Pilotage de cycle de vie de produit à base de produits intelligents : application à l'industrie pharmaceutique

Pilotage de cycle de vie de produit

à base de produits intelligents :

Application à l'industrie pharmaceutique

Mémoire pour l'obtention du diplôme de magister en informatique

Option : Informatique et automatique

Par BOUAZZA WASSIM
Soutenu le 30/6/2013

Composition du jury

Encadreur: B. BELDJILALI Professeur à l'Université d'Oran

Co-encadreur : Mme. N. AISSANI Maitre de conférences B à l'Université d'Oran Président : F. KHELFI Professeur à l'Université d'Oran

Examinatrice: Mme. N.TAGHEZOUT Maitre de conférences A à l'Université d'Oran Examinateur : Mr. H.HAFFAF Professeur à l'Université d'Oran

2013

Remercîments

2

Je tiens tout d'abord à remercier mon encadreur Pr. BELDJILALI BOUZIANE de m'avoir fait confiance malgré mes connaissances plutôt légères, puis de m'avoir guidé, encouragé et conseillé tout en me laissant une grande liberté. J'espère avoir été à la hauteur.

Mes remerciements vont également

au Dr. AISSANI NASSIMA, pour la gentillesse et la patience qu'elle a manifestées à mon égard durant ce magister, et pour tous les précieux conseils et ses lumières.

Je ne sais comment exprimer ma gratitude aux membres du jury pour le temps qu'ils m'ont accordé et de l'honneur qu'ils m'ont fait de bien de participer au Jury de soutenance et juger ce modeste travail.

Je remercie enfin mes camarades de l'équipe pour leurs aides, conseils et encouragements.

« Beaucoup encore il te reste à

apprendre. »

M.YODA

Dédicaces

3

A mes parents, à ma soeur, à ma femme, à mes amis ainsi qu'à tous ceux qui m'ont aidé et soutenu.

4

Table des matières

TABLE DES FIGURES 7

TABLE DES TABLEAUX 9

INTRODUCTION GENERALE 10

CHAPITRE I : CONTEXTE PRATIQUE & PROBLEMATIQUE 12

1. INTRODUCTION 12

2. PRODUCTIQUE 12

2.1. DEFINITIONS DE LA PRODUCTIQUE 12

2.2. HISTORIQUE 13

3. CONDUITE DES SYSTEMES DE PRODUCTION 14

3.1. MODELISATION DU SYSTEME DE PRODUCTION 14

3.2. LES NIVEAUX DE DECISION 14

3.3. CLASSIFICATION DES SYSTEMES DE PILOTAGE 16

3.4. SPECIFICITES ORGANISATIONNELLES 18

3.5. PRODUCTIQUE ET COUTS DE PRODUCTION 19

4. CONTEXTE PRATIQUE 20

4.1. PRESENTATION DE L'ENTREPRISE 20

4.2. ACTIVITES ET CATALOGUE « PRODUITS » 20

4.3. ORGANISATION 22

4.4. SITE DE PRODUCTION 23

5. LABORATOIRE CONTROLE ET QUALITE 23

5.1. DIRECTION CONTROLE ET QUALITE 23

5.2. LABORATOIRE DE PHYSICO-CHIMIE 23

5.3. DEPARTEMENT TECHNICO-ADMINISTRATIF 23

5.4. LABORATOIRE RECHERCHE ET DEVELOPPEMENT 23

5.5. OBJECTIFS DE L'ENTREPRISE 24

6. PROCESSUS DE PRODUCTION 25

6.1. PROCEDE DE FABRICATION 26

6.2. LES TESTS EN LABORATOIRE 27

7. ENJEUX DE LA MAITRISE DU CYCLE DE VIE DU PRODUIT 31

7.1. DIFFICULTES RENCONTREES 31

7.2. OBJECTIFS INDUSTRIELS 31

8. SPECIFICITES ET PROBLEMATIQUE DU DOSAGE DES MEDICAMENTS 32

8.1. VARIETE DES FAMILLES DE PRODUITS 32

8.2. PRINCIPE DE FONCTIONNEMENT 33

8.3. DEROULEMENT DU TEST 33

8.4. PROBLEMATIQUE 34

9. CONCLUSION 40

CHAPITRE II : ETAT DE L'ART SUR LA GESTION DE CYCLE DE VIE DE

PRODUIT & PRODUIT INTELLIGENT 41

1. INTRODUCTION 41

2. GESTION DU CYCLE DE VIE DE PRODUIT 41

2.1. DEFINITION 42

2.2. HISTORIQUE 43

2.3. LES TROIS PHASES DU PLM 44

2.4. LES DONNEES EN PLM 45

3. LE PLM EN INDUSTRIE PHARMACEUTIQUE 46

3.1. BESOINS INDUSTRIELS 46

3.2. BESOINS SCIENTIFIQUES ET TECHNOLOGIQUES EN PHARMACEUTIQUE 47

3.3. LE PLM EN QUELQUES CHIFFRES 48

4.

5

APPORTS DES PRODUITS INTELLIGENTS AUX PLM 49

4.1. DEFINITION DU PRODUIT INTELLIGENT (PI) 49

4.2. CLASSIFICATION DES PRODUITS INTELLIGENTS 49

5. DIFFERENTS CONCEPTS DE PRODUIT INTELLIGENT 52

5.1. PRODUIT ACTIF DE BRUN PICARD 52

5.2. PRODUIT INTELLIGENT MC FARLANE 54

5.3. PRODUITS INTELLIGENTS DE BAJIC 56

5.4. OBJET DEMANDEUR ET/OU FOURNISSEUR DE SERVICES 58

5.5. OBJET COMMUNICANT SENSITIF 59

5.6. PRODUIT ACTIF DANS UN ENVIRONNEMENT D'INTELLIGENCE AMBIANTE 59

6. SYNTHESE DES TRAVAUX « PRODUIT INTELLIGENT » 61

7. CONCLUSION 62

CHAPITRE III : SPECIFICATION ET MODELISATION D'UNE SOLUTION A BASE

DE SMA 63

1. INTRODUCTION 63

2. L'AGENT INFORMATIQUE 63

2.1. DEFINITION DE L'AGENT INFORMATIQUE 64

2.2. SPECIFICITES D'UN AGENT INFORMATIQUE 65

2.3. CLASSIFICATION DES AGENTS 65

2.4. PROPRIETES DES AGENTS INFORMATIQUES 67

3. SYSTEME MULTIAGENTS 68

3.1. DEFINITIONS DU SYSTEME MULTIAGENTS 68

3.2. AGENTS ET SYSTEMES MULTIAGENTS 69

3.3. TYPOLOGIE DES SMA 69

3.4. DOMAINES D'APPLICATION DES SMA 71

3.5. QUELQUES EXEMPLES DE SMA 71

3.6. PLATEFORMES MULTIAGENTS 73

4. DONNEES DU PROBLEME 74

5. PROBLEMATIQUE DE LA MODELISATION D'UN SYSTEME DE PILOTAGE 75

5.1. DEFINITION D'UN SYSTEME 75

5.2. LE MODELE DE RESOLUTION 75

6. MODELISATION D'UN SYSTEME DE PILOTAGE 76

7. APPROCHE GENERALE 77

7.1. FONCTIONS PREVISIONNELLES DE GESTION DE PRODUCTION 77

7.2. PRODUIT ACTIF 78

7.3. L'APPROCHE HETERARCHIQUE 79

7.4. AVANTAGES DU PRODUIT ACTIF 80

7.5. CLASSIFICATION DU PRODUIT DEVELOPPE 80

8. MODELE DE RESOLUTION 81

8.1. PROPRIETES DU PROBLEME 81

8.2. LIMITE DES AUTRES METHODES 81

8.3. PERTINENCES DES METHODES EXACTES 82

8.4. PHASES DE RESOLUTION 82

8.5. LES CONTRAINTES 87

8.6. LES PRINCIPALES VARIABLES 87

8.7. FONCTION OBJECTIF 88

9. CONCLUSION 91

CHAPITRE IV: IMPLEMENTATION ET SIMULATIONS 92

1. INTRODUCTION 92

2. L'ENVIRONNEMENT DE PROGRAMMATION 92

2.1. L'ENVIRONNEMENT « ECLIPSE » 92

6

2.2. LA PLATEFORME JADE 93

3. L'ENVIRONNEMENT EXPERIMENTAL 94

4. CREATION DES SCENARIOS 94

5. TESTS ET SIMULATION 96

5.1. PARAMETRES EN ENTREE 96

5.2. RESULTATS 96

5.3. INTERACTION ENTRE LES AGENTS 101

5.4. COMPORTEMENT DES AGENTS 102

5.5. RESULTATS POINT DE VUE PRODUIT INTELLIGENT 103

5.6. EFFICACITE DE LA METHODE 104

5.7. EFFICACITE DE LA METHODE ET HETEROGENEITE DES PRODUITS 105

5.8. TEMPS D'EXECUTION 105

5.9. BESOINS EN MEMOIRE 106

6. PRODUITS INTELLIGENTS OBTENUS 107

7. CONCLUSION 108

CONCLUSION GENERALE ET PERSPECTIVES 109

INDEX 110

BIBLIOGRAPHIES 112

7

TABLE DES FIGURES

Figure 1 : Les trois composants du système de production 14

Figure 2 : Les trois niveaux hiérarchiques de décision 15

Figure 3 Différents pilotages selon le lancement du système 16

Figure 4: Architecture des systèmes de pilotages 19

Figure 5: Contraintes et solutions industrielles 19

Figure 6: Site de production de la SOPHAL spa 20

Figure 7: Principaux domaines thérapeutiques 21

Figure 8: Organigramme interne de la SOPHAL spa 22

Figure 9: Objectifs primaires et globaux en industrie pharmaceutique 24

Figure 10 : Diagramme systémique des activités de production 25

Figure 11: Classification des produits médicamenteux selon leurs présentations 26

Figure 12: L'Atelier de fabrication 27

Figure 13: Le laboratoire contrôle-qualité 27

Figure 14: Les principaux tests en laboratoire de contrôle qualité 28

Figure 15: Balance analytique utilisée pour la pesée 28

Figure 16: Appareil servant au test de dissolution (Dissolu-test) 29

Figure 17: Tests Microbiologiques 30

Figure 18 : Etuves de stabilité 30

Figure 19: Apports d'une gestion de cycle de vie de produit 31

Figure 20: Schéma général de fonctionnement d'une HPLC 33

Figure 21: Graphe illustrant les étapes du cycle de vie d'un produit 34

Figure 22: Ensemble des affectations possibles 36

Figure 23: Arbre des séquences possibles 36

Figure 24: Digramme de GANTT pour le scénario 1 38

Figure 25: Digramme de GANTT pour le scénario 2 39

Figure 26: Relation entre les différentes solutions d'entreprise (CIMdata, Inc 2002) 42

Figure 27 Les SGDT dans les années 80 43

Figure 28 Les SGDT dans les années 90 43

Figure 29 Naissance des premières solutions PLM 44

Figure 30: Concept général du PLM 45

Figure 31: Codage des informations en PLM 46

Figure 32: Taux de réussite de mise sur le marché de nouveaux produits (DENIS et GULATI 2009) 47

Figure 33 Investissement PLM annuel en million de dollars US 48

Figure 34: Classification des produits selon quatre critères 52

Figure 35: Produit actif ( (BRUN PICARD et al. 1997) et sa classification 53

Figure 36: Classification du produit actif ( (BRUN PICARD et al. 1997) 53

Figure 37 Classification du produit informationnel (MC FARLANE & al. 2002) 54

Figure 38: Produit intelligent avec agent de décision (MC FARLANE & al. 2002) 55

Figure 39: Classification du produit avec agent de décision (MC FARLANE & al. 2002) 55

Figure 40: Exemple d'objets porteurs de données 56

Figure 41: Classification de l'objet porteur de données (BA/IC & RAMIREZ 2005) 56

