coursga(simulation)
DESCRIPTION
SimulationTRANSCRIPT
Simulation de processusDe la théorie à la pratique
21 Octobre 20114 Novembre 2011
Jérôme NEAU, Ingénieur & Associé NS CONSEIL
Sommaire
• Introduction• Intérêt de la simulation• Historique• Typologie• Comment ça fonctionne ?• Simulation et Recherche Opérationnelle• Projet de simulation: démarche• Dangers et limitations• Quels logiciels ?• Portfolio d’études• Démarche complète appliquée à un exemple simple• Exemple 1 : Industrialisation de nouveaux produits• Exemple 2 : Logistique• Exemple 3 : Ordonnancement• Exemple 4 : La simulation dans le secteur hospitalier
Introduction
• Les chercheurs, les ingénieurs, les militaires et bien d'autres professionnels se posent souvent la question : quel est le résultat que j'obtiens si j'exerce telle action sur un élément ?Le moyen le plus simple serait de tenter l'expérience, c'est-à-dire d'exercer l'action souhaitée sur l'élément en cause pour pouvoir observer ou mesurer le résultat. Dans de nombreux cas l'expérience est irréalisable, trop chère ou contraire à l'éthique. On a alors recours à la simulation : rechercher un élément qui réagit d'une manière semblable à celui que l'on veut étudier et qui permettra de déduire les résultats.La simulation est un outil utilisé par le chercheur, l'ingénieur, le militaire etc. pour étudier les résultats d'une action sur un élément sans réaliser l'expérience sur l'élément réel.Lorsque l'outil de simulation utilise un ordinateur on parle de simulation numérique.Source : Wikipédia
Qu’est-ce que la simulation ?
Introduction
• La simulation est le processus de concevoir un modèle d’un système réel et de mener des expériences avec ce modèle dans le but de comprendre le comportement du système et/ou évaluer différentes stratégies opératoires.Source : Winter Simulation Conference 1998
• La simulation consiste à reproduire, à échelle réduite, l’évolution dans le temps d’un système complexe dont on veut étudier le comportement dynamique.
Qu’est-ce que la simulation ?
Introduction
• On appelle modèle un élément, analogique ou numérique, dont le comportement vis-à-vis d'un phénomène est similaire à celui de l'élément à étudier. – Les sorties sont les éléments et grandeurs que l'on veut étudier. – Les entrées, paramètres et contraintes sont les éléments dont la
variation influe sur le comportement du modèle ;• on appelle entrée ceux qui sont commandés par
l'expérimentateur• paramètres ceux que l'opérateur choisit de fixer • contraintes ceux qui dépendent d'éléments extérieurs.
• On appelle simulation l'ensemble constitué par un modèle, les entrées, paramètres et contraintes, et les résultats obtenus.
Qu’est-ce qu’un modèle ?
ModèleModèle
Paramètres
Contraintes
Entrées Sorties
Introduction
• Contenu du modèle :– Série d’opérations de production reliées entre elles par des
convoyeurs. Les machines réalisant les opérations subissent des pannes qui requièrent l’intervention d’une équipe de maintenance
– Entrées : nombre de personnes dans l’équipe de maintenance– Paramètres : temps de cycle, temps moyen de bon
fonctionnement, temps de réparation, etc.– Contraintes : flux d’arrivée des pièces dans l’atelier– Sorties : statistiques d’utilisation des moyens et ressources,
nombre de pièces produites par l’atelier
• Démonstration rapide
Exemple : maintenance dans un atelier de production
Intérêt de la simulation
La simulation dynamique permet de– Formaliser le fonctionnement d’un système– Evaluer les performances– Analyser le fonctionnement global– Dimensionner les composantes du système– Valider les modes de fonctionnement– Comparer différentes solutions et hypothèses
Þ Evaluer les conséquences d’une décision avant qu’elle soit prise, éventuellement avant que le système existe.
Þ Par expérimentation sur un modèle, on teste différents scénarios pour les comparer ou effectuer des prédictions.
La simulation dynamique est un outil d’aide à la décision
Intérêt de la simulation
La simulation dynamique permet également de– Communiquer
• Réalité virtuelle• Modèles faciles à comprendre et donc à utiliser comme
moyen de communication• Outil de dialogue et de formalisation
– Former• Exemples les plus connus: simulateurs de vol, de combat...• Dès qu’il existe un risque (intégrité physique, financier, etc.),
la simulation peut être utilisée dans un but d’apprentissage par le test de raisonnements, attitudes, décisions et l’étude de leurs conséquences (apprentissage par l’erreur).
La recherche de la performance au quotidien appelle des solutions de plus en plus complexesÞ La simulation permet d’identifier et de prioriser les actions à mener
L’optimisation activité par activité des processus ne garantit pas la performance globaleÞ La simulation permet d’avoir une approche globale et multi-métiers (processus, fiabilité, ordonnancement, logistique, etc.)
Le lancement d’investissements requière des indicateurs fiables de retour sur investissement afin de minimiser les risquesÞ La simulation repose sur une approche scientifique qui fournit des résultats très proches de la réalité à condition de prendre certaines précautions
Intérêt de la simulation
Cadre : implantation de nouvelles lignes d’assemblageObjectif : - vérifier le dimensionnement des lignes (valider les temps de cycle, les temps de changements entre référence, les fréquentiels) - optimiser le nombre de chariots dans la boucle
Industrie – Ligne d’assemblage GMP
92.5
93
93.5
94
94.5
95
95.5
96
96.5
97
19 20 21 22 23 24 25Nbre de Chariots
RO
(%
)
Rendement en fonction
du nombre de chariots
Quelques exemples
Cadre : conception d’un nouvel atelier de pressage et séchage d’accessoires de tuilerieObjectif : - déterminer les vitesses optimales de déplacement des moyens de manutention
- optimiser le nombre de supports par type de produit- optimiser le nombre de chambres de séchage
- définir et tester les règles de pilotage du système
Industrie – Atelier de production
Source: CTTB
Quelques exemples
Cadre : concours pour la construction d’un nouveau port de conteneurs à BarceloneObjectif : - définir l’implantation du futur site (longueur de quai, surface de stockage, etc.)
- dimensionner le nombre optimal de moyens (grues, porte-conteneurs, transbordeurs, etc.)
