcription de la présentation:

1 Olivier CARDIN Institut de Recherche en Communications et Cybernétique de Nantes Équipe Analyse et Commande des Systèmes à Évènements Discrets Soutenance publique du 26 Octobre 2007 Devant le jury composé de : M. Henri Pierreval, LIMOS, Rapporteur M. André Thomas, CRAN, Rapporteur M. Pierre Castagna, IRCCyN, Examinateur M. Franck Fontanili, CGI, Examinateur M. Khalid Kouiss, LIMOS, Examinateur M. Jean-Jacques Loiseau, IRCCyN, Examinateur M. Patrick Pujo, LSIS, Examinateur

2 Études réalisées en industrie au sein de léquipe ACSED Étude dun atelier détirage de tôles [Castagna et al., 2001] Des décisions complexes pour le pilotage Beaucoup de références Automatisation poussée Très peu de temps pour fournir une solution Affectation des ressources Stratégies dordonnancement des productions Quelle aide à la décision est-il possible dapporter au pilote de production? 2

3 I. Laide à la décision pour le pilotage des systèmes de production II. La simulation en ligne III. Initialisation des simulations Observateur par simulation IV. Application à un système flexible de production Faisabilité dans une situation proche dune fabrication réelle 3

4 Complexité du pilotage des systèmes de production Identification dune réponse pertinente en cas de perturbation Modèle de résolution de problème en cas de perturbation

5 Structures hétérarchiques de pilotage [Trentesaux, 2005] Agents constitutifs de larchitecture Autonomie daction et de décision Distribution de linformation Distribution de la décision 5 Structures hiérarchisées de pilotage [Mesarovic et al., 1970] Propagation descendante des décisions Propagation ascendante des informations

6 Ces décisions répondent à des perturbations Évènement imprévu dont loccurrence gène la réalisation des objectifs de production du système [Cauvin, 2005] Indisponibilité dune ressource, arrivée dun nouvel Ordre de Fabrication, etc. 6 Détection de la perturbation Analyse de la perturbation Conception de la réaction Implantation de la réaction Phase de Diagnostic Occurrence de la perturbation Perception de la perturbation Application de la décision Disparition de la perturbation Cycle de vie dune perturbation [Cauvin, 2005]

7 Nous nous intéressons ici à la phase de diagnostic Action de compréhension relative à une décision daction [Hoc, 1990] Deux phases distinctes Analyse: vision globale Conception: prévision de comportement 7 Détection de la perturbation Analyse de la perturbation Conception de la réaction Implantation de la réaction Phase de Diagnostic Occurrence de la perturbation Perception de la perturbation Application de la décision Disparition de la perturbation Cycle de vie dune perturbation [Cauvin, 2005]

8 DÉTECTION de conditions anormales CHOIX de la solution appropriée 8 [Rasmussen, 1983] [Rasmussen, 1986] EXÉCUTION Comportement basé sur les automatismes RECHERCHE de données explicites ÉLABORATION des hypothèses et des tests associés RECHERCHE de données explicites IDENTIFICATION de létat du système PRÉVISION du comportement du système FORMULATION de la procédure dimplantation RECONSTRUCTION dune solution originale ÉVALUATION en relation avec les contraintes globales du système Comportement basé sur les règles Comportement basé sur la connaissance IDENTIFICATION de létat du système ÉLABORATION des hypothèses et des tests associés PRÉVISION du comportement du système FORMULATION de la procédure dimplantation RECONSTRUCTION dune solution originale [Rasmussen, 1983] [Rasmussen, 1986] [Hoc, 1990] ÉVALUATION en relation avec les contraintes globales du système Attentes

9 Évolution de la simulation à évènements discrets: de la conception au pilotage des systèmes de production Construction des modèles de simulation Utilisation de la simulation en ligne pour la prise de décision Applications de la simulation en ligne dans la littérature

10 Outil de conception ou de re-conception des systèmes de production Après conception, peut-on réutiliser ces modèles de comportement très détaillés pour des prévisions à court terme? Apparition du concept de simulation en ligne Deux caractéristiques nécessaires [Davis, 1998] Date dobtention des résultats préétablie Connexion avec le système réel: le modèle doit être initialisé avec létat du système réel à chaque début de simulation 10