Figure 42: Objet pointeur vers un système d'information (BA/IC 2004) 57

Figure 43: Positionnement de l'objet pointeur vers un système d'information (BA/IC 2004) 57

Figure 44: Objet demandeur et/ou fournisseur de services (BAJIC 2004) 58

Figure 45: Classification Objet demandeur et/ou fournisseur de services 58

Figure 46: Positionnement de l'objet communiquant sensitif 59

Figure 47: Produit actif en environnement d'intelligence ambiante (BA/IC & DOBRE 2008) 60

8

Figure 48: Positionnement du produit en environnement d'intelligence ambiante 60

Figure 49: Principe de fonctionnement d'un agent 64

Figure 50: Structure d'un agent réactif dans un environnement multiagents 66

Figure 51: Structure d'un agent cognitif dans un environnement multiagents 66

Figure 52: Paradigme et composantes d'un système multiagents 68

Figure 53: L'architecture d'un SMA centralisé 69

Figure 54: L'architecture décentralisée 70

Figure 55: Méta-modèle élémentaire de construction Système (MAYER 1995) 76

Figure 56: Décomposition systémique d'un système de pilotage 77

Figure 57 Fonction de gestion prévisionnelle 78

Figure 58: Graphe systémique du produit dit « actif » 78

Figure 59: Hiérarchie et hétérarchie dans un système de neurones (McMULLOCH) 79

Figure 60: Classification du produit développé 80

Figure 61: Les trois activités du modèle de résolution proposé 83

Figure 62: Application des règles par L'agent P1 84

Figure 63: Application des règles par l'agent P2 84

Figure 64: Application des règles par selon la table de l'agent P2 85

Figure 65: Arbre des ordonnancements 86

Figure 66: Ensemble de contraintes affectant la procédure décisionnelle du produit 87

Figure 67: Représentation graphique des principales variables 88

Figure 68: Représentation graphique de la fonction dévaluation dans l'espace de recherche 90

Figure 69: Architecture de référence de l'agent plateforme selon les normes FIPA 93

Figure 70: Architecture de référence de l'agent plateforme selon les normes FIPA 93

Figure 71: Codage des familles de produits 95

Figure 72: Zone dédiée au paramétrage d'une ressource 95

Figure 73: affichage des différentes affectations possible sur la console éclipse 97

Figure 74: Création des ordonnancements Tord à partir de Taffect 98

Figure 75: Table des combinaisons Tcombi pour le scénario 1 99

Figure 76: Premières communications au fur et à mesure de l'arrivé de nouveaux agents 101

Figure 77: Partage des informations entre agents produits 102

Figure 78: Séquence de déclenchement des comportements dans une résolution type 103

Figure 79: Ecart entre espace totale et espace pertinent 104

Figure 80 : Impacte de l'hétérogénéité des produits sur les résultats 105

Figure 81 : Dégradation du temps de résolution 106

Figure 82 : Consommation mémoire 106

9

TABLE DES TABLEAUX

Tableau 1 : Liste non exhaustive d'applications multiagents 32

Tableau 2: Table de compatibilité ressources-tâches 35

Tableau 3 : Déroulement des deux scenarios 39

Tableau 4 : Les temps d'attentes moyens 39

Tableau 5 : Tableaux synthétique des différents produits intelligents 61

Tableau 6 : Description des propriétés d'un agent 67

Tableau 7 : Liste non exhaustive d'applications multiagents 73

Tableau 8 : Liste non exhaustive des plateformes multiagents 73

Tableau 9 : Données globales 74

Tableau 10: Table de compatibilité pour les tests d'HPLC 83

Tableau 11: Variable et pondération 89

Tableau 12 : Caractéristiques du matériel utilisé pour les expérimentations 94

Tableau 13 : Table des compatibilités pour le scénario 96

Tableau 14 : Représentation de la table des combinaisons Tcombi 97

Tableau 15 : Représentation de la table des combinaisons Tordi 100

Tableau 16 : Répartition du calcul des fonctions d'évaluation 100

Tableau 17 : Digramme de séquences de l'algorithme de résolution 103

10

INTRODUCTION GENERALE

L'informatique dans le monde de l'entreprise actuelle est confrontée à des problèmes de plus en plus complexes. Cet accroissement de la complexité est en grande partie dû aux contraintes qu'exerce l'environnement extérieur sur l'entreprise. Les entreprises sont ainsi obligées d'accroitre la productivité et la rentabilité. Ce renforcement de l'efficience passe par des méthodes d'optimisation. Les besoins d'adaptabilité et de flexibilité en deviennent ainsi vitaux pour assurer leur pérennité.

En industrie peut être plus qu'ailleurs, une attention particulière est portée sur les coûts, les délais et la qualité de production. Ce sont les trois paramètres essentiels pour mesurer le rendement. L'objectif est de perpétuellement d'améliorer la compétitivité. Pour y parvenir, les entreprises industrielles doivent s'appuyer sur des outils informatiques permettant un pilotage flexible, agile et efficace du processus industriel.

Notre travail propose une méthode permettant de poser les premières bases d'une « Gestion de cycle de vie du produit » en s'appuyant sur les produits intelligents et les systèmes multiagents. Le but premier est d'offrir un modèle permettant une gestion dynamique et efficace du problème d'allocation de ressources critiques avec comme contexte l'industrie pharmaceutique.

Ce document propose un premier chapitre structuré en deux parties. Dans la première nous allons introduire les problématiques rencontrées en milieu industriel de façon général. Nous expliquerons les activités de la productique; nous verrons ainsi les différentes contraintes existantes et l'apport des méthodes de conduite de production. Puis dans la deuxième partie, nous présenterons la société hôtesse du projet, ses différentes activités ainsi qu'une description

du processus de production des produits pharmaceutiques.
Nous décrirons les différents problèmes rencontrés par la gouvernance

de l'entreprise, et de quelle façon ces derniers ont motivé le choix de la « Gestion de cycle de vie du produit » (PLM¹).

Le deuxième chapitre quant à lui, apporte un état de l'art des PLM et des produits dits « intelligents ». Nous verrons comment ces techniques seront amenées à se développer notamment grâce à l'expansion de l'intelligence ambiante et des systèmes multiagents.

Le troisième chapitre détaille le modèle que nous proposons. Il y est décrit les structures d'agents développées ainsi que les méthodes de résolution ayant servi à solutionner le problème d'ordonnancement des allocations.

Le quatrième chapitre décrit l'architecture d'implémentation développée pour l'application. Il regroupe aussi différents résultats des tests et simulations. Nous présenterons les performances globales du système sous différents aspects : Temps de résolution, cohérence des données, consommation mémoire...etc.

11

¹ PLM : « Product Life cycle Management » pour « Gestion de cycle de vie du produit »

12

Chapitre I : Contexte pratique & problématique

CHAPITRE I :

CONTEXTE PRATIQUE & PROBLEMATIQUE

1. INTRODUCTION

A mesure que l'automatisation progresse dans le monde de l'industrie, la question du pilotage des systèmes de production revêt une importance grandissante. La multiplication des contraintes de gestion nécessite une poursuite de plus en plus fine d'objectifs associés à des niveaux de performance toujours plus élevés.

Dans ce premier chapitre, nous allons apporter une description de la notion de « productique » et détailler le système de pilotage. Puis, nous décrirons le contexte pratique en explorant les procédés de fabrication pharmaceutique. La finalité est de cerner la problématique spécifique.

2. PRODUCTIQUE

C'est en 1979 que le néologisme « productique » est apparu pour la première fois. Il est attribué à la société Philips Data Système. Cette contraction des mots « production » et « informatique » désigne les applications informatiques dans le domaine de la production industrielle.

2.1. Définitions de la productique

La productique étant un vaste champ d'activités, il existe dans la littérature beaucoup de définitions parmi lesquelles nous avons retenu celles-ci :

i. « l'intégration de l'informatique aux moyens de production, englobant

les techniques de manutention de poste à poste, ou de machine à machine...etc. On la nomme aussi «transitique» par analogie à la logistique» (DEBAEKER 2008).

13

Chapitre I : Contexte pratique & problématique

ii. « Concept de mise en oeuvre, par les hommes, des méthodes et moyens informatiques et automatiques concourant à assurer simultanément la rentabilité, la qualité et la réactivité de tout ou partie d'un ensemble industriel» (WALDNER 1990).

2.2. Historique

ANNEES 70 ET 80 : LES SYSTEMES ASSISTES PAR ORDINATEUR

Avec le début de l'introduction de l'informatique dans les entreprises, on a tout d'abord cherché à faire des optimisations locales pour un métier donné. C'est l'apparition de la Conception Assistée par Ordinateur (C.A.O).

Dans les bureaux d'études, l'utilisation de machines à commande numérique et de programme de Fabrication Assistée par Ordinateur (F.A.O.) dans les usines, ou les premiers systèmes de scan-gouache² informatique dans les studios de production de dessins animés.

Cette informatisation de la production reste limitée à certains secteurs de l'entreprise, et on constate rapidement un manque de cohérence d'ensemble le long des chaînes d'informations. Ce manque de gestion d'information était sans doute dû à la jeunesse de ces technologies.

ANNEES 90 : LE CONCEPT C.I.M³

Le manque de cohérence dans les chaînes d'informations de l'entreprise a amené une prise de conscience du besoin fondamental d'intégration des systèmes informatiques tout au long de la chaîne de production, depuis les phases de conception jusqu'à la fabrication.

On a alors mis en avant le concept de CIM, que l'on traduit en français par le terme de productique. Ce concept permet une vision plus large du procédé de fabrication. C'est une approche qui tente de décloisonner la vision classique des processus dans les chaines d'informations.

² Procédé de numérisation développé pour les studios d'animation. Il est apparu fin des années 70

³ CIM pour Computer Integrated Manufacturing

14

Chapitre I : Contexte pratique & problématique

3. CONDUITE DES SYSTEMES DE PRODUCTION

3.1. Modélisation du système de production

Le fonctionnement d'un processus industriel est généralement modélisé en utilisant une approche systémique constituée de trois sous-systèmes:

- LE SYSTEME PHYSIQUE: Ce système, aussi appelé système opérant, agit directement sur les produits en effectuant des opérations de transformation, de contrôle, de manutention et de stockage.

- LE SYSTEME DE DECISION: Ce système, appelé aussi système de conduite ou de pilotage a pour rôle de modifier l'évolution du système physique

- LE SYSTEME D'INFORMATION : Il a pour objet d'assurer la collecte, le stockage, le traitement et la transmission des informations du système de production ainsi que de son environnement. Il sert de support de liaison entre le système physique et le système de décision.

Figure 1 : Les trois composants du système de production

3.2. Les niveaux de décision

Dans (LE MOIGNE 1994) « décider » c'est identifier et résoudre les problèmes que rencontre toute organisation. La conduite des systèmes de production peut se décrire selon les trois niveaux hiérarchiques de décision : stratégique, tactique et opérationnel qui correspondent respectivement à des décisions à long, moyen et court terme.

15

Chapitre I : Contexte pratique & problématique

Figure 2 : Les trois niveaux hiérarchiques de décision

LES DECISIONS STRATEGIQUES

Ce sont les décisions qui introduisent des orientations durables de l'entreprise sur un horizon à long terme. Dans cette catégorie on trouve, par exemple, les décisions concernant l'implantation de nouvelles unités de production, la conception d'une nouvelle ligne de production, les décisions portant sur de nouvelles orientations en termes de produits ou de marchés. Si une réflexion stratégique est nécessaire tout au long de la vie de l'entreprise, les questions stratégiques se posent plus particulièrement quand l'entreprise affronte des changements importants tels qu'une hausse ou une baisse significative des demandes ou encore une fusion ou une cession d'une partie de l'activité.