Portuaire – Logistique conteneurs
Quelques exemples
Cadre : réorganisation du centre de tri multimodal de RoissyObjectif : - valider / optimiser les plans de tri et de transport à l’occasion du changement de réseau
- identifier les points bloquant de l’installation- spécifier les besoins en personnel et les vacations à mettre en place
Postal – Chronopost Roissy
Dépose
Convoyage
Vidage
Tri
Réception flux routier Expédition flux routier
Chgt
Convoyage Prélèvement
Mise en pinon / conteneur
Mise en roll / palette
Dépose
Convoyage
Vidage
Réception flux aérien Expédition flux aérien
Chgt
Quelques exemples
Attente caristes
Cabine
Stock de vides
Sto
ck E
cop
lis
Quai D
ép
art
TG1Manu
Tri GFTOP 4
TOP 3
TOP 2
TOP 1
Vestiaire Vidéo codage
POD 3
MTE Tri Manu Enc
Hom
og
én
éisa
tionQ
uai a
rriv
ée
Stock de vides
Stock Tem’Post(produit à
date)
POD 1 POD 2
TG
3M
anu
Tem’Post
TP
F 2
TP
F 3
TP
F 1
Chantier Autonome 1
TG3TG1
TG
3M
anu
Tem’Post
TP
F 2
TP
F 3
TP
F 1
Chantier Autonome 2
TG3TG1
TG
3M
anu
Tem’Post
TP
F 2
TP
F 3
TP
F 1
Chantier Autonome 3
TG3TG1
MTE
Annea
u de tri
Attente caristes
Cabine
Stock de vides
Sto
ck E
cop
lis
Quai D
ép
art
TG1Manu
Tri GFTOP 4
TOP 3
TOP 2
TOP 1
Vestiaire Vidéo codage
POD 3
MTE Tri Manu EncMTE Tri Manu Enc
Hom
og
én
éisa
tionQ
uai a
rriv
ée
Stock de vides
Stock Tem’Post(produit à
date)
POD 1 POD 2
TG
3M
anu
Tem’Post
TP
F 2
TP
F 3
TP
F 1
Chantier Autonome 1
TG3TG1
TG
3M
anu
Tem’Post
TP
F 2
TP
F 3
TP
F 1
Chantier Autonome 1
TG3TG1
TG
3M
anu
Tem’Post
TP
F 2
TP
F 3
TP
F 1
Chantier Autonome 2
TG3TG1
TG
3M
anu
Tem’Post
TP
F 2
TP
F 3
TP
F 1
Chantier Autonome 3
TG3TG1
TG
3M
anu
Tem’Post
TP
F 2
TP
F 3
TP
F 1
Chantier Autonome 3
TG3TG1
MTE
Annea
u de tri
Cadre : aide à la conception du centre de tri postal de Paris Nord pour SomepostObjectif : - valider / optimiser le dimensionnement des installations
- fournir une animation 3D comme support commercial- faire des recommandations organisationnelles et des préconisations demodification des installations
Postal – La Poste Paris Nord
Quelques exemples
Historique
• La simulation numérique est apparue en même temps que l'informatique pour les besoins du projet Manhattan pendant la Seconde Guerre mondiale, afin de modéliser le processus de détonation nucléaire. Depuis, elle a évolué parallèlement à l'informatique.
• Parmi les précurseurs des logiciels de simulation actuels, on peut citer GSP (fin années 50), GPSS (fin années 50), GASP (début années 60), SLAM (fin année 70)
• Les principales évolutions au cours des dernières années portent sur les aspects graphiques, la puissance de calcul et l’intégration de la simulation au sein d’autres applications
Près de 65 ans d’histoire
Typologie
Il existe plusieurs façons de classifier les simulations• Statique ou dynamique
Notion d’évolution au cours du temps• Stochastique ou déterministe
Notion d’aléatoire• A événements discrets ou continue
Equations différentielles vs. logique événementielle
Exemples d’outils et méthodes :• Runge-Kutta résolution d’équations différentielles• Monte-Carlo calcul de valeurs numériques par des procédés
aléatoires
L’analyse par simulation des flux et processus requière généralement des simulations dynamiques et stochastiques, discrètes ou / et continues selon les processus considérés
Nombreuses méthodes de simulation
Comment ça fonctionne ?
Les moteurs de simulation à événements discrets reposent sur plusieurs concepts :
• Gestion d’échéancier• Gestion des files d’attente• Génération de nombres aléatoires• Edition de rapports statistiques
Focus sur la simulation à événements discrets
Comment ça fonctionne ?
Un moteur de simulation à événements discrets gère un échéancier dans lequel il écrit à l’avance les événements à venir.Différents événement gérés : cycles, pannes, réglages, pauses, etc.Exemple:
• Machine avec un temps de cycle de 30 minutes• Panne de 5 minutes toutes les 1 heures 40 minutes de bon
fonctionnement• Pause de ¼ d’heure toutes les 2 ½ heures
Gestion d’échéancier
0.0
Début d
e cy
cle
30.0
Fin d
e cy
cleD
ébut d
e cy
cle
60Fin
de cy
cleD
ébut d
e cy
cle90
Fin d
e cy
cleD
ébut d
e cy
cle
125.0
Fin d
e cy
cle
100.0
Début d
e
panne
105.0
Fin d
e p
anne
135.0
Début d
e p
ause
150.0
Fin d
e p
ause
Début d
e cy
cle
170.0
Fin d
e cy
cleD
ébut d
e cy
cle
200.0
Fin d
e cy
cle
Comment ça fonctionne ?
Un moteur de simulation à événements discrets gère les phénomènes de files d’attente : saturations et attentes.Exemple : quand une machine tombe en panne, les effets sont les suivants
• En amont, les stocks se remplissent et les moyens finissent par saturer, c’est-à-dire par être dans l’incapacité d’évacuer leur production
• En aval, les stocks se vident et les moyens se mettent en attente
Les moteurs de simulation gèrent généralement ce fonctionnement automatiquement
Gestion des files d’attente
Inactive
Disponible
Occupée
Bloquée
Réglage
Réparation
Att. ress. cycle
Att. ress. réglage
Att. Ress. réparation
Comment ça fonctionne ?
Un moteur de simulation à événements discrets est capable de générer des « nombres aléatoires »Ces nombres sont notamment utilisés pour modéliser les temps inter-pannes et les durées de réparation, les taux de rebut, etc.La génération de ces nombres se fait par un algorithme ou une série mathématique qui produit une séquence de nombres présentant certaines propriétés du hasard. Il s’agit donc de nombres pseudo-aléatoires
Toujours un sujet de recherche ; cf. travaux de Pierre L’Ecuyer, Université de Québec
Avantage : l’aléatoire est reproductible ; les résultats de deux simulations sont comparables même si le modèle est stochastiqueInconvénient : il faut respecter un certain nombre de règles de modélisation et d’expérimentation ; cf. dangers et limitations
Génération de nombres aléatoires
Comment ça fonctionne ?
Un moteur de simulation édite des rapports statistiques• Etat d’occupation des différents moyens
Edition de rapports statistiques
0 10 20 30 40 50 60 70 80 90 100
ZoneA.Operation15
ZoneB.Operation25
ZoneB.Operation45
ZoneA.Operation55
ZoneB.Operation60
ZoneA.Operation75
%Disp.
