Simulation Des processus Industriels
5ème année GI
Rapport du TP1 :
Dimensionnement d’un atelier de fabrication
de pièces par la méthode de simulation sous le
logiciel (SIMAN/ARENA)
I. Introduction :
Le concept de simulation est apparu très tôt dans l’histoire de l’humanité, notamment
avec les simulations militaires, dont l’objectif était de prévoir l'issue d'une bataille selon
diverses stratégies pour en déterminer la plus efficace en termes de résultats et de
minimisation des pertes. Cependant, les moyens de calcul limités à cette époque ne
permettaient pas d'explorer toutes les possibilités en temps raisonnable. Aujourd'hui, grâce
aux progrès technologiques, la simulation est largement utilisée dans divers domaines tels que
l’économie, la production industrielle, et même les jeux vidéo.
Dans le cadre de ce projet, nous nous intéressons au dimensionnement d'un atelier de
fabrication de pièces à l’aide de la simulation sur le logiciel Arena. Ce type d’atelier consiste
à orienter et transformer des matières premières en produits finis grâce à des traitements
successifs, réalisés par des machines et parfois assistés par des opérateurs. Notre étude porte
sur un système d'aiguillage, où les pièces sont orientées selon leur type vers l’une des trois
machines de traitement présentes, chacune exécutant un processus spécifique.
Le problème étudié repose sur l'optimisation du flux des pièces au sein de l'atelier pour
améliorer les indices de performance de production, tels que le taux de production (nombre de
produits finis par heure) et l'efficacité des machines. L'objectif est d’identifier et d’optimiser
les capacités de chaque machine en se basant sur une méthode de simulation en 5 grandes
parties sur Arena, chaque partie du processus étant une extension de la précédente. En
réalisant cette analyse, nous cherchons à déterminer la meilleure configuration des ressources
afin de maximiser le taux de production tout en minimisant les temps d’attente et en évitant
les goulots d’étranglement au sein de l’atelier.
II. Présentation du logiciel Arena :
Arena est un logiciel de simulation de processus développé par Rockwell Automation,
largement utilisé pour modéliser, analyser et optimiser les systèmes de production et de
logistique. Il permet aux ingénieurs et analystes de représenter virtuellement un processus
complexe sous forme de flux de travail, en incluant divers éléments tels que les ressources, les
files d'attente, et les événements aléatoires qui influencent le fonctionnement du système.
Arena est particulièrement prisé dans les domaines industriels pour plusieurs raisons :
flexibilité et précision, modélisation graphique, analyse des performances et finalement
une optimisation et prise de décision.
En résumé, Arena est un outil puissant pour modéliser et optimiser les systèmes
industriels, ce qui en fait un choix privilégié pour la simulation de processus dans des
domaines tels que la fabrication, la logistique, et les services.
III. Objectif du projet :
L’objectif de ce projet est de déterminer la faisabilité de standardiser la création de
simulations de processus pour les ateliers de fabrication. Il s'agit de développer des bases et
des blocs élémentaires qui permettraient à un utilisateur de concevoir facilement des
simulations adaptées. Ensuite, dans les limites des capacités du logiciel Arena et des
algorithmes définis, une implémentation pratique sera proposée. Cette démarche vise à
simplifier le processus de simulation pour rendre les outils plus accessibles et à favoriser une
meilleure compréhension et optimisation des systèmes industriels.
IV. Partie 1 : Analyse et Modélisation d’un Système Simplifié
avec un Seul Poste de Contrôle
Question 1 :
1. Description du Système
Le système simulé dans cette première partie se compose uniquement d’un poste de
contrôle, nommé Poste 1. Les pièces arrivent dans le système, passent par ce poste pour un
contrôle, puis quittent le système une fois le traitement terminé. Ce modèle permet d'analyser
les performances de base du poste sans interaction avec d’autres éléments d'un atelier.
Poste 1 : C’est le seul poste de traitement dans le système. Il contrôle chaque pièce
avant que celle-ci ne quitte l’atelier.
2. Hypothèses et Paramètres du Système
Pour construire une simulation réaliste, voici les hypothèses et paramètres définis :
Horaires d’ouverture : L’atelier fonctionne 8 heures par jour.
Arrivée des pièces : Les pièces arrivent de manière aléatoire selon une distribution
triangulaire avec :
Temps moyen d’arrivée : 10 secondes.