LES DECISIONS TACTIQUES

Concernent la mise en oeuvre et l'adaptation des décisions prises au niveau stratégique sur une période plus courte. Elles concernent particulièrement la planification mensuelle de la production afin de répondre à la demande, des flux matières tout au long de la chaîne logistique (approvisionnements, production, stockage, distribution) et la gestion des ressources en hommes et en équipements.

LES DECISIONS OPERATIONNELLES

Les décisions opérationnelles nous intéressent plus particulièrement. La décision à ce niveau met en application le plan d'actions prévu par le niveau tactique. Ce sont les décisions qui concernent les actions à court terme, comme par exemple l'ordonnancement de la production. La procédure de prise de décision intervient durant la production de deux façons : de façon périodique ou événementielle. Dans le premier cas, le déclenchement de la procédure de prise de décision est régulier et il est fait à des intervalles de temps réguliers. Dans l'autre cas, le déclenchement repose sur l'apparition d'événements dans le système.

16

Chapitre I : Contexte pratique & problématique

3.3. Classification des systèmes de pilotage

Selon les objectifs que doit atteindre le système de pilotage et selon l'approche appliquée à ce dernier, nous pouvons distinguer plusieurs familles ou types de systèmes représentés ci-après.

Figure 3 Différents pilotages selon le lancement du système

PILOTAGE PREDICTIF

Le pilotage prédictif est destiné à préparer le lancement d'un système existant. Il se fait donc « apriori ». Il permet de définir l'objectif de la production et la meilleure trajectoire pour y parvenir et de prendre des décisions pour assurer le fonctionnement courant. Ce pilotage est basé sur des paramètres (comme le temps opératoire d'une machine, le taux d'arrivée, le taux de panne etc.) estimés de manière déterministe (ex : le temps opératoire moyen est de 15 minutes) ou probabiliste (ex : le temps opératoire suit une loi uniforme entre deux valeurs minimum et maximum).

Les paramètres de pilotage sont déterminés avant l'exécution sur le système réel. Un expert ou un outil est chargé de trouver la meilleure décision (ex. règle de priorité). Le pilotage prédictif fournit en quelque sorte le scénario optimal dans un environnement non perturbé.

17

Chapitre I : Contexte pratique & problématique

PILOTAGE PROACTIF

Le pilotage proactif est utilisé également dans la phase de préparation avant que le processus de production ne soit lancé. L'objectif ici est d'anticiper un certain nombre d'aléas et de déterminer « apriori » la meilleure réponse possible à apporter si l'aléa survient. On va donc ainsi pouvoir répondre très vite et être beaucoup plus réactif. Ce pilotage est basé sur les mêmes principes que le pilotage prédictif, mais :

1. Il consiste d'abord à anticiper les perturbations les plus probables et le plus grand nombre possible de perturbations éventuelles. Ces données peuvent être remontées grâce aux indicateurs de performance d'un système déjà existant ou bien extraites d'une base de données mémorisant les événements passés.

2. Ensuite, il cherche à identifier les risques de ne pas atteindre les objectifs initialement fixés, notamment de ne pas respecter le délai prévisionnel face aux perturbations.

3. La simulation hors ligne est aussi un des outils utilisés pour ce pilotage afin d'anticiper les perturbations et calculer les risques éventuels de ne pas respecter l'objectif visé.

PILOTAGE REACTIF

Le pilotage réactif intervient pendant l'exécution de la production, une fois le lancement effectué. Il a pour but de corriger les valeurs des variables de décision lors de l'apparition d'un événement imprévu.

Ce pilotage doit réagir en temps réel. Dans le meilleur des cas, l'événement a été anticipé dans la phase de pilotage proactif et la réponse est connue. Souvent, l'événement n'a pu être anticipé. On peut distinguer deux situations nécessitant une réaction : ou pilotage en temps réel

i. Des événements imprévisibles peuvent survenir, sans que l'on puisse

les anticiper par un pilotage prédictif ou proactif. Il peut s'agir par exemple de l'arrivée d'une commande urgente, de la modification d'une commande ou encore d'une panne sur une machine. Le pilotage réactif devient nécessaire pour analyser les conséquences de cet événement imprévu par rapport à l'objectif de production et, le cas échéant, pour déterminer les paramètres de pilotage à corriger pour minimiser l'impact de cette perturbation (BERCHET 2000).

18

Chapitre I : Contexte pratique & problématique

ii. Des dérives sont détectées (par exemple, le temps de cycle d'une machine

augmente dans le temps). Ces dérives peuvent avoir pour conséquence le non-respect des objectifs ou la survenue ultérieure d'événements plus perturbants. Par exemple, l'augmentation de la durée d'une opération peut entraîner un retard généralisé ou l'impossibilité de maintenir l'ordonnancement prévisionnel. Ceci permet au décideur d'appliquer de façon préventive des modifications aux paramètres de pilotage. La réactivité de ce pilotage dépend donc de l'évolution de l'état du système par rapport à ce qui avait été prévu par le pilotage prédictif.

PILOTAGE CORRECTIF

Dans le cas où l'on ne peut pas maîtriser une dérive et ramener un paramètre dans les valeurs attendues, il est possible qu'il soit trop tard pour appliquer une démarche préventive.

« Le résultat du pilotage correctif et les causes de disfonctionnements survenus peuvent argumenter les pilotages prédictif et proactif en enregistrant l'historique dans une base de données qui pourra servir dans la prochaine modélisation » (ARMETTA 2006).

« Il faut alors une démarche qui modifie la trajectoire de référence ou même l'objectif de production. » (BERCHET 2000) Là aussi, il est nécessaire de mémoriser les faits dans une base de données pour une utilisation ultérieure. En effet, ce niveau est effectué à la suite d'une valeur limite, qui signifie l'apparition réelle d'un aléa comme une panne machine. L'atteinte de cette limite déclare le déclenchement d'une démarche corrective, en réalisant par exemple une maintenance corrective.

3.4. Spécificités organisationnelles

Une des caractéristiques importantes du système de décision est sa nature fortement hiérarchisée en différents niveaux de centres de décisions. Les centres de décisions reçoivent un cadre de décision (des informations, contraintes et objectifs) d'un niveau supérieur, et définissent des cadres de décision pour les centres de décision de même niveau ou de niveau inférieur. Cette hiérarchie de centres de décision se caractérise également par les différents horizons temporels pris en compte par chacun d'eux, et leur période de prise de décision. Si bien, que le choix de la structure organisationnelle dépend de plusieurs facteurs : Spécificités de l'environnement, objectifs du système (voir section 3.3).

19

Chapitre I : Contexte pratique & problématique

Figure 4: Architecture des systèmes de pilotages

3.5. Productique et coûts de production

L'approche productique de la définition, de la conception et de l'utilisation des moyens de production est d'abord financière. On ne « modernise )) plus, on « optimise )) (IBM 2011). Cela suppose d'intégrer dans toute étude, toutes les composantes des coûts de production, en particulier :

- Les coûts de possession de stocks et d'encours.

- Les coûts de manutention.

- Le coût des rebuts, des retouches, de la non-qualité.

- Les coûts indirects induits par la production (gestion, supervision, etc.).

Figure 5: Contraintes et solutions industrielles

20

Chapitre I : Contexte pratique & problématique

4. CONTEXTE PRATIQUE

Dans la deuxième partie de ce premier chapitre, nous nous intéressons à la gestion de production pharmaceutique. Nous estimons ce domaine tout à fait propice à l'élaboration d'une approche basée sur la gestion du cycle de vie d'un produit. Le besoin de réactivité et de flexibilité y est tout aussi important que dans toute autre production. De plus, le besoin de qualité et de traçabilité y est particulièrement grand.

4.1. Présentation de l'entreprise

La Spa SOPHAL (pour Société Pharmaceutique Algérienne) est un laboratoire pharmaceutique spécialisé dans le développement, la production et la commercialisation de médicaments génériques. Fondée en 1994, elle est située dans la zone industrielle de Hassi Ben Okba à 15 Km à l'est d'Oran, deuxième grande ville d'Algérie.

Figure 6: Site de production de la SOPHAL spa

4.2. Activités et catalogue « produits »

DEFINITION DU MEDICAMENT

« Le médicament est une substance qui possède des propriétés pharmacologiques qui peut être administré sans addition d'excipient. » (CHARPENTIER 2001).

21

Chapitre I : Contexte pratique & problématique

L'excipient est constitué d'une matière ou d'un mélange de matière inactive sur la pathologie, dépourvu donc de propriété pharmacologique, utilisé pour donner une forme et une présentation convenable à son utilisation (poids, volume, goût, conservation, consistance).

LE MEDICAMENT GENERIQUE

SOPHAL est spécialisée dans la fabrication de spécialités pharmaceutiques "génériques" à usage humain. Un médicament générique est un médicament identique ou équivalent à celui d'une marque (appelé médicament princeps), mais produit et vendu sous sa dénomination commune internationale (DCI, nom chimique de la substance) ou sous un nouveau nom commercial. La substance active (ou principe actif du médicament) est identique à celle du produit de marque, seules sa présentation et ses excipients sont différents.

Ces médicaments génériques peuvent être produits après expiration du brevet, ou en l'absence de brevet. De nos jours, de très nombreux médicaments issus de la recherche ont vu, au cours des années, leur brevet tomber dans le domaine public, dans le patrimoine commun de l'humanité, et leurs gammes couvrent un très large éventail de maladies aiguës ou chroniques, graves ou bénignes.

Figure 7: Principaux domaines thérapeutiques

La gamme des médicaments SOPHAL compte un éventail très large de produits, qui non seulement constituent des copies conformes des molécules mères qui leur ont donné naissance, tout en ayant des coûts de production avantageux.

22

Chapitre I : Contexte pratique & problématique

4.3. Organisation

Une étude de terrain a permis de modéliser les structures internes de l'entreprise. Nous trouvons les départements et services classiques d'une entreprise industrielle (Finance, comptabilité, Ressources humaines, ...Etc.).

Notre attention se porte plus particulièrement sur deux structures organisationnelles. A savoir, le site de production et le laboratoire « Contrôle et Qualité ».

Figure 8: Organigramme interne de la SOPHAL spa

23

Chapitre I : Contexte pratique & problématique

4.4. Site de production

La société compte parmi ses structures de production:

? Une unité de production des produits pénicilliniques.

? Une unité de production des produits non pénicilliniques.

? Une unité de production des antibiotiques de la classe

des céphalosporines.

? Une unité de conditionnement des produits stériles injectables.

? Une aire de stockage des matières premières de 13000m².

5. LABORATOIRE CONTROLE ET QUALITE

5.1. Direction contrôle et qualité

Ce service assure l'organisation et la coordination des tests physico-chimiques et microbiologiques des matières premières et des produits finis. La direction contrôle et qualité gère également une échantillothèque pour garantir la traçabilité et permettre des analyses a posteriori.

5.2. Laboratoire de physico-chimie

Ce laboratoire (Voir section 6.2 page27) assure de nombreuses analyses physico-chimiques : Spectrophotomètre, Ultraviolet visible, Infrarouge, HPLC (Voir page 32), Fluorescence, PH-mètre, Potentiomètre, Appareil de dissolution (Voir page 29) et autres.

5.3. Département technico-administratif

La mission principale du département technico-administratif

est d'assurer la coordination entre les différents départements internes de la société. De plus, il permet de garantir une traçabilité qui permet le suivi des produits sur toute la chaine de production et de distribution, jusqu'à leur fin de vie. Une autre fonction primordiale est d'assurer l'enregistrement de nouveaux produits et leurs suivis auprès des autorités locales de santé ainsi que leurs lancements sur le marché.