%Cycle - Occ.
%Cycle - Remp.
%Cycle - Vidange
%Arrêté - Bloqué
%Attente - Cycle
%Arrêté - réglage
%Attente - réglage
%Arrêté - panne
%Attente de répar.
• Evolution des niveaux de stock et statistiques classiques (taille mini, maxi , moyenne, temps moyen de séjour, etc.)
• Evolution et statistiques concernant les ressources (occupation par activité, par individu, nombre d’opérations réalisées, etc.)
Simulation et recherche opérationnelle
Il existe d’autres méthodes de modélisation de flux et de processus que la simulation. La recherche opérationnelle en fournit de nombreuses : réseau de Pétri, chaînes de Markov, etc.Toutefois la compétition la plus rude en entreprise vient d’un outil beaucoup plus commercial… MS Excel !Tous ces outils reposent sur des approximations qui deviennent rapidement rédhibitoires quand le système à modéliser devient complexe.
Compétition ou coopération ?
M1 M2
90% 80%
StockCapacité du stock Productivité
0 72%Infinie 80%
5 ??
La modélisation est souvent une brique dans une démarche plus large telle que l’optimisation ou l’ordonnancement. Là encore la recherche opérationnelle fournit de nombreuses méthodes. Sur ce sujet, la simulation et la recherche opérationnelle coopèrent souvent.
Projet de simulationDémarche générale : par itérations
• Transfert• Interprétation
• Abstraction• Modélisation
Expérimentation
Systèmeréel
Systèmeréel
Modèle de simulation
Modèle de simulation
RésultatsRésultatsDéductions sur le système
réel
Déductions sur le système
réel
Retours
Projet de simulationQuand l’utiliser ? En phase de conception ou pour améliorer
La simulation en phase de conception devrait intervenir au plus tôt dans un projet. En pratique, elle intervient parfois trop tard et pour valider des investissements déjà lancés. La simulation est aussi souvent utilisée pour l’amélioration de systèmes existant.
CONCEPTION
€
Temps
DECLINMATURITE
CROISSANCE
Cycle de vie
Projet de simulationDémarche générale
40%
40%
20%
Modélisationconception et réalisation
Exploitation du modèle• Simulations• analyse des résultats
Vérification & Validationpar expert outil et groupe projet
Présentationdes résultats
Edition du dossierde simulation
Capitalisation
Recueil des données• modes de fonctionnement• fiabilité, PAD, fréquentiels...
Validation par les métiers
Cahier des charges• hypothèses• objectifs• responsables
Validation par le groupe projet
Temps passé
La tentation est souvent grande de se concentrer sur la réalisation du modèle alors que ce sont les étapes en amont et aval qui constituent la véritable valeur ajoutée de la simulation.
Cahier des chargesIdentifier les objectifs et le périmètre de l’étude, les différentes solutions à étudier, les indicateurs de performance à utiliser, etc.Le CdC est un contrat entre le demandeur et le réalisateur.Cette phase conditionne tout le reste de l’étude.Sans cela, les conclusions de l’étude pourront toujours être réfutées et l’étude risque de traîner en longueur.
Recueil des donnéesCollecter l’ensemble des données nécessaires à la réalisation du modèle. Les seules inconnues restantes doivent être les paramètres à optimiser.Cette étape est souvent la plus fastidieuse de l’étude et peut nécessiter un travail de terrain.Il peut être souhaitable de conclure à l’inutilité d’une simulation à l’issue du CdC ou du recueil de données.
Etapes d’un projet
Projet de simulation
Conception et réalisation du modèleFaire un modèle conceptuel du système (suivant le type de question posée, on peut avoir des modèles différents d’un même atelier).Traduire le modèle conceptuel dans le langage propre au logiciel utiliséVérification par un expert du logiciel («déboggage»)Validation par le simulateur (tests)Validation du fonctionnement par l’équipe projet et/ou l’exploitant (conformité avec CdC et données)
Exploitation du modèleSimuler les différents scénarios définis dans le CdC afin de récolter toutes les informations chiffrées utiles (plans d’expériences).Analyser les résultats connaissant le modèle, les hypothèses et le système réel.En déduire éventuellement de nouveaux scénarios à tester. Le simulateur doit valider les résultats de ses modèles soit sur des cas simplifiés, soit sur le terrain (si possible).
Etapes d’un projet
Projet de simulation
Conclusion de l’étude de simulationPrésenter les résultats en rappelant les hypothèses de modélisationRéaliser le rapport de fin de simulation.Assurer la transmission du modèle.
CapitalisationLe «dossier simulation» doit être constitué tout au long de l’étude. Or les hypothèses et données évoluent au cours du temps. difficulté à interpréter et présenter les résultats quelle est la part de ce qui a été réellement utile?En déduire éventuellement de nouveaux scénarios à tester. La capitalisation ne doit pas s’arrêter dès que le rapport de simulation est rendu. Il faudrait faire un bilan à l’issue du projet et de sa réalisation...
Etapes d’un projet
Projet de simulation
Points non pris en compte dans CdC
Evolutions par rapport au CdC
Ecarts dus à la modélisation
Comparer simulé % réel
Comparer simulé % réel
Identifier origine des différences
Identifier origine des différences AnalyserAnalyser
Identifier et quantifier aspects impossibles à
modéliserAméliorer adéquation
entre conception simulée et réalité
Capitaliser pour futures simulations
Capitaliser pour futures simulations
Dangers et limitations
DonnéesSans données, la simulation n’a pas de raison d’être.Avec des données inexactes, l’utilisation de la simulation peut se révéler catastrophique…
Nombres aléatoiresTout comme une journée ne ressemble à aucune autre, une même simulation tirée avec des nombres aléatoires différents fournira des résultats différents. Il faut utiliser des techniques statistiques telles que les intervalles de confiance et ne pas raisonner sur des moyennes.
Données et nombres aléatoires
SimulationSimulationdonnées d’entréeincertaines
quelle certitude sur les
résultats?pannes et temps
de cycle aléatoires
Dangers et limitations
Ne pas tenir compte de la montée en régime de la simulation biaise les résultats... particulièrement si la durée de simulation est courte.Solutions : simuler sur une durée très longue pour minimiser l’effet de la mise en régime et / ou réinitialiser les statistiques après une période de mise en régime.
