Contribution de l’apprentissage par simulation à l’auto-adaptation des systèmes de production Lorena Silva Belisário To cite this version: Lorena Silva Belisário. Contribution de l’apprentissage par simulation à l’auto-adaptation des systèmes de production. Autre. Université Blaise Pascal - Clermont-Ferrand II, 2015. Français. NNT : 2015CLF22617. tel-01325229 HAL Id: tel-01325229 https://tel.archives-ouvertes.fr/tel-01325229 Submitted on 2 Jun 2016 HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est archive for the deposit and dissemination of sci- destinée au dépôt et à la diffusion de documents entific research documents, whether they are pub- scientifiques de niveau recherche, publiés ou non, lished or not. The documents may come from émanant des établissements d’enseignement et de teaching and research institutions in France or recherche français ou étrangers, des laboratoires abroad, or from public or private research centers. publics ou privés. No d’ordre : D.U. 2617 EDSPIC : 718 Université Blaise Pascal - Clermont II École doctorale des Sciences Pour l’Ingénieur THÈSE en vue de l’obtention du grade de Docteur d’Université Spécialité : Informatique - Productique Présentée et soutenue par Lorena Silva Belisário Contribution de l’apprentissage par simulation à l’auto-adaptation des systèmes de production Thèse dirigée par Henri Pierreval préparée au LIMOS - UMR CNRS 6158 soutenue publiquement le 12 novembre 2015 Jury : Président : Pr. David R. C. Hill - Université Blaise Pascal, France Rapporteurs : Pr. Patrick Burlat - École Nationale Supérieure de Mines de Saint-Étienne, France Pr. Damien Trentesaux - Université de Valenciennes et du Hainaut-Cambrésis, France Examinateur : Pr. Mauricio Cardoso de Souza - Universidade Federal de Minas Gerais, Brésil Directeur : Pr. Henri Pierreval - Institut Français de Mécanique Avancée, France Résumé Pour rester performants et compétitifs, les systèmes de production doivent être ca- pables de s’adapter pour faire face aux changements tels que l’évolution de la demande des clients. Il leur est essentiel de pouvoir déterminer quand et comment s’adapter (ca- pacités, etc.). Malheureusement, de tels problèmes sont connus pour être difficiles. Les systèmes de production étant complexes, dynamiques et spécifiques, leurs gestionnaires n’ont pas toujours l’expertise nécessaire ni les prévisions suffisantes concernant l’évolution de leur système. Cette thèse vise à étudier la contribution que peut apporter l’apprentissage automa- tique à l’auto-adaptation des systèmes de production. Dans un premier temps, nous étu- dions la façon dont la littérature aborde ce domaine et en proposons un cadre conceptuel dans le but de faciliter l’analyse et la formalisation des problèmes associés. Ensuite, nous étudions une stratégie d’apprentissage à partir de modèles qui ne nécessite pas d’ensemble d’apprentissage. Nous nous intéressons plus précisément à une nouvelle approche basée sur la programmation génétique linéaire visant à extraire des connaissances itérativement à partir d’un modèle de simulation pour déterminer quand et quoi faire évoluer. Notre approche est implémentée à l’aide d’Arena et μGP. Nous l’appliquons à dif- férents exemples qui concernent l’ajout/retrait de cartes dans un système à flux tiré, le déménagement de machines ou encore le changement de politique de réapprovisionnement. Les connaissances qui en sont extraites s’avèrent pertinentes et permettent de déterminer en continu comment chaque système peut s’adapter à des évolutions. De ce fait, elles peuvent contribuer à doter un système d’une forme d’intelligence. Exprimées sous forme d’un arbre de décision, elles sont par ailleurs facilement communicables à un gestionnaire de production. Les résultats obtenus montrent ainsi l’intérêt de notre approche tout en ouvrant de nombreuses voies de recherche. Mots-clés : Systèmes de production, auto-adaptation, aide à la décision, extraction de connaissances, apprentissage automatique, simulation, programmation génétique linéaire. Abstract Manufacturing systems must be able to continuously adapt their characteristics to cope with the different changes that occur along their life, in order to remain efficient and competitive. These changes can take the form of the evolution of customers demand for instance. It is essential for these systems to determine when and how to adapt (e.g., through changes in capacities). Unfortunately, such issues are known to be difficult. As manufacturing systems are complex, dynamic and specific in nature, their managers do not always have all the necessary expertise nor accurate enough forecasts on the evolution of their system. This thesis aims at studying the possible contributions of machine learning to the self-adaptation of manufacturing systems. We first study how the literature deals with self-adaptation and we propose a conceptual framework