5.4. Laboratoire Recherche et Développement

La société possède un laboratoire Recherche et Développement (R&D). Il permet d'enrichir le catalogue produits de l'entreprise et ceci en permettant

24

Chapitre I : Contexte pratique & problématique

de développer de nouvelles formulations génériques. Il assure la fabrication de lots pilotes. Le médicament étant un produit très sensible, le département R&D assure la transposition industrielle qui consiste à rendre possible un changement d'échelle. Enfin, on citera comme tâche importante, l'étude de la stabilité du produit indispensable pour son exploitation. (R&D)

5.5. Objectifs de l'entreprise

Nous avons recensé les différents objectifs et buts poursuivis par l'entreprise. Nous les avons regroupés en trois catégories :

? Objectifs industriels primaires : Induits par le contexte industriel, Ils regroupent de nombreux buts suivis comme : faire évoluer les normes de fabrication, suivre en permanence la demande des clients...Etc.

? Objectifs globaux de l'entreprise : Ce sont les dénominateurs communs avec toute entreprise. Ils consistent essentiellement en trois points : l'innovation, la réduction du temps de développement et la compétitivité.

? Objectifs commerciaux : Les objectifs commerciaux se résument en deux notions mercantiles : Augmenter les revenus et accroitre la rentabilité.

Figure 9: Objectifs primaires et globaux en industrie pharmaceutique

Chapitre I : Contexte pratique & problématique

6. PROCESSUS DE PRODUCTION

Le médicament est un produit particulier sur beaucoup de plans. Le procédé de fabrication passe par une multitude de tests comme le montre la « Figure 10 )) :

? Le fournisseur envoie des échantillons de produit soit au magasin «Matière Première» pour y être entreposé, soit directement au laboratoire pour y être analysé (en cas de test pré-réception du produit).

? La production s'approvisionne auprès du magasin pour assembler les différents ingrédients pour fabriquer le produit.

? Le laboratoire va effectuer toute une batterie de test sur :

- Les lots en cours de production. On parle en industrie de Test in-process.

- Les produits finis.

- Les lots précédemment délivré sur le marché, à raison d'un test par an et par lot. On parle de stabilité réelle annuelle.

- Les médicaments non commercialisés jusqu'à présent ou en cours d'enregistrement auprès des autorités. On parle de produit en développement.

? Les résultats des tests sont regroupés sur des documents que l'on nomme «Bulletins d'analyses». Une fois que le bulletin contient exclusivement des résultats répondant aux normes pour l'ensemble des tests, le lot est dit « conforme )) et la direction technique procède à la «libération du lot». Cela signifie que sa mise sur le marché est désormais autorisée.

? Un fois les transactions commerciales effectuées, les lots « libérés )) sont vendus soit à la filiale de distribution de SOPHAL nommée DIPHACO soit directement à la pharmacie centrale des hôpitaux (PCH).

Figure 10 : Diagramme systémique des activités de production

25

26

Chapitre I : Contexte pratique & problématique

6.1. Procédé de fabrication

Le procédé de fabrication diffère en fonction du type⁴ de produit. Ils sont ainsi divisés selon deux formes : injectable et sèche.

			Les formes sèches				Les formes injectables
		Comprimés
									Solution
			Gélules
		Granulés pour suspension buvable
									Poudre
	Sachets

Figure 11: Classification des produits médicamenteux selon leurs présentations

Les points où sont réalisées des opérations à haut risque, tels que le point de remplissage, les emplacements des bols vibrants de bouchons, les ampoules et les flacons ouverts ou les points de raccordements aseptiques. Les postes de travail sous flux d'air laminaire ⁵ satisfont normalement aux conditions requises pour ce type d'opérations.

L'atelier de fabrication est composé de 3 compartiments : Centrale des pesées, l'atelier de préparation et l'atelier de conditionnement. Ce dernier est séparé de l'atelier de préparation par un corridor. Il est divisé en deux parties, l'une réservée au conditionnement primaire, l'autre au conditionnement secondaire.

i. Conditionnement primaire : Les principaux équipements qui existent sont la souffleuse, une remplisseuse et une sertisseuse.

ii. Conditionnement secondaire : Il est sous zone non classée mais la température à l'intérieur est contrôlée. Ses principaux équipements sont : une étiqueteuse, une encartonneuse, une Vigneteuse [Voir figure ci-après].

⁴ En pharmacie, on parle de forme galénique.

⁵ Systèmes conçus pour protéger des produits très sensibles de la contamination externe.

27

Chapitre I : Contexte pratique & problématique

Figure 12: L'Atelier de fabrication

6.2. Les tests en laboratoire

Figure 13: Le laboratoire contrôle-qualité

Le laboratoire assure le contrôle de la qualité sur les matières premières et les produits finis conformément aux Pharmacopées⁶ en vigueur (européenne, américaine...) et aux dossiers spécifiques, les monographies de contrôle des principes actifs, des excipients, des articles de conditionnement

⁶ Recueil à caractère officiel et réglementaire des matières premières entrant dans la composition de médicaments« Contrôle-qualité »

28

Chapitre I : Contexte pratique & problématique

et des produits finis, tant sur le plan des essais et dosages physicochimiques, que des études galéniques, chimiques ou microbiologiques.

Voici ci-dessous, les principaux tests effectués sur les échantillons :

Figure 14: Les principaux tests en laboratoire de contrôle qualité

PESEE

Un opérateur procède à la pesé d'échantillons (comprimés, gélules...Etc.) Il s'assure ainsi à l'aide d'une balance analytique à grande précision, que son poids moyen est conforme aux normes.

Figure 15: Balance analytique utilisée pour la pesée

29

Chapitre I : Contexte pratique & problématique

DISSOLUTION

On mesure la quantité de principe actif dissoute pendant une durée donnée et à une vitesse de rotation donnée dans un milieu specifique liquide. On mesure le phénoméne de dissolution à l'aide d'un appareil nomé « dissolu-test ». Cet appareil reporoduit plusieurs conditions que l'on rencontre lors de la digestion d'un produit (exemple : Température 37°c, milieu acide, mileu tamponé ..etc).

Figure 16: Appareil servant au test de dissolution (Dissolu-test)

CONTROLE DES PARTICULES

En ce qui concerne les médicaments injectables, on s'assure qu'aucune particule potentiellement dangereuse de par sa taille ne soit présente. On évite ainsi tout risque d'obstruction des vaisseaux sanguins ou tout autre accident de santé.

ANALYSES MICROBIOLOGIQUES

Les analyses microbiologiques sont effectuées selon le type de médicament. Ils permettent de mettre en évidence et de quantifier les germes (bactéries) ou champignons. Il est important de connaître la charge bactérienne.

30

Chapitre I : Contexte pratique & problématique

Figure 17: Tests Microbiologiques

Ce test se fait par la mise en place de milieux de culture dans lesquels on place des échantillons puis, après un certain laps de temps on s'assure de la stérilité des produits. Voici quelques exemples :

- Les produits injectables doivent être stériles, exempt de toutes bactéries ou champignons.

- Les antibiotiques administrés par voie orale ne doivent pas dépasser un certain seuil de charge bactérienne.

STABILITE

Dans le secteur pharmaceutique, les tests de stabilité jouent un rôle important dans le développement et l'homologation de nouvelles substances actives et de nouveaux produits. L'objectif est de déterminer comment, dans certaines conditions, un produit ou une substance active se transforme pendant une période déterminée.

Les résultats obtenus permettent notamment de déterminer la durée de conservation et de définir les conditions de stockage recommandées. Ce n'est qu'après avoir effectué une étude de stabilité que le fabricant pourra garantir que le produit répondra aux spécifications exigées à condition qu'il soit entreposé correctement et dans le respect des conditions de stockage ainsi définies.

Figure 18 : Etuves de stabilité

31

Chapitre I : Contexte pratique & problématique

7. ENJEUX DE LA MAITRISE DU CYCLE DE VIE DU PRODUIT

La société connaît un développement national rapide. « Les activités industrielles en milieu pharmaceutique sont plus strictement encadrées sur le plan législatif et bien plus complexe que dans la plus part des autres industries » (LINDNER 2008). Afin de répondre aux différents impératifs de l'entreprise (voir Figure 5 p19) la direction souhaite mieux maitriser le cheminement que suivent ses produits.

7.1. Difficultés rencontrées

Voici les principales difficultés et défis rencontrés par la gouvernance de l'entreprise que nous avons relevés:

? Processus manuels, lents, enclins aux erreurs et aux redondances de données. ? Fortes pressions exercées par la réglementation.

? Difficultés de gestion du nombre croissant de ligne de produits.

? Fort cloisonnent entre les différentes phases du processus métier.

7.2. Objectifs industriels

Le laboratoire pharmaceutique étant avant tout une entreprise commercial, on peut résumer ses objectifs à la minimisation du temps et du cout d'une part, et à la maximisation de la qualité d'autre part. La mise en place d'une stratégie de gestion de cycle de vie d'un produit permet de décloisonner les différentes activités. De plus, elle permet d'apporter de réelles réponses aux défis rencontrés.

Figure 19: Apports d'une gestion de cycle de vie de produit

32

Chapitre I : Contexte pratique & problématique

8. SPECIFICITES ET PROBLEMATIQUE DU DOSAGE DES MEDICAMENTS

L'HPLC (High Pressure Liquid Chromatography) est une technique chromatographique à haute performance dont la phase mobile est liquide. Cette méthode de pointe qui est utilisée en chimie analytique permet de séparer et d'identifier les constituants d'un mélange.

8.1. Variété des familles de produits

Le tableau ci-dessous représente les 24 familles ainsi que le code à 3 caractères retenu.

Familles de produit (Molécule)	Code
ACETYLSALICYLATE DE LYSINE	AYL
ACETRAL	ACT
AMLODIPAL	AML
ASPIGAL	ASP
AMPAL	AMP
AMOXA	AMX
BENZYPAL	BZP
CAPTOPRAL	CAP
CEFAZAL	CFZ
COTRIMOXAL	CTM
CLAVAMOX	CLV
CYANOCOBAL	CYN
DICLOFAL	DCL
DIPARACETAL	DIP
GENTAL	GTL
GLAZIDAL	GLZ
LOPERIDAL	LPR
MEPRENAL	MEP
NIFEDIPAL	NFD
NOVITAL	NOV
OXAL	OXL
PARACETAL	PCT
PENIVAL	PNV
RANITIDAL	RTD

Tableau 1 : Liste non exhaustive d'applications multiagents

Dans notre étude nous nous sommes penchés sur ce test en particulier parce qu'il réunit toute la complexité de gestion et de planification. En effet, ce problème s'apparente à celui dit de « la machine à outils ». Comme le montre la section d), l'ordre dans lequel les tests sont programmés et réalisés, influence grandement la durée des tests et le temps d'attente moyen.

33

Chapitre I : Contexte pratique & problématique

8.2. Principe de fonctionnement

Le fonctionnement de cette machine est assez complexe en ce qui concerne le procédé de mesure. Notons aussi qu'il n'existe pas une mais plusieurs machines fonctionnant chacune d'une façon particulière et utilisant chacun un rayonnement particulier (Infrarouge, radiation...etc.).

Comme nous le montrons dans la figure ci-après, nous avons ressorti les principales caractéristiques communes aux HPLC ainsi que le principe général commun.

8.3. Déroulement du test

Figure 20: Schéma général de fonctionnement d'une HPLC Le test se passe comme suit :

- On prépare une solution que l'on place dans un réservoir.

- La pompe commence à aspirer la solution pendant plusieurs minutes pour préparer la colonne. On appelle cette phase de préparation la phase mobile.

- A la fin de la phase mobile et à un moment précis on injecte le produit dont on veut connaitre le dosage à l'aide d'une seringue dans un orifice spécial nommé «injecteur».

- Le liquide chemine ainsi à travers les conduites jusqu'à son arrivée à l'entrée de la colonne. Cette dernière va ainsi agir comme un filtre ne laissant passer qu'un produit à la fois et ce, chacun à un moment précis.

- Le liquide continue ainsi sa progression.