Distribution des arrivées :
Minimum : 2 secondes
Maximum : 20 secondes
Cette distribution permet de simuler une variabilité dans les arrivées, reflétant ainsi
des conditions d’exploitation plus réalistes.
Temps de traitement au Poste 1 : Le poste prend en charge une pièce à la fois et
traite chaque pièce en suivant une distribution uniforme avec :
Minimum : 2 minutes
Maximum : 5 minutes
La figure suivante représente le premier modèle logique :
Après la compilation ce message erreur s’affiche :
Avant de passer aux solutions, il est important de comprendre pourquoi et comment
les changements dans les paramètres du système peuvent résoudre l'erreur d'excès d'entités.
Ce message d'erreur signifie que le modèle Arena a dépassé le nombre maximal
d’entités autorisées, ici fixé à 150, ce qui empêche la simulation de se poursuivre.
Dans Arena, chaque entité représente une pièce qui circule dans le système. L’erreur
se produit car le nombre d’entités présentes simultanément dans le modèle dépasse la limite
de 150. Cela peut arriver à cause de :
Flux d'arrivée des entités trop rapide : Les pièces entrent rapidement dans le
système (toutes les 2 à 20 secondes en moyenne), mais si le temps de traitement au poste est
relativement long (entre 2 et 5 minutes), les entités s'accumulent sans être traitées assez
rapidement. Cela crée un engorgement.
a) Solution 1 : Augmenter la capacité du poste 1 :
La première solution consiste à augmenter la capacité du poste 1 afin de traiter plus
rapidement les pièces qui arrivent. En augmentant le nombre de ressources disponibles (par
exemple, en ajoutant un poste de contrôle supplémentaire), on peut réduire le temps d'attente
des entités dans le système et ainsi éviter une accumulation excessive. Cela permettrait
d’assurer que le nombre d’entités ne dépasse pas la limite autorisée, en augmentant le débit de
traitement du système.
b) Solution 2 : Modifier le temps d'arrivée des pièces
La deuxième solution consiste à ajuster le temps d'arrivée des pièces dans le système.
Actuellement, les pièces arrivent toutes les 10 secondes, ce qui peut générer un flux d'entités
trop rapide pour le système à traiter efficacement. En augmentant ce délai d’arrivée et en le
passant de secondes à minutes, on peut espacer davantage les arrivées des pièces, ce qui
permettrait de réduire l'accumulation et de donner au système plus de temps pour traiter
chaque entité. Par exemple, si l'arrivée des pièces se fait toutes les 10 secondes, cela
représente 360 pièces par heure, tandis que si le temps d'arrivée est modifié pour être de 1
minute (60 secondes), on passerait à 60 pièces par heure, un flux beaucoup plus gérable pour
le poste de traitement.
Lors de la simulation sur Arena, un rapport est généré qui contient diverses données
concernant les performances du système. Ces informations doivent être interprétées pour
évaluer l'efficacité du système simulé et identifier les zones à améliorer. Voici quelques
éléments clés à interpréter dans le rapport et comment les analyser :
Nombre de pièces traitées
Temps de traitement moyen:
Temps d’attente moyen :
Temps de séjour moyen :
Taux d’utilisation =
33,12% :
Question 2 :
Pour faire augmenter la production, et comme l’arrivée des pièces se fait toujours selon une
loi triangulaire, il faudrait changer les coefficients de cette loi afin d’obtenir un grand nombre
de pièces traitées.
La loi triangulaire suivante TRIA(1,2,3) avec une unité de temps en minutes. Après une
simulation on obtient ces résultats suivants :
Nombre de pièces traitées :
Taux d’utilisation = 100% :
Question 3 :
Maintenant l’arrivée des pièces se fait selon la loi triangulaire TRIA(2,3,5) :
Temps d’attente moyen :
Taux d’utilisation =
99,67% :
Nombre de pièces traitées :
D’après une comparaison des 3 questions, cette dernière configuration est la meilleure si le
critère de choix est de produire plus de pièces puisqu’on aura 137 pièces traitées.
V. Partie 2 : Ajout d’un Contrôle Qualité au Poste
d’Aiguillage
Dans cette deuxième partie, nous introduisons un contrôle qualité au niveau du poste
d'aiguillage pour s’assurer que les pièces traitées répondent aux exigences de qualité définies.
Ce contrôle a pour objectif de trier les pièces selon leur conformité aux standards de qualité
après leur passage au poste de traitement.