Conditions expérimentales
Période de mise en régime Régime stabilisé
Début de la simulation
RàZ des statistiques
Fin de la simulation
TEMPS
INDICATEUR
Moyenne biaisée par la mise en régime
Moyenne non biaisée
Période de mise en régime Régime stabilisé
Début de la simulation
RàZ des statistiques
Fin de la simulation
TEMPS
INDICATEUR
Moyenne biaisée par la mise en régime
Moyenne non biaisée
Dangers et limitations
Le plus gros danger en modélisation en général et en simulation en particulier est de vouloir représenter la réalité le plus fidèlement possible. La véritable expertise de l’utilisateur est de savoir faire les bonnes hypothèses qui simplifient le travail de modélisation tout en garantissant des résultats fiables et exploitables.La simulation numérique ne doit évidemment pas être confondue avec le réel. Ce n'est pas parce que l'ordinateur dit que cela va se passer comme cela que cela se comporte effectivement comme tel dans la réalité (ex: simulations numériques des prévisions météorologiques). Si le modèle est erroné, les résultats calculés sont alors faux et peuvent amener à des prises de décision elles-mêmes erronées.L'analyse critique des résultats, la vérification de la validité des modèles théoriques utilisés, la confrontation des résultats prédits à l'expérience ... sont autant de réflexes d'ingénieur à avoir et qui font alors partie même de l'éthique du professionnel utilisateur.
Les plus gros dangers
Quels logiciels ?Une multitude d’acteurs
Logiciel Editeur@Risk Palisade CorporationArena Rockwell AutomationAnyLogic XJ TechnologiesAutomod Brooks – PRI AutomationCrystal Ball DecisioneeringEmPlant Tecnomatix (Siemens)Enterprise Dynamics InControlExtend Imagine ThatFlexsim Flexsim Software ProductMicrosaint Sharp Micro Analysis & DesignPromodel Promodel CorporationSimul8 Simul8 CorporationQuest Delmia (Dassault Systems)Vensim Ventana SystemsWitnessLanner
Cadre : conception d’un nouvel atelier de fabrication de durites en caoutchoucObjectif : - déterminer le nombre optimal et le type de palettes
- concevoir et optimiser l’algorithme de lancement des ordres de fabrication- valider la conception du système (vitesse d’extrusion, vitesse de convoyage, nombre d’autoclaves, etc.)
Industrie – Atelier de production
Quelques exemples
Oper
Clamp
Orienteur 1
Conv1
Conv2
MPM
Conv3
Etiqueteuse
Conv4
CP43
Conv6
Conv7
Vision
Conv8Conv9
PMJ
Rebus
PortillonTélescopique 1
Conv10Conv11Conv12
Conv13
Four
Refroidisseur
FIFO
Conv16 Conv17
Testeur
Réparation
RepriseRebus
PortillonTélescopique 2
Conv18
CartesNues
CartesSMI
Déclamp
1
2
Conv5
Conv14
Conv15
S2 S1
Orienteur 2
Orienteur 3
Orienteur 4
ReglageChgt de
ref
ReglageChgt de
ref
ReglageChgt de
ref
ReglageChgt de
ref
ReglageChgt de
ref
Cadre : les lignes d’assemblage n’atteignent pas le TRS souhaité et les actions engagées sur le terrain ne semblent pas toujours donner les résultats escomptésObjectif : - apporter une vision complète des lignes et en étudier leur comportement dynamique - définir des voies d’amélioration
- évaluer les gains obtenus
Industrie – Ligne d’assemblage
Quelques exemples
Cadre : atelier de fonderie d’aluminium pour la fabrication de moteurs haut de gamme
investissement pour réorganisationObjectif : - évaluer la performance de l’atelier
- définir des voies d’amélioration- évaluer l’impact de l’ajout de moyens supplémentaires (postes de nettoyage, presses, transbordeurs, etc.)
Industrie – Atelier de fabrication de moteurs
Quelques exemples
Logistique – Ligne de préparation de commande de timbresCadre : Amélioration de la productivité d’un centre de préparation de commandeObjectif : Valider différentes hypothèses et règles de gestion
• modifier le circuit de préparation en créant un rebouclage• évaluer la performance de différents modes d’arrêts des bacs aux gares• évaluer différentes répartitions de produits dans les gares
Quelques exemples
Cadre : restructuration du site : augmentation de 60% de la capacité de production et
création d’un magasin de stockage de 40000 m²Objectif : - dimensionner le futur magasin - optimiser et sécuriser les flux du site (réduire les temps de séjour des camions sur site, minimiser les croisements de flux, dimensionner les moyens à mettre en place pour créer une entrée unique)
Zone de pesée entrée / sortie
Zone de pesée entrée / sortie
Industrie – Placo Vaujours
Quelques exemples
Cadre : logistique produits unserviceable / serviceable dans une unité de maintenance aéronautique en conceptionObjectif : - définir les modes de transfert interne (principe de collecte/distribution, identification des zones à
desservir)- dimensionner les zones de stockage containers- dimensionner les ressources (humaines etmatérielles)- tester l’ajout d’une zone de réception / expédition- déterminer les fréquences et nombre de navettes
Industrie – Air France Industries
Bureaux
Magasincentral
Bureaux
Magasincentral
Process
Stock rapproché: pièces de rechange spécifiques
Racks
Process
Stock rapproché: pièces de rechange spécifiques
Racks
Allée principale de circulation
Quai de réception / expédition
Allée de circulation à sens unique
Autre quai de réception /
expédition possible
Quelques exemples
Cadre : augmentation de la productivité de la ligne d’assemblageregroupement de deux lignes de production
Objectif : évaluer différents scénarii de réorganisation : modifier les gammes ajouter des postes équilibrer les charges dimensionner les équipes dimensionner les stocks etc.
