Optimisation des politiques de contrôle pour les systèmes de production non fiables par l'analyse des données et le machine learning

Résumé

Cette recherche porte sur le développement d’une approche combinant simulation, apprentissage automatique et optimisation pour la détermination des paramètres de contrôle de systèmes manufacturiers et fabrication–refabrication soumise à différentes sources d’incertitude, telle que les pannes des machines, la variabilité de la demande et la variabilité des retours de produits. Elle repose sur l’exploitation de données générées par simulation pour l’entraînement de modèles d’apprentissage automatique utilisés dans le processus d’optimisation. Dans un premier temps, l’approche est développée pour un système manufacturier non fiable de type M1P1 sous demande constante. Une stratégie de construction de la base de données est proposée et utilisée pour l’entraînement des modèles d’apprentissage automatique. L’approche est ensuite étendue à des environnements caractérisés par une demande variable. Les résultats obtenus montrent que le modèle développé permette de prédire efficacement le coût total du système ainsi que les paramètres de contrôle associés, en fournissant des résultats comparables avec ceux obtenus par optimisation basée sur la simulation. Une extension supplémentaire est réalisée dans un contexte de demande saisonnière variable afin d’évaluer l’intérêt d’une adaptation dynamique des paramètres de contrôle en fonction de l’évolution de la demande. Les résultats montrent que cette approche permet d’obtenir des coûts inférieurs à ceux d’une politique statique reposant sur un seuil de couverture fixe, les gains de performance devenant plus importants lorsque la variabilité de la demande augmente. Dans un second temps, l’approche est appliquée à un système hybride fabrication–refabrication soumis à des demandes variables, à des retours variables ainsi qu’à des pannes et réparations aléatoires. Les modèles développés permettent de prédire le coût total du système et de déterminer les paramètres de contrôle associés aux activités de fabrication et de refabrication. Les résultats montrent que l’approche proposée surpasse systématiquement l’optimisation basée sur la simulation reposant sur des seuils fixes et permet d’améliorer les performances économiques du système. Dans l’ensemble, les résultats obtenus démontrent que l’apprentissage automatique constitue un outil pertinent pour la détermination des paramètres de contrôle dans les systèmes de production soumis à l’incertitude. Les travaux réalisés confirment la capacité de l’approche proposée à traiter efficacement des systèmes manufacturiers et fabrication–refabrication soumis à des niveaux croissants de complexité et d’incertitude.

Date	22 juil. 2026
langue originale	Français
Établissement diplômant	École de technologie supérieure
Superviseur	Ali Gharbi (Directeur(-trice))