Lors de cette étape, nous supposons que 10 % des pièces traitées par le poste
d’aiguillage ne répondent pas aux normes de qualité requises. En d’autres termes, 90 % des
pièces sont conformes, tandis que 10 % nécessitent une réévaluation ou sont rejetées.
Pour modéliser cette vérification qualité dans Arena, nous ajoutons un bloc “Decide”
de type “2-Way by Chance”. Ce type de bloc permet de diviser le flux de pièces en deux
branches, chacune avec un pourcentage de probabilité associé.
Configuration du Bloc “Decide” :
Nous configurons le bloc “Decide” pour qu’il fonctionne en 2-Way by Chance, avec
une probabilité de 90 % pour les pièces qui passent le contrôle qualité et de 10 % pour celles
qui ne répondent pas aux critères.
Les figures suivantes représentent le modèle logique après simulation ainsi que le
rapport :
Nombre de pièces bien usinées :
Nombre de pièces non traitées :
Nombre de pièces mal usinées :
Nombre de pièces traitées :
VI. Partie 3 : Répartition des Pièces Usinées vers Trois Postes
de Traitement
Dans cette troisième partie, nous introduisons trois nouveaux postes de traitement dans
l’atelier. Une fois les pièces usinées et contrôlées au poste d’aiguillage, elles seront orientées
vers l’un des trois postes supplémentaires selon une répartition prédéfinie. L’objectif de cette
configuration est de modéliser la manière dont les pièces, après avoir passé le contrôle qualité,
sont dispatchées pour subir des traitements spécifiques, répartissant ainsi la charge de travail
sur plusieurs postes.
Pour assurer cette distribution, nous configurons le modèle pour que les pièces soient
dirigées vers les trois postes comme suit :
25 % des pièces sont envoyées au poste 1.
25 % des pièces sont envoyées au poste 2.
50 % des pièces sont envoyées au poste 3.
Implémentation dans Arena
Ajout des Blocs “Decide” et des Postes de Traitement :
Nous insérons un bloc “Decide” configuré en “N-Way by Chance” pour gérer la
distribution des pièces vers les trois postes.
Le bloc “Decide” est paramétré pour orienter 25 % des pièces vers le poste 1, 25 %
vers le poste 2, et les 50 % restants vers le poste 3.
Ajout des Postes de Traitement :
Nous ajoutons les trois postes supplémentaires dans Arena pour simuler le traitement
spécifique de chaque pièce selon son orientation.
Chaque poste reçoit ainsi un pourcentage spécifique de pièces, ce qui permet de
modéliser la répartition et d’observer l’impact sur la capacité de chaque poste et le flux global
de production.
1. Étude du Premier Cas :
Dans ce premier cas, nous analysons la performance du système avec des temps
d'arrivée et de traitement spécifiques pour chaque poste. Cette configuration vise à observer
l'impact de la variabilité des temps de traitement sur la répartition des pièces et l'efficacité
globale de l'atelier.
Paramètres du Système :
Arrivée des Pièces :
Les pièces arrivent dans le système en moyenne toutes les 3 minutes.
La distribution des arrivées suit une loi triangulaire avec un minimum de 2 minutes
et un maximum de 5 minutes.
Poste d’Aiguillage :
Le temps de traitement au poste d’aiguillage varie entre 2 et 5 minutes selon une loi
uniforme.
Ce poste dirige les pièces vers les trois postes de traitement en suivant les
pourcentages définis (25 % vers le poste 1, 25 % vers le poste 2, et 50 % vers le poste 3).
Postes de Traitement :
Poste 1 : Le temps de traitement suit une loi exponentielle avec une moyenne de 2
minutes par pièce.
Poste 2 : Le temps de traitement varie de 2 à 5 minutes, selon une loi uniforme.
Poste 3 : Le temps de traitement varie de 2 à 10 minutes, également selon une loi
uniforme.
Afin de mesurer précisément le nombre moyen de pièces traversant le poste
d’aiguillage, un bloc Record a été ajouté après ce poste. Ce bloc permet de collecter des
données statistiques sur le flux de pièces passant par le poste d’aiguillage, fournissant ainsi un
indicateur de performance pour cette étape du processus.