34

Chapitre I : Contexte pratique & problématique

- Un dispositif chromatographique⁷ ultra-sensible va permettre de mesurer le dosage de mélange en mesurant l'absorbation d'une longueur d'onde précise à un moment précis (selon le produit et la colonne utilisée).

- Si le test est terminé et que l'on souhaite arrêter l'utilisation de la machine ou changer de produit (et probablement de colonne) on repasse par une phase mobile afin de ne pas dégrader la colonne et de pouvoir l'entreposer sans risquer de l'endommager.

8.4. Problématique

Comme nous l'avons expliqué plus haut, il s'agit de solutionner un ensemble de problèmes successifs tout au long de la vie du produit. Nous nous intéressons ici au test d'HPLC.

Figure 21: Graphe illustrant les étapes du cycle de vie d'un produit

⁷ Chromatographique : technique de séparation des substances chimiques qui repose sur des différences de comportement.

35

Chapitre I : Contexte pratique & problématique

Le but est d'étudier ce problèmes afin de dégager des comportements pouvant être étendus à des problèmes plus ou moins similaires que rencontrera le produit (Manufacturassions, autres tests, conditionnement, problèmes de distribution ...Etc.)

CONTRAINTES

La compatibilité entre machine et produit est un élément central. Il n'est pas possible de réaliser n'importe quel test sur n'importe quel HPLC. De ce fait il est indispensable de dégager en premier lieu toutes les combinaisons possibles. Prenons l'exemple de trois produits et deux machines.

Tableau 2: Table de compatibilité ressources-tâches

Posons la fonction Fcomp(x) telle que x est une machine HPLC et Fcomp(x) égale aux nombres de produits susceptibles d'être tester (de s'exécuter) sur la machine x. Nous obtenons alors :

y' Ligne 1 correspondant aux compatibilités du produit P1 Lot1 avec les HPLC 1

& 2 nous avons une seule compatibilité; Donc Fcomp(P2)=1 y' Ligne 2 correspondant aux compatibilités du produit P2 Lot1 avec les HPLC 1

& 2 nous avons une seule compatibilité; Donc Fcomp(P2)=1 y' Ligne 3 correspondant aux compatibilités du produit P3 Lot1 avec les HPLC 1

& 2 nous avons deux compatibilité; Donc Fcomp(P3)=2

PARCOURS DE L'ESPACE DE RECHERCHE

Le problème que nous traitons est un problème d'optimisation combinatoire. Nous pouvons rencontrer lors de sa résolution des problèmes d'explosion combinatoire (dû à un trop grand nombre de combinaisons à évaluer) et ou à un problème de non-exhaustivité des solutions envisagées.

Figure 22: Ensemble des affectations possibles

Figure 23: Arbre des séquences possibles

36

Chapitre I : Contexte pratique & problématique

Pour notre étude nous parlons d'espace de recherche. « L'espace de recherche désigne l'ensemble des combinaisons de valeurs utilisées pour une représentation de problème » (ARMETTA 2006)

37

Chapitre I : Contexte pratique & problématique

Du fait du changement d'outil (voir section 8.2), il s'agit de déterminer l'ordre de passage des tests. On doit alors dégager l'ensemble des listes ordonnées. Pour chaque affectation on doit calculer un ensemble d'arrangements possibles.

Nous obtenons au final deux configurations d'affectations possibles. De là, nous pouvons dégager cinq séquences ordonnées possibles nommées « ordonnancement «

Dans (RAPINE 2010), un problème d'ordonnancement est défini par :

- Un ensemble de ressources (hommes, machines, camions . . .)

- Un ensemble d'activités nécessitant ces ressources tâches d'un projet, produits, commandes, . . . Etc.

- Des objectifs tels que (Finir au plus vite, ne pas avoir de retard, . . . Etc.).

Il existe dans la littérature de nombreuses méthodes permettant d'explorer les ordonnancements (ALOULOU 2006). Voici les principales :

- Modélisation mathématique (linéaire, non-linéaire, en nombre entiers ...). - Programmation par contrainte.

- Méthodes de résolution exacte (Branch and Bound, Programmation dynamique...)

- Méthodes de recherche locale (Tabou, recuit simulé, algorithme génétique, ...).

- Heuristiques (règles de priorité, beam search, ...).

- Méthodes par décomposition spatiale et/ou temporelle. - Méthodes hybrides.

EVALUATION

Apres avoir identifié toutes les séquences possibles, il faut les évaluer. Plusieurs paramètres peuvent ainsi entrer en ligne de compte. Voici une liste non-exhaustive des paramètres incorporés lors de l'évaluation :

i. Priorité : Donne la priorité fixée pour le produit.

ii. Avancement global : Taux des tests terminés sur le nombre total de tests.

iii. Coût : Estimation du coût du test d'un produit donné sur une machine
donnée.

iv. Temps d'attente moyen : Estimé pour tous les tests sur toutes les machines.

v. Temps d'exécution global : Estimé pour tous les tests sur toutes les machines.

38

Chapitre I : Contexte pratique & problématique

vi. Risque : Taux succès/échecs pour le test d'un produit donné sur une machine

donnée.

Nous remarquerons que l'introduction de paramètres tels que l'avancement global ou le coût constitue une extension de la vision du problème vers les autres phases de la vie du produit (voir Figure 21). Ainsi il ne s'agit plus d'évaluer un test indépendamment des autres phases.

Pour illustrer ce propos posons la question « A quoi bon faire passer le test d'un produit à forte priorité au détriment de tâches à la priorité plus modeste si son test microbiologique de deux semaines vient à peine de débuter ? »

INCIDENCE DE L'ORDRE

Afin de bien illustrer l'ordonnancement des tests d'HPLC.

Prenons un cas qui semble assez simple de prime-abord. Nous avons :

? Une seule machine HPLC.

? Deux échantillons du produit P1 pour analyse.

? Un échantillon du produit P2.

I. SCENARIO 1

Le diagramme de GANTT ci-dessous illustre les temps d'exécution des tests

pour la séquence P1-)P2-)P1. Et ce, en prenant en considération les temps de phase mobile causés par les changements de colonne.

Figure 24: Digramme de GANTT pour le scénario 1

Chapitre I : Contexte pratique & problématique

II. SCENARIO 2

Pour ce deuxième exemple nous allons prendre la séquence P1-) P1 -)P2 sans modifier les durées des tests et des phases mobiles. Nous obtenons alors ce second diagramme de GANTT.

Figure 25: Digramme de GANTT pour le scénario 2

III. RESULTATS

En effectuant une rapide comparaison, il est évident que le changement d'outil, dans notre cas le changement de colonne, affecte le temps final des tests d'une heure (gain d`approximativement 19%). Ce résultat montre tout le potentiel de l'optimisation de l'ordonnancement.

Scénario 1 Scénario 2

Arrivée Fin
Arrivée Fin
P1 (1)	00h00	1 h 30		P1 (1)	00h00	1 h 30
P1 (2)	00h00	3 h 30		P1 (2)	00h00	2 h 30
P2	00h00	5 h 30		P2	00h00	4 h 30

Tableau 3 : Déroulement des deux scenarios

Scénario

1

Le temps
d'attente
moyen = 210
minutes (3 H 30)

Scénario

2

Le temps
d'attente
moyen = 170
minutes (2 H 50)

39

Tableau 4 : Les temps d'attentes moyens

40

Chapitre I : Contexte pratique & problématique

9. CONCLUSION

Dans ce chapitre nous avons introduit les activités de l'entreprise. Nous posons notre problématique comme étant une suite de problèmes que le produit doit franchir.

Si l'on veut maitriser le cycle de vie du produit, ce dernier doit être à même d'enchainer une succession d'étapes. La notion d'intelligence vient ici pour faciliter et optimiser les activités de bout en bout de la vie du produit.

Il existe différentes méthodes et concepts qui ont pour but d'aider à atteindre cet objectif. Dans le chapitre suivant nous allons explorer le paradigme du pilotage de cycle de vie et des produis intelligents en décrivant un état de l'art.

41

Chapitre II : Etat de l'art PLM & Produit intelligent

CHAPITRE II :

ETAT DE L'ART SUR LA GESTION DE

CYCLE DE VIE DE PRODUIT &

PRODUIT INTELLIGENT

1. INTRODUCTION

Le premier chapitre a permis d'introduire les principales notions de gestion et de pilotage de production. Nous avons aussi posé une problématique propre à l'industrie pharmaceutique. Nous avons cité l'approche de gestion de cycle de vie comme une solution globale. Le PLM (voir définition ci-après) se présente comme une démarche permettant de répondre aux exigences multiples et parfois contradictoires des activités industrielles. Nous allons en présenter un état de l'art dans un premier temps ; puis nous allons nous intéresser aux différentes solutions dites de « Produits intelligents » afin de voir les différentes typologies et applications possibles.

2. GESTION DU CYCLE DE VIE DE PRODUIT

Le Product Lifecycle Management que l'on peut traduire littéralement par « gestion du cycle de vie du produit » est un concept qui fait référence à un ensemble d'activités ayant pour but de prendre en charge la définition d'un produit tout au long de son cycle de vie (ORACLE 2008). Depuis la création de la première définition lors de l'offre ou de la phase de conception, jusqu'à la fin de vie du produit. Tout en assurant bien entendu les multiples évolutions que va connaitre la définition du produit.

42

Chapitre II : Etat de l'art PLM & Produit intelligent

2.1. Définition

Dans (MARIN 2009), Le PLM se définit comme étant « un ensemble de technologies supporté par des processus et animé par des équipes. C'est une approche stratégique, permettant de soutenir la création et la gestion des actifs intellectuels des produits, depuis l'idée jusqu'à la fin de vie. »

Le PLM peut être divisé en deux parties qui souvent se chevauchent au sein d'une même entreprise:

i. La création de l'information: principalement édité par les acteurs du monde
de la conception virtuelle (PTC, Dassault systèmes, Siemens PLM...etc.) Nous pouvons alors parler d'innovation produit (Historiquement les plus impliqués sont les secteurs de l'automobile et de l'aéronautique).

ii. La gestion de l'information: permet de suivre les flux physiques
des produits. Soutenus par les éditeurs de solution ERP (Entreprise Ressource Planning tel que SAP, ORACLE...etc.) ; nous parlons alors d'innovation processus Les activités du PLM se chevauchent alors avec des solutions CRM⁸ et SCM⁹.

Figure 26: Relation entre les différentes solutions d'entreprise (CIMdata, Inc 2002)

⁸ C.R.M : Customer Relationship Management

⁹ S.C.M : Supply Chain Management

43

Chapitre II : Etat de l'art PLM & Produit intelligent

2.2. Historique

Selon (DEBAEKER 2008) l'histoire des PLM peut se résumer en trois grandes périodes :

i. Dès les années 80 la conception devient de plus en plus "virtuelle" surtout
pour la mécanique, l'électronique, l'électricité ...etc.) , notamment par le développement de la CAO ainsi que de la simulation numérique. Les premiers « Systèmes de Gestion des données techniques )) voient le jour. Ces derniers permettent la collaboration entre les utilisateurs d'un même bureau d'études(*).

Figure 27 Les SGDT dans les années 80

ii. Tout s'accélère au début des années 90 avec l'avènement de l'Internet
ainsi que de la mondialisation et le développement des réseaux informatiques en général bouleverse les périmètres géographiques. Les SGDT de nouvelle génération s'appuient sur les réseaux et permettent une collaboration étendue au sein de l'entreprise.

Figure 28 Les SGDT dans les années 90

iii. Dans les années 2000 les solutions d'entreprise sont enrichies de fonctionnalités permettant les échanges industriels à travers la planète ; partenariat entre (DENIS et GULATI 2009) constructeurs, intégration en amont des fournisseurs, intégration en aval jusqu'au client final. Il est important de noter que ce n'est qu'à cette période que nous pouvons parler réellement de PLM suivant la définition « Gestion des informations techniques de l'entreprise étendue permettant l'échange et le partage d'informations (en interne et vers l'extérieur), sur l'ensemble du cycle de vie )).