Manufacturier – Caterpillar
Shipping
Start
Pain
tin
g
Quelques exemples
Cadre : logistique bagage à Roissy CdG 2Objectif : évaluer les temps de déplacement des caristes sur pistes en fonction des mouvements d’avion
produire des abaques donnant les courbes d’évolution dans la journée des temps de déplacement des caristes pour tous les trajets possibles
Aéroportuaire – Air France Roissy
Fichier des arrivées d’avions
Fichier des départs d’avions
Temps de parcours
Modèle de simulation
Génération des moyens
de manutention
Interface Excel de paramétrage
Quelques exemples
TBMTBEE
TBEF
TBSEBS
3 déposes
4 déposes
3 déposes
Locaux C
Locaux F1 & F2
TBF
6 déposes
TBCLocaux E
Livraisons
Livraisons Livraisons
Livraisons
Livraisons
Cadre : systèmes de tri des bagages à Roissy CdG 2Objectif : dimensionner les besoins en main d’œuvre dans les différents centres de tri bagages
estimer les flux entre les différents centres de tritester les différentes phases de mise en route des nouvelles installationsévaluer la performance et la robustesse des plans de tri
Aéroportuaire – Air France Roissy
Rapatriement
Dépose
Tri
Mise en conteneur
Livraison
Enregistrement
Stockage
Livraison dernière minute
Avions en apportTerminauxdu CdG2
Avions en emport
Gestion des ratés
Quelques exemples
Cadre : implantation pour un entrepôt frigorifiqueObjectif : choisir parmi deux schéma d’implantations
minimiser les distances palette et le temps total de traitement d’une vague de réception / expédition
Grande distribution – Entrepôt frigorifique
1 5
6
3 1
3 5
3 3 3 3 3 3 3 5
5 3 1
5 2 2 2 2 2 2 2
8
3
1 / 6 1 71 6 6 1
2
1500 m² 700 m² 8000 m²
50 x 30 23 x 30 105 x 76
T° ambiante 14 / + 16 +2 / +4 3
3 quais 3 quais 13+23 quais 6
2000 m² 1500 m² 4200 m² 1570 m²
35 x 57 26 x 57 T° ambiante
0 / +2 +2 / +4 +8 / +12 4 quais 6
4 quais 3 quais 19 quais
Boulangerie
Plantes
PLS
Boucherie
Poissons
F&L
Palettes
1 5
6
3 1
3 5
3 3 3 3 3 3 3 5
5 3 1
5 2 2 2 2 2 2 2
8
3
1 / 6 1 71 6 6 1
2
1500 m² 700 m² 8000 m²
50 x 30 23 x 30 105 x 76
T° ambiante 14 / + 16 +2 / +4 3
3 quais 3 quais 13+23 quais 6
2000 m² 1500 m² 4200 m² 1570 m²
35 x 57 26 x 57 T° ambiante
0 / +2 +2 / +4 +8 / +12 4 quais 6
4 quais 3 quais 19 quais
Boulangerie
Plantes
PLS
Boucherie
Poissons
F&L
Palettes
Boulangerie
Plantes
PLS BoucheriePoissons
F&L
Palettes
Boulangerie
Plantes
PLS BoucheriePoissons
F&L
Palettes
Quelques exemples
Cadre : nouveau centre de distribution de textiles (250 magasins, 60000 références)Objectif : - tester la capacité de la plate-forme à traiter les flux demandés
- apporter une solution avant de découvrir les problèmes sur le terrain- fournir un outil d’exploitation au quotidien
Grande distribution – Plateforme Vert St Denis
Vêtements suspendus
Vêtements plats
Cross-docking
(JàT)Flux stocké
Picking détail
Préparation commandes
Trieur
Autresvêtements
Tri - Expédition
Quelques exemples
Cadre : Mettre en place un outil de comparaison d’implantations / d’organisationObjectif : - Aider l’utilisateur à choisir la meilleure configuration de son entrepôt selon de nombreux critères - Dimensionner les équipes nécessaires
Logistique – Entrepôt
0
10
20
30
40
50
60
70
80
07:00
:00
08:00
:00
09:00
:00
10:00
:00
11:00
:00
12:00
:00
13:00
:00
14:00
:00
15:00
:00
16:00
:00
17:00
:00
Nb Pal Réception
Nb Pal Traités
Nb Pal Exped
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
0
1
2
3
4
5
6
7
8
9
10
Taux d'occupation
Nb Pal Traités
Quelques exemples
Cadre : Mettre en place un outil de comparaison d’implantations / d’organisationObjectif : - Aider l’utilisateur à choisir la meilleure configuration de son magasin selon de nombreux critères - Dimensionner les équipes nécessaires
Logistique – Magasin
Suivi d'une Zone de Preparation/tri
0
2
4
6
8
10
12
14
20:30:00 21:00:00 21:30:00 22:00:00 22:30:00 23:00:00 23:30:00 00:00:00 00:30:00 01:00:00
Nb
re d
'op
érat
ion
s
0
1
2
3
4
5
Nb
re d
e P
alet
tes
Max
Gantt de suivi des tâches effectuées
Quelques exemples
Méthodologie appliquée à un exemple
• Présentation d’une ligne « simple » avec « visite virtuelle » de la ligne
• Formalisation du processus• Définition du cahier des charges• Recueil des données• Modélisation• Vérifications• Validation• Expérimentations• Résultats• Présentation des résultats• Capitalisation
Visite Virtuelle
Départ Cycle
Contrôleur
Retouche
OK
Reprise au
prochain cycle
Sortie
Formalisation du processus
• A l’aide d’un schéma MS visio par exemple :
SCIE
Tige
Poste de Découpe
Convoyeur Poste de Protection
Zone d’attente Contrôle
Zone d’attente Retouche
ContrôleDurcisseur
Chargement
Déchargement
Rectifieuse 1
Rectifieuse 2
StockOutils
Convoyeur de retour des outils
Nettoyage Sortie
Stock de Soupapes
Cahier des charges
• Cadre de l’étude :– Depuis l’arrivée des tiges dans le stock de tige jusqu’à la sortie
des soupapes de la machine de nettoyage• Horizon de simulation :
– 1 mois , soit 168 heures de production environ• Objectif :
– Augmenter la production de soupapes• Hypothèses de simulation :
– L’opérateur au poste de contrôle est considéré comme toujours disponible
– Les perturbations du système sont toutes celles qui sont liées uniquement au fonctionnement même de la ligne :
• Pannes• Réglages• Etc..
Recueil des données
• Parcourir le système et poser toutes les questions possibles
SCIE
Tige
Poste de Découpe
Convoyeur Poste de Protection
Zone d’attente Contrôle
Zone d’attente Retouche
ContrôleDurcisseur
Chargement
Déchargement
Rectifieuse 1
Rectifieuse 2
StockOutils
Convoyeur de retour des outils
Nettoyage Sortie
Stock de Soupapes
Comment arrivent les tiges ?
-> Programme de fabrication ?
-> Fréquence et taille de lot ?
-> Profil horaire ?
->…
-> 1 seul type de tige
-> Fréquence fixe et taille de lot fixe
3 tiges toutes les 10 minutes
Recueil des données
• Parcourir le système et poser toutes les questions possibles
SCIE
Tige
Poste de Découpe
Convoyeur Poste de Protection
Zone d’attente Contrôle
Zone d’attente Retouche
ContrôleDurcisseur
Chargement
Déchargement
Rectifieuse 1
Rectifieuse 2
StockOutils
Convoyeur de retour des outils
Nettoyage Sortie
Stock de Soupapes
Stock de tiges :
-> Taille du stock-> Mode de
gestion ?FIFO, LIFO, …
-> Stock FIFO De 10 places
Recueil des données
• Parcourir le système et poser toutes les questions possibles
SCIE
Tige
Poste de Découpe
Convoyeur Poste de Protection
Zone d’attente Contrôle
Zone d’attente Retouche
ContrôleDurcisseur
Chargement
Déchargement
Rectifieuse 1
Rectifieuse 2
StockOutils
Convoyeur de retour des outils
Nettoyage Sortie
Stock de Soupapes
Poste de découpe
-> Temps de cycle-> Pannes ?-> Réglages ?-> Opérateur
pour intervention ?