Voici le modèle logique et le rapport sur Arena :
Temps de traitement
moyen :
Temps d’attente dans le système :
Temps d’attente devant chaque poste :
Taux d’utilisation de chaque poste :
21,37%
99,55%
12,37%
Nombre de pièces arrivées :
Nombre de pièces traitées :
Nombre de pièces selon le bloc record :
2. Etude du deuxième cas : Modification du Temps de Traitement au Poste
d'Aiguillage
Dans ce deuxième cas, la configuration reste identique à celle du premier cas, à
l'exception du temps de traitement du poste d’aiguillage. Ici, le temps de traitement est ajusté
pour suivre une loi exponentielle avec une moyenne de 2 minutes. Ce changement permet de
simuler un traitement plus variable et de tester la robustesse du système face à cette nouvelle
distribution.
L'objectif de ce cas est de comparer les performances du système face aux deux types
de distribution de temps de traitement au poste d’aiguillage :
En utilisant une loi exponentielle, le temps de traitement devient plus aléatoire, ce qui
pourrait potentiellement entraîner des variations plus significatives dans le flux des pièces.
Nous observerons comment ce changement affecte les files d'attente, les taux
d’occupation des postes de traitement, et le nombre moyen de pièces traversant le système.
Temps de traitement moyen :
Temps d’attente
moyen :
Temps d’attente devant chaque poste :
Taux d’utilisation de chaque poste :
26,21%
90,5%
18,41%
Nombre de pièces
arrivées :
Nombre de pièces traitées :
Nombre de pièces selon le bloc record :
3. Comparaison des Deux Configurations :
Pour évaluer les performances des deux configurations, nous avons effectué deux
comparaisons basées sur des critères clés pour le processus de production : la quantité de
pièces produites et le niveau des en-cours de production.
Comparaison sur la Quantité de Pièces Produites :
Critère de choix : La configuration qui maximise le nombre de pièces produites est
considérée comme optimale.
1ier cas :
2ième cas :
Résultat : Les données montrent que la deuxième configuration, avec un temps de
traitement au poste d’aiguillage suivant une loi exponentielle (moyenne de 2 minutes), permet
de produire une plus grande quantité de pièces par rapport à la première configuration
(141 > 134). Ce résultat est probablement dû à la variabilité introduite par la loi exponentielle,
permettant au poste d’aiguillage de traiter certaines pièces plus rapidement, ce qui augmente
le flux global.
Comparaison sur les En-Cours de Production :
Critère de choix : Dans ce cas, la configuration qui génère le moins d’en-cours de
production est préférée, car elle favorise une meilleure gestion des ressources et réduit les
files d’attente.
1ier cas :
2ième cas :
Résultat : La deuxième configuration s'avère également plus efficace en termes de
réduction des en-cours de production (0,13 < 5,57). Le caractère aléatoire du traitement
exponentiel au poste d’aiguillage permet une circulation plus fluide des pièces dans le
système, évitant ainsi l'accumulation de pièces en attente.
Conclusion des Comparaisons :
En se basant sur les deux critères — quantité de pièces produites et en-cours de
production —, la deuxième configuration s’avère la meilleure option pour optimiser la
performance du système. Cette configuration permet à la fois de maximiser la production et
de maintenir un flux de production fluide, ce qui en fait une solution équilibrée et efficace
pour le processus étudié.
VII. Partie 4 : Fabrication de Trois Types de Pièces
Dans cette partie, nous conservons la même configuration que celle du deuxième cas
étudié dans la troisième partie. Cependant, l'atelier est désormais capable de fabriquer trois
types de pièces :
25 % de pièces de type A
25 % de pièces de type B
50 % de pièces de type C
Pour répartir les types de pièces dans le système, nous utilisons le bloc ASSIGN dans
Arena pour définir les différents types de pièces. Ce bloc est essentiel pour configurer la
proportion de chaque type de pièce dans le flux de production.
Afin de répartir les pièces selon les pourcentages souhaités, nous implémentons la
fonction DISC, qui permet d'attribuer un type de pièce basé sur une probabilité cumulative :
DISC (0.25, pieceA, 0.5, pieceB, 1.0, pieceC)
Cette fonction DISC fonctionne de manière cumulative, ce qui signifie que :
Les 25 % de probabilité pour pieceA assignent ce type à la première tranche de
pièces.
Les 25 % pour pieceB s'ajoutent, totalisant 50 %, ce qui assigne le type B aux pièces
suivantes dans cette plage.
Les 50 % restants assignent pieceC à toutes les autres pièces, couvrant ainsi 100 % de
la production.
Cette configuration permet de simuler efficacement un atelier produisant des pièces de
différents types, avec des pourcentages de répartition conformes aux spécifications.