44

Chapitre II : Etat de l'art PLM & Produit intelligent

Figure 29 Naissance des premières solutions PLM

2.3. Les trois phases du PLM

Le modèle PLM se propose de décomposer le cycle de vie d'un produit en trois phases :

I. Beginning of life (BOL):Le début de vie du produit rassemble l'ensemble des activités de conception, de design et de production. Notons que c'est pendant ces deux étapes où la définition du produit est la plus à même de changer.

II. Middle of life (MOL): Cette phase concerne la consommation du produit.

III. End of life (EOL): Le « end-of-life » qui se traduit par «fin de vie» prend en charge la partie destruction, réutilisation ou recyclage du produit.

45

Chapitre II : Etat de l'art PLM & Produit intelligent

Figure 30: Concept général du PLM

2.4. Les données en PLM

Dans (Yang 2009), on peut classer les données des PLM en deux catégories :

DONNEES STATIQUES

Ce sont les données relatives à la spécification du produit. Ils donnent toutes les informations sur les matériaux, les composants utilisés ainsi que les options de configuration et les instructions opératoires. Ces données sont créées au début du cycle de vie du produit et ne change que très rarement durant le cycle de vie. Ils incluent généralement : Identification spécifique des composants, matériaux sensibles et ou dangereux, composition des matériaux, séquences d'assemblage (ex : ordres opératoires et outils) et les informations sur le recyclage.

46

Chapitre II : Etat de l'art PLM & Produit intelligent

DONNEES DYNAMIQUES

Essentiellement utilisées pendant la distribution, l'utilisation et la fin de vie. De façon générale, ils renseignent des données tels que l'état, la localisation (ex : coordonnées GPS)...Etc. ce sont des informations qui changement durant l'utilisation et la destruction du produit.

Figure 31: Codage des informations en PLM

3. LE PLM EN INDUSTRIE PHARMACEUTIQUE

Le laboratoire pharmaceutique étant avant tout une entreprise commercial, on peut résumer ses objectifs à la minimisation du temps et du coût d'une part, et à la maximisation de la qualité d'autre part. La mise en place d'une stratégie de gestion de cycle de vie d'un produit permet de décloisonner les différentes activités. De plus, elle permet d'apporter de réelles réponses aux défis rencontrés.

3.1. Besoins industriels

Dans le contexte actuel, l'industrie a besoin de nouveaux outils d'analyse de performance. En effet les industriels doivent être en mesure de contrôler les performances de toute la chaine de production. Grâce à de tels indicateurs, ils sont en mesure d'augmenter l'efficacité de la production. Il est ainsi possible de réagir plus rapidement en améliorant le contrôle et la régulation.

47

Chapitre II : Etat de l'art PLM & Produit intelligent

Figure 32: Taux de réussite de mise sur le marché de nouveaux produits (DENIS et GULATI

2009)

Nous pouvons aussi citer comme besoins industriels :

? Une collaboration automatisée et centralisée.

? Un transfert de technologie et une gestion de connaissance.

? Une bonne gestion du risque

? La garantie de conformité aux normes établies.

3.2. Besoins scientifiques et technologiques en pharmaceutique

TRAÇABILITE

Le terme traçabilité relative au produit fut défini dans les années 90. Toute une série de besoins industriels fut mise en évidence lors de l'établissement de la norme ISO 9000. Généralement la traçabilité est la possibilité donnée à un utilisateur (fabricant, vendeur, fournisseur...etc.) à reconstituer le tracé d'un produit durant son processus.

Plus concrètement, La traçabilité consiste à maintenir un enregistrement des informations de tous les matériaux et composants Durant tout le cycle de vie (ex : depuis l'achat des matières premières jusqu'à la vente du produit fini) et ce en utilisant une identification codée. La traçabilité est un des axes du PLM dans la mesure où c'est une approche centrée sur le produit. Les informations sont ainsi accessibles et gérées tout au long du cycle de vie.

Enfin, la traçabilité est définie dans (MOE 1998) comme étant « La capacité qu'une personne a à suivre le produit et son historique à travers une partie ou tout au long de son transport, stockage, processus, distribution et vente ou tout au moins durant une étape de la chaine de production.

Chapitre II : Etat de l'art PLM & Produit intelligent

AUTRES BESOINS

Grâce à des Plateformes de collecte de données, les acteurs des phases de développement et de conception doivent connaitre :

· L'impact de leurs choix et décisions sur la qualité

· Les informations sur les équipements de laboratoire et de production.

· Les données de commercialisation et de changement d'échelle (faisabilité).

· Données scientifiques portant sur : la purification, la stabilité...etc.

· Les ressources disponibles.

· Les procédures et méthodes pour le développement / production.

3.3. Le PLM en quelques chiffres

Actuellement l'approche PLM s'étend à de plus en plus de secteurs ; Et ce principalement pour ce qu'elle apporte en termes de gains de temps et d'innovation. En effet, cette approche séduit par sa contribution à l'innovation. Elle permet des cycles de développement de plus en plus court ainsi que la généralisation des outils de travail collaboratif encourageant de fait la co-conception étendue. « Les entreprises investissent pour atteindre une meilleure capitalisation et gestion de la connaissance. » (ELLERY 2009).

Figure 33 Investissement PLM annuel en million de dollars US¹⁰

48

¹⁰ Source CIMdata PLM Market Growth 2007

49

Chapitre II : Etat de l'art PLM & Produit intelligent

4. APPORTS DES PRODUITS INTELLIGENTS AUX PLM

Ces dernières années, de plus en plus d'entreprises optent pour une solution PLM. La plus part des offres se présentent sous-forme d'un ensemble de logiciels et progiciels de gestion. Toutefois, dans ce travail, nous proposons l'approche PLM comme étant une vision de « décloisonnement » des différentes phases du cycle de vie. L'idée est de se baser sur les techniques dites de produit intelligent pour atteindre cet objectif global. Nous tentons ici d'allier les avantages du PLM à la puissance offerte par les techniques d'intelligence artificielle tels que les produits intelligents.

4.1. Définition du produit intelligent (PI)

« En général, le produit actif ou intelligent est capable de générer automatiquement de l'information » (SALLEZ et al. 2010) . Les « P.I » sont considérés comme tels du moment qu'ils agissent intentionnellement sur leur environnement.

« Ainsi, ils effectuent directement des demandes aux ressources de « Productrices » appropriées. Exemples : une voiture demande au conducteur un changement de frein. Une machine à café demande à son opérateur de maintenance un réapprovisionnement en matières premières ou encore un logiciel peut demander à l'utilisateur de faire une mise à jour » (SALLEZ 2010).

4.2. Classification des produits intelligents

Il existe actuellement beaucoup de concepts gravitant autour des produits intelligents. Nous avons retenu une typologie basée sur quatre axes permettant de situer le produit intelligent (ZBIB 2010).

Cette classification reprend les trois axes (MEYER & al. 2009) qui sont : le degré, la localisation et le niveau d'agrégation de l'intelligence du produit intelligent enrichie d'un quatrième axe renseignant sur la phase du cycle de vie.

DEGRES D'INTELLIGENCE

Divisé en cinq classes, le degré d'intelligence correspond au niveau d'intelligence dont fait preuve le produit.

I. PRODUIT DIT PASSIF « PPF » :

Ce type de produit est sans doute le plus répandu parce que le plus rudimentaire des produits intelligents. Un identificateur souvent noté « ID »

50

Chapitre II : Etat de l'art PLM & Produit intelligent

permet de l'identifier de façon unique et ainsi d'en déduire des informations statiques. Cette classe est considérée comme passive puisqu'il ne peut ni répondre à des requêtes de son environnement ni prendre l'initiative en envoyer.

II. PRODUIT INFORMATIONNEL « PIL » :

Cette classe regroupe les produits physiques équipés de mémoire. Cette mémoire peut alors être utilisée pour lire et y inscrire des données dynamiques. Ces données sont alors exploitées tout à long de la vie du produit.

III. PRODUIT DECLENCHEUR « PDR » :

Ces produits sont capables d'envoyer des signaux sous forme de message par exemple ou encore, de déclencher des alarmes sonores pour avertir d'un dépassement de date de péremption.

Ainsi les produits déclencheurs sont considérés comme actifs puisqu'ils « décident » de communiquer avec leur environnement sur leur état. Notons qu'ils ne peuvent pas influer plus que cela sur le processus décisionnel.

IV. PRODUIT DECISIONNEL « PDL » :

« Ces produits peuvent être considérés à la fois comme demandeurs mais aussi comme fournisseurs de services pour les entités de l'environnement » (BAJIC & RAMIREZ 2005).

Dotés de capacités de traitement de l'information, ils sont aptes à « décider » partiellement ou entièrement de la suite de leur cycle de vie. Par exemple en décidant de leur cheminement sur les chaines de montage.

V. PRODUIT ACTEUR PHYSIQUE « PAP » :

Cette classe regroupe les produits dotés du plus haut niveau

d'intelligence. Non seulement ils ont les mêmes propriétés de traitement d'information que la classe « décisionnel » mais ils sont en plus dotés de capteurs et d'actionneurs leur permettant d'agir physiquement sur leur environnement.

51

Chapitre II : Etat de l'art PLM & Produit intelligent

LOCALISATION DE L'INTELLIGENCE

En ce qui concerne la localisation de l'intelligence, deux cas peuvent se présenter :

I. INTELLIGENCE EMBARQUEE :

Le produit possède physiquement une unité de traitement de données pouvant exécuter l'entité informatique qui représente le produit.

II. INTELLIGENCE DISTANTE

L'intelligence se situe à distance du produit. Ce cas est le plus couramment rencontré. L'entité informatique qui représente le produit s'exécute sur un ordinateur personnel par exemple et n'a pas besoin d'accompagner physiquement le produit.

NIVEAU D'AGREGATION

Cette caractéristique introduite dans (MEYER & al. 2009) permet de définir deux types d'agrégations:

I. ITEM INTELLIGENT « II » :

Le produit ne gère que ces propres informations et décisions. S'il est lui-même composé d'autres éléments, ces derniers ne peuvent à leur tour être considérés comme des produits intelligents.

II. CONTENEUR INTELLIGENT « CI » :

Les produits considérés comme étant des conteneurs intelligents sont des produits actifs pouvant eux-mêmes être récursivement composés de produits actifs ou passifs. Cette dimension peut être décrite en utilisant l'approche holonique.

PHASE DU CYCLE DE VIE

Notons que pour le cycle de vie nous avons retenu trois grandes phases

I. BEGINNING OF LIFE (BOL)

A cette étape le produit est encore à la phase de conception. Il peut être représenté par exemple sous forme de maquette, formule ou

52

Chapitre II : Etat de l'art PLM & Produit intelligent

autre document conceptuel. Durant cette phase la définition du produit a tendance à évoluer. La phase d'usinage et de fabrication est aussi considérée comme faisant partie du début de la vie du produit.

II. MIDDLE OF LIFE (MOL):

Durant cette phase le produit est alors distribué, commercialisé et consommé par le destinataire final.

III. END OF LIFE (EOL):

Les produits arrivant à cette dernière étape sont soit détruits soit recyclés pour être réintroduits partiellement ou entièrement dans un nouveau cycle de vie.

Figure 34: Classification des produits selon quatre critères

5. DIFFERENTS CONCEPTS DE PRODUIT INTELLIGENT

Dans la littérature on trouve plusieurs modèles de produits intelligents. Dans cette section nous allons présenter les principaux modèles existants en milieu industriel.