-> 6 minutes pour l’ensemble de la découpe-> Lame 1 : Réglage ttes les 40 opérations-> Lame 2 : Réglage ttes les 30 opérations-> Temps de réglage : entre 10 et 15 minutes
(uniforme)-> MTBF : en moyenne 100 minutes (Négative
Exponentielle)-> MTTR : En général 25 minutes, des fois seulement
10 et parfois 30-> Opérateur pour le cycle de la machine, la
réparation et le réglage
Recueil des données
• Parcourir le système et poser toutes les questions possibles
SCIE
Tige
Poste de Découpe
Convoyeur Poste de Protection
Zone d’attente Contrôle
Zone d’attente Retouche
ContrôleDurcisseur
Chargement
Déchargement
Rectifieuse 1
Rectifieuse 2
StockOutils
Convoyeur de retour des outils
Nettoyage Sortie
Stock de Soupapes
Type de convoyeur ?
-> Avec/sans accumulation
-> Vitesse, Longueur, limitations techniques ?
-> Convoyeur à bande : donc sans accumulation
-> Longueur : 2m-> Vitesse : 0.4 m/min-> Pas de contrainte techniques
Recueil des données
• Parcourir le système et poser toutes les questions possibles
SCIE
Tige
Poste de Découpe
Convoyeur Poste de Protection
Zone d’attente Contrôle
Zone d’attente Retouche
ContrôleDurcisseur
Chargement
Déchargement
Rectifieuse 1
Rectifieuse 2
StockOutils
Convoyeur de retour des outils
Nettoyage Sortie
Stock de Soupapes
Poste de protection
-> Règle d’approvisionnement : priorité entre le convoyeur et le stock de retouche ? Autre(s) règle(s) ?
-> Caratéristiques du poste-> Temps de cycle : 60 minutes pour les 6
pièces-> 5 min de réglage tous les 10 cycles-> Règles d’approvisionnement1/ Priorité de la zone d’attente par rapport
au convoyeur2/ On ne prend pas les tiges du stock si il n’y
a pas de tiges sur le convoyeur3/ On prend en priorité les tiges ayant subit
le plus de retouche dans le stock d’attente retouche
Recueil des données
• Parcourir le système et poser toutes les questions possibles
SCIE
Tige
Poste de Découpe
Convoyeur Poste de Protection
Zone d’attente Contrôle
Zone d’attente Retouche
ContrôleDurcisseur
Chargement
Déchargement
Rectifieuse 1
Rectifieuse 2
StockOutils
Convoyeur de retour des outils
Nettoyage Sortie
Stock de Soupapes
Zones d’Attente-> taille et gestionContrôle-> Proportion de retouches ?->Caractéristiques du poste
-> Zone Attente Contrôle : FIFO, capacité : 1 tige
-> Zone Attente Retouche : gérée la règle précédente, capacité : 10 tiges
-> 20% de pièces rejetées au contrôle-> Temps de cycle : 20 min-> Réglage d’une minute par pièce
Recueil des données
• Parcourir le système et poser toutes les questions possibles
SCIE
Tige
Poste de Découpe
Convoyeur Poste de Protection
Zone d’attente Contrôle
Zone d’attente Retouche
ContrôleDurcisseur
Chargement
Déchargement
Rectifieuse 1
Rectifieuse 2
StockOutils
Convoyeur de retour des outils
Nettoyage Sortie
Stock de Soupapes
Durcisseur-> mode de fonctionnement-> caractéristiques
techniques
-> Capacité de 10 pièces-> Temps de cuisson minimum : 60
minutes-> Convoyeur avec accumulation
Recueil des données
• Parcourir le système et poser toutes les questions possibles
SCIE
Tige
Poste de Découpe
Convoyeur Poste de Protection
Zone d’attente Contrôle
Zone d’attente Retouche
ContrôleDurcisseur
Chargement
Déchargement
Rectifieuse 1
Rectifieuse 2
StockOutils
Convoyeur de retour des outils
Nettoyage Sortie
Stock de Soupapes
Les outillages-> gestion particulière des
outils ?-> quantité, disponibilité immédiate, etc…
-> 10 outils disponibles-> Boucle de retour : 3m ; 0.5m/min-> Pas de maintenance (hypothèse),
disponible dès le démarrage
Recueil des données
• Parcourir le système et poser toutes les questions possibles
SCIE
Tige
Poste de Découpe
Convoyeur Poste de Protection
Zone d’attente Contrôle
Zone d’attente Retouche
ContrôleDurcisseur
Chargement
Déchargement
Rectifieuse 1
Rectifieuse 2
StockOutils
Convoyeur de retour des outils
Nettoyage Sortie
Stock de Soupapes
Les poste de chargement et déchargement
-> caractéristiques ?
-> 4 min de tps de cycle-> Ni panne, ni réglage, ni opérateur
Recueil des données
• Parcourir le système et poser toutes les questions possibles
SCIE
Tige
Poste de Découpe
Convoyeur Poste de Protection
Zone d’attente Contrôle
Zone d’attente Retouche
ContrôleDurcisseur
Chargement
Déchargement
Rectifieuse 1
Rectifieuse 2
StockOutils
Convoyeur de retour des outils
Nettoyage Sortie
Stock de Soupapes
Les rectifieuses
-> caractéristiques ?-> règle de gestion entre les 2
machines
-> Rectifieuse 1 : Soupape de de type 1 , tcy = 35 min-> Rectifieuse 2 : Soupape de de type 2 , tcy = 40 min-> MTBF : Normal , Moyenne=75 min, Ecart-type = 15min -> MTTR : 45 minutes selon négative exponentielle-> L’opérateur intervenant sur la scie intervient également ici-> Alterner si possible entre les 2 rectifieuses
Recueil des données
• Parcourir le système et poser toutes les questions possibles
SCIE
Tige
Poste de Découpe
Convoyeur Poste de Protection
Zone d’attente Contrôle
Zone d’attente Retouche
ContrôleDurcisseur
Chargement
Déchargement
Rectifieuse 1
Rectifieuse 2
StockOutils
Convoyeur de retour des outils
Nettoyage Sortie
Stock de Soupapes
Les stocks de soupapes
-> capacité ? Gestion ?
-> Capacité de 10 soupapes chacun-> La machine de nettoyage prend du stock de
soupape le plus plein
Recueil des données
• Parcourir le système et poser toutes les questions possibles
SCIE
Tige
Poste de Découpe
Convoyeur Poste de Protection
Zone d’attente Contrôle
Zone d’attente Retouche
ContrôleDurcisseur
Chargement
Déchargement
Rectifieuse 1
Rectifieuse 2
StockOutils
Convoyeur de retour des outils
Nettoyage Sortie
Stock de Soupapes
Le nettoyage
-> caractéristiques ?