L'objectif est de s’assurer que le système peut gérer la production de plusieurs types de
pièces tout en maintenant les performances globales observées dans la configuration
précédente. Grâce à cette méthode, nous pourrons observer l'impact de la diversité des types
de pièces sur le flux de production et évaluer si l'ajout de variabilité dans les types de pièces
influence la capacité de l'atelier à atteindre les objectifs de production.
Configuration du bloc ASSIGN :
Nouvelle configuration du bloc DECIDE :
Nous avons affecté un coût horaire à chaque machine de l'atelier en utilisant le module
Resource dans Arena. Pour ce faire, nous avons renseigné les colonnes Busy/Hour et
Idle/Hour, où nous avons spécifié les coûts respectifs pour le fonctionnement et l'attente des
machines. Une fois ces valeurs ajoutées, nous avons compilé le modèle pour que ces
informations soient prises en compte dans les résultats de la simulation. Cette étape nous a
permis d'analyser les coûts d'exploitation des machines et d'optimiser la production en
fonction de ces données.
Cout total lorsque les ressources
sont occupées :
Cout total lorsque les ressources
sont en repos :
Cout total :
Nombre de pièces
arrivées :
Cout de chaque machine
occupée :
Cout de chaque machine en
repos :
Nombre de chaque type de pièces
qui ont traversé le système :
Nombre de chaque type de pièces
qui ont été traitées :
Combien de fois chaque machine a
été utilisée :
59,56%
Taux d’utilisation :
34,1%
84,37%
13,5%
VIII. Partie 5 : Gestion des Temps de Traitement Différenciés par
Type de Pièce au Poste de Contrôle
Dans cette cinquième partie, nous introduisons une variation dans le temps de
traitement des pièces au niveau du poste de contrôle, en fonction du type de pièce. En effet,
chaque type de pièce (A, B et C) a désormais un temps de traitement distinct, défini par des
distributions triangulaires spécifiques :
Les pièces de type A sont traitées toutes les 2 minutes, selon une distribution
triangulaire avec un minimum de 1 minute et un maximum de 3 minutes.
Les pièces de type B sont traitées toutes les 4 minutes, avec un minimum de 3 minutes
et un maximum de 5 minutes.
Les pièces de type C sont traitées toutes les 6 minutes, avec un minimum de 5 minutes
et un maximum de 7 minutes.
Pour implémenter cette configuration dans notre modèle Arena, nous avons ajouté
trois blocs ASSIGN avant le processus d’aiguillage. Chaque bloc ASSIGN permet de définir
le temps de traitement associé à chaque type de pièce en fonction de sa distribution
spécifique. Cette configuration améliore la précision de notre simulation en tenant compte des
variations de temps de traitement, ce qui nous aide à obtenir des résultats plus réalistes sur les
performances globales du système et les temps de passage au sein de l'atelier.
Temps d’exécution moyen de
chaque type de pièce :
IX. Conclusion :
En conclusion, ce projet de simulation avec Arena nous a permis d'étudier et de
modéliser un atelier de fabrication avec des configurations variées. Au fil des cinq étapes,
nous avons progressivement complexifié le système pour répondre à des exigences de
production plus réalistes et optimiser l’organisation des ressources.
Dans un premier temps, nous avons établi un modèle de base avec un seul poste de
contrôle et une distribution simple des arrivées et traitements des pièces. Nous avons ensuite
introduit un contrôle de qualité pour simuler le rejet de pièces, suivi par un aiguillage vers
plusieurs postes de traitement, en répartissant les pièces selon des pourcentages prédéfinis.
Les configurations ont été ajustées pour tester différentes distributions de temps de traitement
et minimiser les en-cours et les délais de production. Enfin, nous avons différencié les temps
de traitement pour chaque type de pièce afin de mieux refléter les exigences spécifiques de
chaque catégorie de produit.
Cette démarche progressive nous a permis de mieux comprendre les impacts de
chaque paramètre sur la performance de l’atelier. Nous avons observé que la configuration
avec des taux de rejet optimisés et un aiguillage ajusté améliore les flux de production et
réduit les en-cours. La flexibilité d’Arena a été essentielle pour tester ces différentes
approches, nous offrant ainsi un outil de prise de décision pour l’optimisation de l’atelier.
En somme, ce projet démontre l’efficacité de la simulation dans l’analyse et
l’optimisation des processus industriels. Il souligne également l'importance d'une planification
adaptée des ressources et des flux pour améliorer les performances et minimiser les coûts
d'exploitation.