5.1. Produit actif de BRUN PICARD

En 1997, BURUN PICARD propose un modèle d'agent qu'il qualifie « d'actif ». Les entités basées sur ce modèle doivent communiquer, décider et négocier des ressources dans un contexte manufacturier. Afin de reprendre notre classification, il s'agit d'un produit décisionnel doté d'une intelligence distante.

53

Chapitre II : Etat de l'art PLM & Produit intelligent

Figure 35: Produit actif ( (BRUN PICARD et al. 1997) et sa classification

Il est définit comme étant un « Item Intelligent » et il est conçu pour la phase de Beginning of life. Les figues présentent le modèle ainsi que sa classification. Le produit actif de Produit actif de Brun picard propose quatres modules :

i. Communication : Assure l'echange d'information inter-entités.

ii. Décision : coordone les actions du produit face aux évenements innatendus.

iii. Action : met en oeuvre les actions décidées par le module décisionel.

iv. Base de données : Permet l'accès aux informations du produit.

Figure 36: Classification du produit actif ( (BRUN PICARD et al. 1997)

54

Chapitre II : Etat de l'art PLM & Produit intelligent

5.2. Produit intelligent Mc FARLANE

Une autre définition fut apportée dans (MC FARLANE & al. 2002). Il s'agit d'une représentation à la fois physique mais aussi informationnelle d'un objet ayant comme caractéristiques :

- Possède une identification unique.

- Peut communiquer avec son environnement.

- Doté de fonctions de mémorisation des données.

- Dispose d'un langage pour formuler ses besoins tout au long du cycle

de vie.

- Capable de prendre des décisions relatives à son propre destin

et de participer à d'autres types de décisions.

On peut identifier deux niveaux de produit intelligent d'après Mc FARLANE:

PRODUIT INFORMATIONNEL

Ce type de produit est capable de surveiller son environnement, de procéder à des analyses et de résonner sur son état actuel et/ou futur.

Figure 37 Classification du produit informationnel (MC FARLANE & al. 2002)

55

Chapitre II : Etat de l'art PLM & Produit intelligent

PRODUIT DECISIONNEL

La figure ci-dessous montre un exemple de produit décisionnel doté d'un agent décisionnel distant.

Figure 38: Produit intelligent avec agent de décision (MC FARLANE & al. 2002)

Ce deuxième niveau est une extension du premier. En effet, le produit dit décisionnel est un produit informationnel avec en plus une capacité de prendre des décisions afin d'influencer son propre destin.

Figure 39: Classification du produit avec agent de décision (MC FARLANE & al. 2002)

56

Chapitre II : Etat de l'art PLM & Produit intelligent

5.3. Produits intelligents de BAJIC

OBJET PORTEUR DE DONNEES

Figure 40: Exemple d'objets porteurs de données

Ce type de produit intelligent est le plus minimaliste. Il a la faculté de mémoriser des informations de base accessibles depuis l'extérieur. Il s'appuie sur des technologies de type code barre par exemple.

Figure 41: Classification de l'objet porteur de données (BAJIC & RAMIREZ 2005)

57

Chapitre II : Etat de l'art PLM & Produit intelligent

OBJET POINTEUR VERS UN SYSTEME D'INFORMATION

Comme représenté dans la Figure 42, l'objet pointeur vers un système d'information est identifié grâce à la technologie RFID¹¹. Une image virtuelle représentant cet objet existe dans le système d'information.

Figure 42: Objet pointeur vers un système d'information (BAJIC 2004)

L'objet physique peut ainsi pointer sur cette image virtuelle mais ne peut agir sur d'autres entités.

Figure 43: Positionnement de l'objet pointeur vers un système d'information (BAJIC 2004)

¹¹ Radio Frequency IDentification

58

Chapitre II : Etat de l'art PLM & Produit intelligent

5.4. Objet demandeur et/ou fournisseur de services

Ce type d'objet a un double rôle, à la fois actif et passif :

- Actif lorsqu'il demande des services aux acteurs

- Passif lorsqu'il se contente de répondre aux ordres des autres acteurs.

Figure 44: Objet demandeur et/ou fournisseur de services (BAJIC 2004)

Figure 45: Classification Objet demandeur et/ou fournisseur de services

59

Chapitre II : Etat de l'art PLM & Produit intelligent

5.5. Objet communicant sensitif

Ce sont des objets ayant pour caractéristiques de pouvoir à la fois:

1. Communiquer avec d'autres entités ;

2. Traiter les données de façon locale ;

3. Acquérir des informations sur son environnement à l'aide de capteurs.

Figure 46: Positionnement de l'objet communiquant sensitif

5.6. Produit actif dans un environnement d'intelligence ambiante

Ce type de produit vient plus récemment pour enrichir la définition initiale de BAJIC. En effet dans (BAJIC & DOBRE 2008), on propose une application du principe de produit actif aux activités de stockage de matériaux dangereux.

60

Chapitre II : Etat de l'art PLM & Produit intelligent

Figure 47: Produit actif en environnement d'intelligence ambiante (BAJIC & DOBRE 2008)

Cet ensemble d'interactions entre les produits et les opérateurs humains...etc. permet de parler de sécurité active. En cas de non-respect du protocole de stockage, par la mise en présence de deux produits susceptibles d'exploser. Par exemple, les produits déclenchent une alarme de sécurité.

Figure 48: Positionnement du produit en environnement d'intelligence ambiante

61

Chapitre II : Etat de l'art PLM & Produit intelligent

6. SYNTHESE DES TRAVAUX « PRODUIT INTELLIGENT »

Le tableau ci-dessous reprend les différents produits intelligents vus jusqu'ici. Il permet de les classer selon le degré d'intelligence, le niveau d'agrégation ainsi que la localisation de l'intelligence.

Source	Année	Désignation	Degré d'intelligence	Agrégation	Localisation de l'intelligence
ZBIB	2010	produit actif/intelligent	Décisionnel	Item intelligent	Embarquée
DOBRE & BAJIC	2008	Produit actif dans un environnement d'intelligence ambiante	Acteur physique	Conteneur intelligent	Embarquée
BAJIC	2004	Objet porteur de donnée	Passif	Item intelligent	X
		Objet pointeur vers un système d'information	Informationnel	Item intelligent	X
		Objet demandeur et/ou fournisseur de services	Informationnel	Item intelligent	Distante
		Objet communicant sensitif	Acteur physique	Item intelligent	Embarquée
MACFARLANE	2002	Produit informationnel	Informationnel	Item intelligent	Distante
BRUN PICARD	1997	Produit actif	Décisionnel	Item intelligent	Distante

Tableau 5 : Tableaux synthétique des différents produits intelligents

Chapitre II : Etat de l'art PLM & Produit intelligent

7. CONCLUSION

Dans ce chapitre, nous avons expliqué que le PLM est plus qu'une simple application à déployer. Il consiste en une réelle stratégie pour guider les activités de l'entreprise.

Sur un second plan, l'informatique ubiquitaire¹² apporte aux produits intelligents des plateformes permettant leurs mises en place. Nous basant sur ces deux aspects, nous allons proposer une approche permettant de poser les premières bases d'une gestion de cycle de vie à base de produit intelligent. A présent que nous avons décrit le paradigme des systèmes multiagents, Nous allons nous intéresser à notre problématique d'une façon plus spécifique. Nous verrons ainsi émerger les avantages d'une approche basée sur un modèle de produits intelligents.

62

¹² Appelée aussi informatique pervasive ou ambiante

63

Chapitre III : Spécification et modélisation d'une solution à base de SMA

CHAPITRE III :

SPECIFICATION ET MODELISATION

D'UNE SOLUTION A BASE DE SMA

1. INTRODUCTION

Notre modèle se doit de répondre aux problématiques posées par notre cas pratique. L'objectif est d'apporter un modèle de produit intelligent à même de satisfaire les contraintes du test d'HPLC, tout en prenant en compte les autres étapes que connait le produit. Cet impératif découle du fait que les tests en laboratoire et les autres opérations de production sont souvent simultanés et interdépendants.

Parmi les nombreux outils de développement et de conception existants, nous avons opté pour une approche basée sur les systèmes multiagents. Etant positionné sur une solution à base de produits intelligents, les agents semblent être la solution la plus indiquée et la plus naturelle pour implémenter notre entité intelligente.

2. L'AGENT INFORMATIQUE

D'après (FINNVEDEN 2009), un agent est une entité (physique ou abstraite) caractérisée par le fait qu'elle est autonome dans la prise de décision, par ses connaissances sur elle-même et sur les autres, et par sa capacité d'agir.

Ce peut-être un processus (en gestion des processus dans les systèmes d'exploitation), un robot (dans un environnement industriel), un être humain (en sociologie)...etc.

64

Chapitre III : Spécification et modélisation d'une solution à base de SMA

2.1. Définition de l'agent informatique

« Un agent est une "entité computationnelle", comme un programme informatique ou un robot, pouvant être comme percevant et agissant de façon autonome sur son environnement » (WEISS 2001).

Il nous faut en premier lieu comprendre la notion d'agent avant d'aborder les différents types existants. Dans (BAJIC 2004), on appelle « agent » une entité physique ou virtuelle qui:

- est capable d'agir dans un environnement ;

- peut communiquer directement avec d'autres agents ;

- est mue par un ensemble de tendances (sous la forme d'objectifs individuels

ou d'une fonction de satisfaction, voire de survie, qu'elle cherche à optimiser) ;

- possède des ressources propres ;

- est capable de percevoir (mais de manière limitée) son environnement ;

- possède des compétences et offre des services ;

- peut éventuellement se «reproduire» ;

- à un comportement qui tend à satisfaire ses objectifs, en tenant compte

des ressources et des compétences dont elle dispose, et en fonction

de sa perception, de ses représentations et des communications qu'elle reçoit.

Figure 49: Principe de fonctionnement d'un agent

Chacun des termes de cette définition est important. Une entité physique est quelque chose qui agit dans le monde réel : un robot ou une voiture sont des exemples d'entités physiques. En revanche, un composant logiciel, un module informatique sont des entités virtuelles, car elles n'existent pas physiquement.

« Les agents sont capables d'agir, et non pas seulement de raisonner

comme dans les systèmes d'IA classique. » (SERGIO 2007)
L'action, qui est un concept fondamental pour les systèmes multiagents, repose sur

65

Chapitre III : Spécification et modélisation d'une solution à base de SMA

le fait que les agents accomplissent des actions qui vont modifier l'environnement des agents et donc leurs prises de décisions futures. Ils peuvent aussi communiquer entre eux, et c'est d'ailleurs là l'un des modes principaux d'interactions existant entre les agents. Ils agissent dans un environnement, sauf, pour les agents purement communicants pour lesquels toutes les actions se résument à des communications.

2.2. Spécificités d'un agent informatique

i. Un agent est une entité autonome mais fortement dépendante des autres. Cela signifie qu'il n'est pas dirigé par des commandes venant de l'utilisateur (ou d'un autre agent), mais par un ensemble de tendances qui peuvent prendre la forme de buts individuels à satisfaire ou de fonctions de satisfaction ou d'optimisation.

ii. Un agent communique à l'aide de messages, ou par partage d'informations.

iii. Les agents peuvent être spécialisés: Un agent ne sait pas faire beaucoup
de choses mais ce qu'il sait faire, il le fait vite et bien et le met en commun avec les autres agents.

2.3. Classification des agents

Partant de la définition que donne (FERBER 1998) d'un agent logiciel, on peut définir cette entité comme un système informatique situé dans un environnement, capable de mener de manière autonome des actions sur cet environnement en vue d'accomplir ses objectifs, possédant en plus les propriétés de :

i. Réactivité : il perçoit des stimuli provenant de son environnement et réagit en fonction de ceux-ci.

ii. Proactivité : il est mû par un certain nombre d'objectifs qui guident ses actions.

iii. Sociabilité : il communique avec d'autres agents ou des humains et peut se trouver engagé dans des transactions sociales (négocier ou coopérer pour résoudre un problème) afin de remplir ses objectifs

Les experts des systèmes multiagents ont classifié ces derniers en deux grandes catégories selon un critère essentiel qui est la représentation de son environnement : agents « réactifs » et agents « cognitifs ». Une troisième catégorie en découle : Ce sont les systèmes dits « hybrides ».