-> Multi-poste ( carrousel ) : nbre de poste = 5-> Tcy : 15 min par poste-> MTBF : Negexp de 20 min-> MTTR : Erlang de moyenne 20 min, paramètre k=3-> L’opérateur de la scie intervient ici également pour la
réparation-> 5 min de réglage automatique toutes les 100 opérations
A propos de la loi Erlang…
• Les distributions ERLANG sont une famille de distributions; elle présente une courbe différente suivant la valeur du paramètre K
• Quand K vaut 1, la distribution ERLANG est identique à la distribution Exponentielle Négative
• Quand K vaut 2, la distribution ERLANG possède la forme de d'une cloche fortement décalée vers la gauche.
• Au fur et à mesure que K augmente, la distribution ERLANG tend vers la distribution de Gauss (Normal).
• En changeant le paramètre K, la distribution ERLANG peut être utilisée pour des analyses de sensibilité. Par exemple, pour tester les effets d'arrêts ; de petites valeurs de K créent un chaos maximum, tandis que des valeurs plus grandes le réduisent.
Forme de la distribution :
Moy. = 1.0, K =1 Moy. = 1.0, K=3Paramètres: K (Entier)Moy. : Réel
Début de la documentation (pour capitalisation)
• Re-lister les règles de gestion particulière• Répertorier l’ensemble des données d’entrée dans
un fichier Excel commenté• Faire valider les règles de gestion ainsi que les
données Excel par les acteurs du projet
Modélisation
• Construire le modèle de simulation• Seul risque d’erreur , une mauvaise connaissance
du logiciel…• Aperçu du modèle de simulation
Vérifications & Validation
• Vérifications :– Par un expert : Débogage– « Validation Statique » : Retirer tous les aléas
(pannes, réglages, etc…) et vérifier que le rendement est de 100%.
• Validation :– S’assurer que les résultats obtenus par
simulation sont conformes à la réalité / au concept• Si non validé
– Revenir sur les données Excel– Revenir sur les règles de gestion– Revenir sur le modèle de simulation
Expérimentations
• Rappel de l’objectif : – Augmenter la production de soupapes
• Sur quels paramètres sommes nous autorisés à jouer ?– Liste des paramètres
• Préparer le modèle pour les expérimentations– Définir la période de mise en régime
• Choisir un indicateur pour tracer la courbe• En déduire la période de mise en régime
– Préparer les indicateurs nécessaires (camembert, nombre de pièces expédiées)
Expérimentations
• Réfléchissons sur le modèle à l’aide des indicateurs en place afin de définir les premières améliorations
Expérimentations
• Préparons plus finement le modèle afin de cibler les prochaines expérimentations– Exemple : Réduction d’un temps cycle par
tranche de 10%• Créer une variable « Percent » que vous
piloterez depuis Excel• Utiliser cette variable dans le temps de cycle
machine : 60 * Percent• Créer une fonction de coût qui vous renvoie
le coût associée à cette modification• Utilisation d’outil de gestion de scénarios intégrés
au logiciel
Expérimentations
• Ciblons les paramètres sur lesquels nous allons jouer plus finement :– Taille de lot de la protection : [6;9]– Réduction du tps de cycle protection : [0.5,1]– Réduction du tps de cycle contrôle : [0.5,1]– Nbre de poste de contrôle : [2,3]
• Soit 4 x 6 x 6 x 2 = 288 scénarios• Résultats obtenus
Expérimentations
• Interprétations des résultats
– De faibles investissements permettent de bons résultats– Et de forts investissements n’obtiennent pas de « bons » résultats– Conservons les résultats de plus de 1060 soupapes
Expérimentations
• Et l’aléa… ?• Sur les scénarios obtenant plus de 1060 soupapes
expédiés effectuons une analyse de sensibilité• Pour chacun des scénarios effectuons 10
réplications (cad changer le germe aléatoire 10 fois tout en conservant les même paramètres)
• Résultats obtenus
Expérimentations
• Synthèse des résultats obtenus
• Scénario(s) retenu(s) : le n°2 – Taille de lot : 7 pièce– Temps de cycle de protection * 0.5– 3 postes de contrôle– Temps de cycle de contrôle * 0.5
1055
1060
1065
1070
1075
1080
Scénario 1 Scénario 2 Scénario 3 Scénario 4 Scénario 5
1000
1005
1010
1015
1020
1025
1030
1035
1040
1045
Valeur "Originale"
Moyenne
Présentation des résultats
• Préparer le modèle pour une présentation• Préparer une présentation synthétique des
résultats obtenus et du cheminement (cf slides précédent)
• Conclure sur la (ou les) meilleure(s) option(s) et la séquence des améliorations à effectuer
Capitalisation
• Modèle original (sans les améliorations)• Interface Excel de paramétrage• Cahier des charges (objectifs,cadre de l’étude,
etc…)• Règles de gestion (déjà fait)• Explications sur la réflexion tenue lors des
expérimentations• Scénarios joués (au moins les inputs)• Slides de présentation
• Les évolutions futures– Celles auxquelles on a penser à la fin du projet– Celles discuter en phase de présentation des
résultats par les acteurs du projet
Exemple 1Industrialisation de nouveaux produits
Résumé du cahier des charges
• Contexte : Industrialisation de nouveaux produits• Objectifs :
– Tester différents modes opératoires– Evaluer le capacitaire annuel– Chiffrer les coûts de production
Données d’entrée
• Aperçu du fichier Excel d’interface résumant l’ensemble des données d’entrées :– Poste de travail : Nom, opération, Cout horaire, position,etc…
– Temps de process
Données d’entrée
– Opérateurs
– Interface de pilotage des scénarios à jouer
Aperçu du modèle
Résultats de simulation
• Taux d’occupation des équipements
• Taux d’occupation des opérateurs
Résultats de simulation
• Coûts de production
• Gantt de suivi des tâches
Exemple 2 :Logistique
Résumé du cahier des charges
• Contexte : – Libération d’un site situé zone urbaine– Regroupement de technologies– « Optimiser » l’espace occupé
• Objectifs de simulation :- Optimiser les ressources logistiques - Détecter les goulets d’étranglement - Parfaire l’implantation
Description conceptuel du modèle de simulation
Construction du modèle de simulation sur les principes suivants
Un système de routage permettant la circulation dans les allées en
respectant l’implantation physique du terrainUne multitude de zones de production générant des appels
selon leurs caractéristiques propresDes moyens de manutentions répondant aux appels et
circulant au seindu réseau défini
La système de routage
Machine « nœud »
Appartenant à une
allée horizontale
Machine « nœud »
Appartenant à une
allée verticale
Extrait du fond de plan
Seuls les points caractéristiques des allées sont représentés : intersection, zone de
dépose, zone de prise, quai, zone de stockage
Les zones de production
Nomenclature C1 C2 C3
Ref 1 0.06
Ref 2 1 0.02
Une zone de production est le lieu de génération des appels
Zone de ProductionFilm de
Production
Ref1 Qte1
Ref2 Qte2
Composants
Produits Finis
Temps Cycle Nb Ref par Pal
Ref 1 0.002 12900
Ref 2 0.013 6000
Création de zones atypiques, ne répondant pas à ces critères : quais, traitement de surface
Appel sur seuil de déclenchement
Appel en appro
Appel en expédition
Moyens logistiques
Les équipes logistiques sont des caristes fonctionnant tâche par tâche
Définition des horaires de travail par équipe
Les équipes sont affectées géographiquement sur les différentes zones
de production et zones atypiquesGestion des appels sur le mode de fonctionnement existant :
notion d’alerteet de tâche urgente
Aperçu vidéo
Résultats de simulation
Suivi horaire des besoins en ressources
Suivi horaire du nombre d’appels
Taux de charge des zones de production
En fonctionnement
Hors fonctionnement
En rupture d’appros
Conclusions
Les indicateurs de performances mis en place ont permis de répondre aux objectifs fixés
Validation du dimensionnement des équipes caristes
Vérification du trafic dans les allées de circulations
Vérification capacitaire sur les zones à quais
Réflexion sur un changement de l’organisation par simulation : mis en place de
« Tournée »
Exemple 3Ordonnancement
Résumé du cahier des charges
• Contexte : Le moyen de production considéré (un four) est régi par des contraintes technologiques et économiques très fortes, la gestion de stock en aval en subit les conséquences : comment optimiser le fonctionnement du moyen ?