11 Utilisation Simulation pour la reconception Émulation pour la mise au point de la command e Simulation pour la conceptio n Apparition du concept de simulation en ligne pour la phase dUtilisation du système Pilotage – surveillance: cadre dutilisation différent Deux caractéristiques nécessaires [Davis, 1998] Date dobtention des résultats préétablie Connexion avec le système réel: le modèle doit être initialisé avec létat du système réel à chaque début de simulation 11 Cycle de vie dun système de production

12 En simulation pour la conception État initial vide et inactif Moyenne de len-cours Utilisation dune période de chargement (warm-up) En simulation en ligne Comportement exact de len-cours Initialisation à un état non-vide Beaucoup de données en jeu Faible durée de prise de décision Nécessité dune initialisation automatisée 12 En-cours Date simulée (mois) 01 23456 En-cours Date simulée (heures) 10111213141516

13 Connexion avec le système réel: le modèle doit être initialisé avec létat du système réel à chaque début de simulation Initialisation automatisée Faible prise en compte des phénomènes aléatoires Occurrence significative dans lhorizon de simulation Prise en compte dans le scénario de la simulation Vitesse de calcul au détriment de la flexibilité du modèle Spécialisation des modèles par types de problème 13

14 14 Date d+D d Conception de la réaction Phase de Diagnostic Durée de prise de décision D d Élaboration de N stratégies – Choix des modèles associés 12 N … i … 3 Simulations successives Évaluation des résultats Initialisation du simulateur à la date d avec les données du système de production Analyse de la perturbation Décision dutiliser la simulation en ligne Détermination de D d Date d Perception de la perturbation Simulation sans application de la stratégie n°i jusquà la date d+D d Application virtuelle de la stratégie n°i Fin de la simulation n°i Déroulement de la simulation jusquà la condition darrêt avec application de la stratégie n°i Détail dune simulation Application de la décision Latence Prise de décision sur la stratégie la plus adaptée Détection de la perturbation Analyse de la perturbation Conception de la réaction Implantation de la réaction Phase de Diagnostic Occurrence de la perturbation Perception de la perturbation Application de la décision Disparition de la perturbation Cycle de vie dune perturbation [Cauvin, 2005]

15 Développements sur des cas spécifiques Contrôle aérien [Rogers et Flanagan, 1991] Pas de temps de transferts [Wu et Wysk, 1989] Flux de personnes dans un bâtiment public [Hanisch et al., 2003] Développements limités Paramétrage de distributions [Peters et Smith, 1998] [Kouiss et Pierreval, 1999] [Kouiss et Najid, 2004] Développements non-traités [Gupta et Sivakumar, 2005] [Hotz et al., 2006] Principal écueil des applications: Linitialisation des simulations 15

16 Linitialisation dans le cas de la simulation en ligne Le concept dobservateur par simulation

17 État du système de production: [Pooch et Wall, 1993] Collection minimale dinformations avec lesquelles le comportement futur du système peut être déterminé de façon unique en labsence de hasard État du système physique et du système dinformation État du modèle de simulation: Entités, attributs, variables, ressources, transporteurs, files dattente, convoyeurs, etc. Comment identifier les données extraites du système avec celles nécessaires à linitialisation? Comment assurer davoir lensemble des données nécessaires? 17

18 La commande connaît forcément une partie de létat du système pour prendre ses décisions Avantages Données fiables Architecture économique Mise au point rapide Inconvénients Besoin de retraiter les données Non-exhaustivité des données 18

19 19 Détecteur de présence Information connue: Présence de la palette sur le lien n°1 Information connue: Position et date actuelle Lien n°1 Lien n°2 Lien n°3

20 20 Détecteur de présence Information connue: Présence de la palette sur le lien n°1 Information connue: Position et date actuelle Information connue: Présence de la palette sur le lien n°3 Lien n°1 Lien n°2 Lien n°3

21 21 Détecteur de présence Lien n°1 Lien n°2 Lien n°3 Information connue: Présence de la palette sur le lien n°1 Date dentrée sur le lien Vitesse moyenne de la palette Il est possible destimer la position de la palette par régression linéaire Utiliser lobservation pour fournir la position en continu à la simulation