to facilitate the analysis and the formalization of the associated problems. Then, we study a learning strategy relying on models, which presents the advantage of not requiring any training set. We focus more precisely on a new approach based on linear genetic programming that iteratively extracts knowledge from a simulation model. Our approach is implemented using Arena and μGP. We show its benefits by applying it to increase/decrease the number of cards in a pull control system, to move machines or to change the inventory replenishment policy. The extracted knowledge is found to be relevant for continuously determining how each system can adapt to evolutions. It can therefore contribute to provide these systems with some intelligent capabilities. Moreover, this knowledge is expressed in the simple and understandable form of a decision tree, so that it can also be easily communicated to production managers in view of their everyday use. Our results thus show the interest of our approach while opening many research directions. Keywords : Manufacturing systems, self-adaptation, decision support, knowledge ex- traction, machine learning, simulation, linear genetic programming. Remerciements Je tiens tout d’abord à remercier Patrick Burlat, David Hill et Damien Trente- saux pour avoir accepté d’évaluer mon travail de thèse et d’assister à ma soutenance. Je souhaite remercier tout particulièrement mon ancien professeur Mauricio Cardoso de Souza, de l’UFMG, au Brésil. C’est lui qui m’a donné le tout premier élan vers la recherche il y a déjà bien des années. Aujourd’hui et malgré la distance, il n’a pas hésité à m’accompagner dans l’accomplissement de cette thèse. Mes pensées vont aussi à Leonardo Santiago et Carlos Roberto Venâncio de Car- valho, également de l’UFMG, qui m’ont écouté, soutenu et motivé lors de quelques échanges au cours de ces trois dernières années. J’ajoute également Philippe Mahey,An- dréa et Christophe Duhamel que j’ai connus à l’occasion de mon échange universitaire et avec qui j’ai eu le plaisir de garder contact. Merci à Vincent Barra et Alain Quilliot qui ont participé aux deux comités de suivi de cette thèse et dont les remarques constructives m’ont permis de mieux avancer. Et je ne pourrais certainement pas oublier Claude Mazel qui s’est montré d’une grande patience et m’a rassurée par ses explications dans un moment difficile. Un grand merci à Alberto Tonda, chargé de recherche à l’INRA, qui a toujours été ouvert à mes questions sur μGP. Lui seul sait combien elles furent nombreuses ! Bien évidemment, merci à Henri Pierreval, mon directeur de thèse. Tout d’abord pour m’avoir proposé ce sujet de thèse et ainsi m’avoir permis d’être là aujourd’hui. Mais aussi pour le temps qu’il a consacré à mon travail et pour le soutien et l’expérience qu’il m’a apportés. Mes remerciements vont également à tout le personnel de l’IFMA, de l’ISIMA et du LIMOS que j’ai côtoyé pendant ces années. Une thèse est un moment particulier dans la vie qui, comme beaucoup le savent, n’est pas toujours facile. Je ne pourrais donc jamais oublier toutes ces personnes qui ont cru en moi et qui, chacune à sa façon, m’ont permis d’arriver au bout de cette thèse. Bien qu’il ait fallu subir leurs questions récurrentes et souvent angoissantes du genre « Ça avance ? » ou « Quand est-ce que tu soutiens cette thèse ? ». Merci à tous mes amis, plus ou moins proches mais qui ont toujours été là pour me soutenir. Je remercie tout spécialement Jo, mon témoin de mariage, qui a « un peu » subi mes humeurs ces dernières années. Il m’a souvent écouté et conseillé. Il a également apporté une grosse contribution dans l’aspect final de ce manuscrit. C’est un exemple de chercheur pour moi. De plus, il cherche maintenant à s’occuper de ma carrière de chercheuse ! Remerciements Merci à Clément pour sa disponibilité, à Guillaume pour ses conseils en Latex et aussi à Estelle pour tous les moments partagés. À Akram, Nesrine et Aïcha avec qui j’ai partagé mon bureau. À Achraf et Bamba, jamais très loin non plus. Merci à Christèle et Thérèse que j’ai connues lors d’un module de l’école doctorale et que j’ai le plaisir de revoir par moments. À Maxime, Benjamin et Jonathan pour notre escapade lors de la conférence à Bordeaux. À Sahar, Kaoutar et Karima qui ont rendu le module aux Karellis encore plus agréable. Merci encore à Jean-Charles qui m’a mis son bureau à disposition et m’a même aidé à trouver une façon de structurer l’un des chapitres de ma thèse. À Jean-Philippe qui s’est toujours intéressé à l’avancement de ma thèse lorsque l’on se rencontrait. À Simon, Isabelle, Alexandre, Benoît, Hélène, Cristine, Romain, Florian, Thomas, Nicolas, Christine, enfin, à tous ces amis de JB qui deviennent de plus en plus les miens. Merci aux brésiliens de passage et avec qui j’ai pu partager quelques moments qui m’ont permis de sentir mon pays un peu plus proche.