• Objectif : Définir le programme de fabrication du four le plus adapté à la demande client
Données d’entrées
• Prévisions annuel de vente avec sa saisonnalité : le marché
Pâte Fruit Quantité
Feuil Pomme 30 000
Sablé Pomme 20 000
Brisé Cerise 18 000
Sablé Poire 25 000
Données d’entrées
• Données et contraintes du four
Feuil Sablé Brisé
Rendement 100 / Jour 200 / Jour 300 /Jour
Lot Eco / Jour 4 6 3
Changement de Pâte (Jours)↓ de / vers->
Feuil Sablé Brisé
Feuil 4
Sablé 5 6
Brisé 8
Pomme Cerise Poire
Lot Eco / Jour 4 6 3
Changement de Fruit (Jours)
↓ de / vers->
Pomme Cerise Poire
Pomme 1 2
Cerise 1 1
Poire 1 2
Fonctionnement du modèle de simulation
• A partir du marché prévisionnelle, de la saisonnalité et des contraintes d’expéditions (non présentées ici), il définit une matrice journalière de produits à expédier :
• Le premier produit à lancer sur le four est laissé au choix de l’utilisateur
• Puis dès la fin du lot économique du premier produit choisi, un algorithme de décision (basé sur le principe de lancement du produit étant le plus en retard de production par rapport à son objectif) sélectionne le produit à lancer à nouveau (en respectant bien sur les contraintes définies)
Marché Objectif de la simulation
Feuil + Pomme
Sablé + Pomme
Brisé + Cerise
Sablé + Poire
01 / 01 / 2010 30 20 10 20
02 / 01 / 2010 35 15 5 30
…
Résultats de simulation
• Le programme de fabrication du four
• L’encours du stock par Pâte, avec le niveau maximum atteint
Jour de lancement de l’OF
Pâte Fruit Tps de changemen
t
Volume
01/01/2010 Feuil Pomme 4 400
09/01/2010 Sablé Pomme 6 1200
… … … … …
0
5,000
10,000
15,000
20,000
25,000
0
5,000
10,000
15,000
20,000
25,000
30,000
35,000
Cumul
FeuilSabléBrisé
Exemple 4Utilisation de la simulation dans le secteur hospitalier
Simulation hospitalièreService d’urgences
Cadre : Conception d’un nouveau service d’urgencesBox réservés pendant la durée du séjour patient
Objectif : Définir le nombre de box réservés aux différents services d’urgencesValider les besoins en personnel (dont les assistants en radiologie)
Diagnostic pré-opératoire
Cadre : Réorganisation d’un service pré-opératoireObjectif : Définir la capacité du service en nombre de lits
Valider le besoin en personnel dédiéValider le besoin d’une machine à ultrason dédiée
Simulation hospitalière
Blocs opératoires
Cadre : Blocs en cours de reconceptionObjectif : Définir le nombre de blocs nécessaires et la capacité du service
Définir le nombre de lits nécessaires dans les zones de réception et de suivi post-opératoireEstimer la surface requise pour le service
Simulation hospitalière
Flux logistiques automatisés
Cadre : Nouvel hôpitalAutomatisation partielle de la logistique(repas, linge, pharmacie, stérilisation)
Objectif : Définir le nombre de véhicules requisEstimer les durées des missions
AGV sizing
0:26 0:26 0:26 0:28 0:28 0:28 0:29 0:31 0:31 0:32 0:32 0:34 0:35 0:370:40 0:41
0:450:48
0:520:57
1:07
1:16
1:26
1:47
0:15
0:30
0:45
1:00
1:15
1:30
1:45
2:00
27 26 25 24 23 22 21 20 19 18 17 16 15 14 13 12 11 10 9 8 7 6 5 4
Number of AGVs for catering
Du
rati
on
of
de
live
ry s
eq
ue
nc
es
Breakfast delivery
Breakfast clear away
Lunch delivery
Lunch clear away
Diner delivery
Diner clear away
Simulation hospitalière
Cadre : trois types de flux : visiteurs, médical et logistiqueObjectif : déterminer le nombre optimal de cages d’ascenseur par type de flux
Flux verticaux d’un nouvel hôpital
Simulation hospitalière
Cadre : conception de l’ensemble de la logistique en phase d’avant-projet trois types de flux : visiteurs, médical et logistique
Objectif : - déterminer les ressources humaines nécessaires au traitement du flux logistique- déterminer le nombre optimal de cages d’ascenseur par type de flux- fournir des supports visuels de présentation pour le concours
Flux verticaux et horizontaux
VISITEURSPERSONNEL
LOGISTIQUE
Simulation hospitalière
Cadre : Pré tri du futur laboratoire de BiologieObjectif : Mesurer l'influence de l'organisation sur le temps de service.
Comparaison de différentes implantations et technologiesComparaison par rapport à la situation actuelle
Laboratoire de biologie
0
2
4
6
8
10
12
14
16
18
Tps Service moyen Tous Labos % Au dela de 32 mn % Au dela de 60 mn Nb PC
Temps de service maxi tous labos
Simulation hospitalière
NS Conseil
Jérome NEAUIngénieur SimulationTel: +33 1 45 46 82 60Email:[email protected]
NS CONSEIL12 Avenue RaspailGENTILLYTel: +33 1 45 46 82 60Web: http://www.nsconseil.fr
Nous contacter