22 Fournir à tout instant une image de son état exploitable par les simulateurs en ligne Estimer les données partiellement ou totalement inconnues tout au long de lévolution du système Communiquer avec les éléments de larchitecture de commande du système Intégrer des mécanismes de recalage pour corriger ses prévisions dès quune donnée fiable lui parvient depuis le système réel 22

23 1 er cas: La palette réelle est en retard sur lobservateur 2 e cas: La palette réelle est en avance sur lobservateur 23

24 Estimer les données partiellement ou totalement inconnues tout au long de lévolution du système Dynamique complexe Beaucoup dacteurs simultanément impliqués La simulation est la solution qui simpose pour la modélisation détaillée du comportement des systèmes de production Technologie identique observateur/simulateur Transfert détat facilité Lobservateur sera également réalisé par simulation à évènements discrets 24

25 Étude dun système flexible de taille réelle Exemples de décision à prendre pour le pilotage du système Date de fin de production Ordonnancement local Mise en place de lobservateur – Architecture complète Résultats sur la précision de larchitecture

26 26

27 Les palettes sont équipées dune étiquette électronique contenant: La référence de la palette Lordre de fabrication auquel elle est allouée La gamme de fabrication du produit transporté Le nombre de produits à réaliser avant de rentrer au magasin Un pointeur davancement dans la gamme Les palettes circulent sur les convoyeurs à ruban de la boucle centrale et vont de poste en poste À chaque entrée de poste, une règle lautorise ou non à y rentrer pour poursuivre la production 27

28 Le comportement dune production est lié au paramétrage des ordres de fabrication Le couple (Np,Npp) paramétré pour le nouvel ordre satisfait-il à toutes les contraintes de production? Décision centrée sur lhumain 28

29 Les postes 2 et 6 ont des stocks ayant une règle de gestion paramétrable Règle dynamique visant à limiter le nombre de réglages La palette A est rentrée Naurait-il pas été plus intéressant dattendre la palette B avant dentamer le réglage? Décision totalement automatisée 29

30 30 Niveau de la planification ERP etc. APSSCM etc. Niveau de lexécution Niveau de la commande API Niveau de lopération Capteur etc.Actionneur 1 µs – 1 s 1 s – 1 min 1 min – 1 jour 1 jour – 1 année MES Instanciation de la décomposition CIM Cadre de travail centré sur le MES Niveau du pilote IHM (Supervision) Identité Horizon de travail / Horizon de simulation Collecte et acquisition de données etc.

31 Lobservateur utilise les fonctions de communication du MES, notamment au niveau de la collecte et lacquisition des données Le simulateur sinsère dans les fonctions de pilotage du MES (ordonnancement, cheminement, etc.) 31 Niveau de la planification ERP etc. APSSCM etc. Niveau de lexécution Niveau de la commande API Niveau de lopération Capteur etc.Actionneur 1 µs – 1 s 1 s – 1 min 1 min – 1 jour 1 jour – 1 année MES Observateu r Simulateur MES

32 32 Niveau de lopération Pupitres, capteurs, butées, verrines, etc… Modules de lecture/écriture Niveau de la commande FipIO Niveau de lexécution Serveur OPCBase de données Supervision MES SQL DCOM

33 Niveau de lexécution Serveur OPCBase de données Supervision MES Aide à la décision Simulation, optimisation, etc. Serveur OPCBase de données Supervision SQL DCOM Socket TCP/IP SQL Observateur DCOM SQL Socket TCP/IP + Partage de fichiers 33 Niveau de lopération Pupitres, capteurs, butées, verrines, etc… Modules de lecture/écriture Niveau de la commande FipIO Niveau de lexécution

34 La justesse des prévisions dépend: De la fidélité du simulateur De la justesse de létat de lobservateur Létat de lobservateur dépend: De la performance de la remontée dinformation (OPC) Estimation: R=1.27p+80 R: temps de réponse (ms) p: période de rafraichissement OPC p mini =20 ms, donc R mini =105 ms 105 ms correspond à 2 cm De la fidélité du modèle de reconstruction 34 Niveau de lexécution Serveur OPCBase de données Supervision MES Aide à la décision Simulation, optimisation Serveur OPCBase de données Supervision SQL DCOM Socket TCP/IP SQL Observateur DCOM SQL Socket TCP/IP + Partage de fichiers Niveau de lopération Pupitres, capteurs, butées, verrines, etc… Modules de lecture/écriture Niveau de la commande FipIO Niveau de lexécution

35 Évaluation de la date de fin prévue en cours de fabrication Lancement dune production test Simulations à intervalles réguliers Comparaisons de la date de fin prévue à la date de fin réalisée Lancement de productions amenant des charges du système différentes Charge: nombre de palettes engagées dans la production 35

36

37 Aide à la décision pour le pilotage des systèmes de production Phase de diagnostic en réponse à une perturbation Apport de la simulation en ligne: Vision de létat du système Prévision de la conséquence des décisions sur le comportement du système Initialisation délicate à réaliser en pratique Initialisation des simulations Nécessairement sur létat actuel du système réel Difficile à réaliser « directement » 37

38 Proposition de lutilisation dun observateur réalisé par simulation Intègre les informations issues du système réel Reconstruit les données non-mesurées Fournit son état au simulateur comme meilleure approximation de létat du système réel Intégration au niveau de lexécution de larchitecture de commande dun système flexible de production Une évaluation de la performance de notre solution satisfaisante Justesse des prévisions inférieure à 3% 38

39 Mise en œuvre dans un contexte industriel Utilisation de lobservateur pour la détection de fonctionnement anormal Nature des décisions de pilotage considérées Contraintes, limites Acceptabilité des erreurs de justesse Utilisation dalgorithmes doptimisation Nature des systèmes considérés Développement sur un système continu: robot cartésien 39

40 Construction des modèles: Transformation de modèles dédiés à la conception en modèle destinés à la simulation en ligne Validation – qualité des modèles Vie des modèles: Ajustement automatique des paramètres de lobservateur et du simulateur en fonction du vécu de latelier Réutilisation des modèles: Développer une certaine généricité des travaux pour faciliter limplantation sur des systèmes et des progiciels différents 40

41

42 Évaluation de limportance de la prise en compte de létat du système réel dans linitialisation Construction dun cas test: Un système de production type job-shop à six machines Des ordres de fabrication en cours Un ordre de fabrication à lancer Un paramètre à régler: le nombre de transporteurs réservés pour le nouvel ordre Deux méthodes dobtention du paramètre: Simulation en ligne Simulation dite « classique » (état initial vide) Comparaison des durées de production obtenues 42

43 Simulation en ligne Nombre de transporteurs Durée de production (ut) 125542 516282 1014148 203042 223021 303051 384098 393515 404165 Simulation en ligne Nombre de transporteurs Durée de production (ut) 125542 516282 1014148 203042 223021 303051 384098 393515 404165 Simulation classique Nombre de transporteur s Durée de production (ut) 122955 511787 108445 202577 222023 302032 382090 391713 401678 43 Simulation classique Nombre de transporteur s Durée de production (ut) 122955 511787 108445 202577 222023 302032 382090 391713 401678 Simulation en ligne Nombre de transporteurs Durée de production (ut) 125542 516282 1014148 203042 223021 303051 384098 393515 404165 Meilleur résultat par simulation classique Meilleur résultat par simulation en ligne M en ligne Résultat obtenu par application du résultat de la simulation classique M classique

44 44

45 45 DÉTECTION de conditions anormales EXÉCUTION FORMULATION de la procédure IDENTIFICATION de létat du système RECHERCHE de données explicites Attentes ÉLABORATION dun nombre fini dhypothèses PRÉVISION de lévolution du système pour toutes les hypothèses Choix de lhypothèse la plus adaptée Simulations en temps fini, sans optimisation

46 46 Optimisation, arrêt sur critère de convergence ou de temps DÉTECTION de conditions anormales EXÉCUTION FORMULATION de la procédure IDENTIFICATION de létat du système RECHERCHE de données explicites Attentes Critère darrêt atteint Choix de lhypothèse la plus adaptée ÉLABORATION dune hypothèse PRÉVISION de lévolution du système pour lhypothèse étudiée Critère darrêt non-atteint