66

Chapitre III : Spécification et modélisation d'une solution à base de SMA

AGENTS REACTIFS

On parle ici de système intelligent d'agents. Les agents sont simples et ne possèdent pas une représentation de leur environnement, ni de mémoire; ce qui les prive d'apprentissage et de toutes anticipations aux évènements. Ils sont caractérisés par l'absence de structures organisationnelles initiales prédéfinies ; d'où les agents agissent naturellement au moment où l'action est nécessaire. Leur comportement est de type «stimuli - réponses».

Figure 50: Structure d'un agent réactif dans un environnement multiagents

AGENTS COGNITIFS

On parle ici de système d'agents intelligents. Les agents cognitifs sont plus évolués. Ils résultent des recherches menées dans le domaine de l'intelligence artificielle. Ils possèdent une représentation globale de leur environnement et des agents avec lesquels ils communiquent, ils tiennent aussi compte de leurs actions antécédentes. Chaque agent possède une base de connaissances comprenant l'ensemble des informations nécessaires à l'accomplissement de sa tâche, ainsi qu'à l'interaction avec l'environnement et les autres agents.

Figure 51: Structure d'un agent cognitif dans un environnement multiagents

67

Chapitre III : Spécification et modélisation d'une solution à base de SMA

Les Systèmes multiagents constitués d'agents cognitifs comptent généralement un petit nombre d'agents «intelligents», exigent des ressources plus importantes que les agents réactifs, et permettent de résoudre des problèmes plus complexes.

AGENTS HYBRIDES

Ce type d'architecture combine les agents réactifs et cognitifs, qui sont généralement distribués sur plusieurs niveaux ou couches. La couche de haut niveau, délibérative, rassemble des agents purement cognitifs, s'occupe du raisonnement et de la prise de décision du système.

La couche de bas niveau ne rassemble que des agents réactifs qui exécutent généralement des tâches élémentaires sous les ordres de la couche supérieure ou par leurs propres initiatives. Là où les couches intermédiaires, peuvent regrouper les deux types d'agents (réactif et cognitif), le nombre de couches intermédiaires dépend du modèle du système à concevoir.

2.4. Propriétés des agents informatiques

On retrouve dans la littérature un grand nombre de qualifiants dans le domaine des systèmes multiagents. Nous avons rassemblé les principales propriétés que l'on peut attribuer aux agents informatiques ainsi que leurs significations :

Propriétés	Qualités	Signifiants
Réactif	Stimulable	Réagit aux modifications de son environnement
Autonome	Autorégulation	Exerce un contrôle sur ses actions
Efficience	Proactivité	Répond et modifie son environnement
Communicatif	Diffusion	Communique avec d'autres agents
Cognitif	Adaptation	Modifie son comportement sur la base d'expériences antérieures
Mobilité	Mouvement	Capacité de se déplacer dans un environnement
Labilité	Individualité	« Personnalité » de l'agent, état émotionnel

Tableau 6 : Description des propriétés d'un agent

68

Chapitre III : Spécification et modélisation d'une solution à base de SMA

3. SYSTEME MULTIAGENTS

3.1. Définitions du système multiagents

On appelle système multiagents (ou SMA), un système composé des éléments suivant :

- Un environnement E, c'est-à-dire un espace disposant généralement d'une métrique.

- Un ensemble d'objets O. Ces objets sont situés, c'est-à-dire que, pour tout objet, il est possible, à un moment donné, d'associer une position dans E. Ces objets sont passifs, c'est-à-dire qu'ils peuvent être perçus, créés, détruits et modifiés par les agents.

- Un ensemble A d'agents, qui sont des objets particuliers (A est contenu dans O), lesquels représentent les entités actives du système.

- Un ensemble R de relations qui unissent des objets entre eux.

- Un ensemble d'opérateurs « Op » permettant aux agents de A de percevoir, produire, consommer, transformer et manipuler des objets de O.

- Des opérateurs chargés de représenter l'application de ces opérations et la réaction du monde à cette tentative de modification, que l'on pourrait appeler « les lois de l'univers » sont en fait des représentations imagées par un agent en interaction avec son environnement et les autres agents.

Figure 52: Paradigme et composantes d'un système multiagents

69

Chapitre III : Spécification et modélisation d'une solution à base de SMA

3.2. Agents et Systèmes multiagents

Un système multiagents est constitué d'un ensemble de processus informatiques se déroulant en parallèle, donc de plusieurs agents vivant au même moment, partageant des ressources communes et communicant entre eux. Le point clé des SMA réside dans la formalisation de la coordination entre les agents : On parle ainsi d'intelligence artificielle distribuée.

L'une des grandes sources d'inspiration pour les systèmes multiagents a été l'étude des comportements sociaux de certaines familles d'insectes. Dans ce domaine, on se référera souvent aux articles d'Intelligence collective et Intelligence distribuée.

Les SMA peuvent être vus comme la rencontre de divers domaines :

- l'intelligence artificielle pour les aspects de prise de décision de l'agent.

- l'intelligence artificielle distribuée pour la distribution de l'exécution.

- les systèmes distribués pour les interactions entre agents.

- le génie logiciel pour l'approche agents et l'évolution vers des composants logiciels de plus en plus autonomes.

3.3. Typologie des SMA

Les SMA peuvent être partagés en deux types d'architecture en fonction du type de contrôle adopté :

SMA A CONTROLE CENTRALISE OU A BASE DE TABLEAU NOIR

Figure 53: L'architecture d'un SMA centralisé

70

Chapitre III : Spécification et modélisation d'une solution à base de SMA

Composé de trois éléments :

- Les connaissances représentées par les agents.

- Le tableau noir qui est une zone de travail commune, dévolue à la transition d'informations entre les différents agents. Chacun peut venir le consulter à sa guise, y prélever et y déposer des objets qu'il peut également modifier. Le tableau structure la modélisation du domaine d'application comme l'espace des hypothèses et des solutions.

- Le mécanisme de contrôle concerne les contraintes sur les relations entre les conversations des protocoles qui régissent le système, et auxquels l'agent peut participer simultanément ou successivement.

Le SMA à contrôle centralisé possède en outre les propriétés suivantes : Pas de communication directe entre les agents. Interaction via le partage d'un même espace de travail (le tableau noir) ils sont mal adaptés aux SMA large échelle.

SMA A CONTROLE DISTRIBUE

- Le langage d'Acteur est la technique la plus utilisée pour la mise en oeuvre de ce type d'architecture. Un Acteur regroupe au sein d'une même entité un ensemble de connaissances : Les accointances et un script. Une distribution totale des connaissances et du contrôle est caractéristique des SMA à contrôle distribué :

o Traitement local.

o Communication entre agents par envoi de messages.

Figure 54: L'architecture décentralisée

71

Chapitre III : Spécification et modélisation d'une solution à base de SMA

3.4. Domaines d'application des SMA

On distingue généralement trois types d'utilisations des systèmes multiagents:

LA SIMULATION OU LA MODELISATION DE PHENOMENES COMPLEXES

On utilise les SMA pour simuler des interactions existantes

entre agents autonomes. Le but est de déterminer l'évolution de ce système afin de prévoir l'organisation finale. Ce qui importe c'est le comportement d'ensemble et non pas le comportement individuel. L'autonomie permet ici de simuler le comportement exact d'une entité. La première simulation utilisant les SMA, et qui d'ailleurs fut la source d'inspiration de ceux-ci est le système MANTA (simulation d'une fourmilière).

LA RESOLUTION DE PROBLEMES ET PRISE DE DECISION

L'intelligence artificielle distribuée est née pour résoudre les problèmes de complexité des gros programmes de l'intelligence artificielle : l'exécution est alors distribuée, mais le contrôle reste centralisé. Contrairement aux SMA, où chaque agent possède un contrôle total sur son comportement. Pour résoudre un problème complexe, il est plus simple de concevoir des programmes relativement petits (les agents) en interaction qu'un seul gros programme monolithique. L'autonomie permet au système de s'adapter dynamiquement aux changements imprévus qui interviennent dans l'environnement.

Exemple : Minimisation d'impact pour des aménagements.

LA CONCEPTION DE PROGRAMMES

Intégrer un système d'information constitué d'un ensemble d'agents organisés pour faciliter la compréhension et la décision, soit individuelles, soit collectives. Contrairement à un objet, un agent peut prendre des initiatives, refuser d'obéir à une requête, se déplacer . . .

Exemple : Systèmes d'aide à la négociation de projets

3.5. Quelques exemples de SMA

Les systèmes multiagents associés à l'intelligence artificielle représentent actuellement un grand domaine d'application et de recherche. Plusieurs systèmes ont été développés, nous présenterons ici quelques-uns tels que :

72

Chapitre III : Spécification et modélisation d'une solution à base de SMA

I. LE SYSTEME MANTA

Ce système illustre parfaitement l'intérêt de la modélisation multiagents de type réactif. Il modélise la constitution d'une fourmilière mature à partir d'une ou plusieurs reines, étudie la capacité d'adaptation d'une telle colonie, le mécanisme de polythéisme (division du travail), et la spécialisation des ouvrières.

Cette simulation avait vérifié le fait qu'une société d'agents peut bien survivre et s'organiser en se passant de tout système de contrôle centralisé et d'une quelconque organisation hiérarchique.

II. LE COMPORTEMENT DE MEUTE

Les agents réactifs se montrent capables d'évoluer parfaitement en groupe tout en s'évitant mutuellement, constituant par là une meute aux comportements très souples. Le premier à s'être intéressé à ce comportement est CRAIG REYNOLDS en 1987. Il a créé des créatures appelées "Boïds", des agents réactifs capables d'interagir pour réaliser un comportement semblable à un vol d'oiseaux migrateurs, chacun des Boïds se contentant d'appliquer un ensemble de règles comportementales.

III. LES SYSTEMES INDUSTRIELS DISTRIBUES

Les concepteurs partent de problèmes existants et cherchent à les résoudre avec les techniques d'interaction et de coopération des SMA.

IV. APPLICATIONS TEMPS REEL

Les agents ont été bien évidemment appliqués au domaine des systèmes temps réel, ce dernier maintien des systèmes à contrainte souple. On voit de plus en plus des systèmes temps réel dit Hard utilisant des agents.

V. APPLICATIONS AGENTS POUR LE COMMERCE ELECTRONIQUE

Le e-commerce signifie des échanges de produits qui se passent via Internet. Les sites pour les ventes aux enchères, pour les négociations entre les utilisateurs (producteurs/consommateurs)...etc.

73

Chapitre III : Spécification et modélisation d'une solution à base de SMA

VI. SYSTEME NETSA POUR LA RECHERCHE D'INFORMATIONS

Applications agents pour la Recherche d'Informations: Une grande partie des applications de système multiagents est dans le domaine de recherche d'informations. Cette architecture de système multiagents permet la recherche d'informations dans des sources hétérogènes et réparties.

Application	Fonction
PHOENIX	Simulation de contrôle de feux de forêts
ARCHON	Gestion de réseaux électriques
SIMDELTA	Simulation de gestion de ressources halieutiques
SMAALA	Aide à la localisation d'infrastructures linéaires
SIMPOP	Dynamiques urbaines
SWARM	Simulation d'écosystèmes

Tableau 7 : Liste non exhaustive d'applications multiagents

3.6. Plateformes multiagents

Un certain nombre d'environnements de développement a vu le jour ces dernières années. La liste que nous donnons ici est loin d'être exhaustive et Internet est riche d'une quantité de travaux importante sur le sujet.

Il faut remarquer que la plupart sont développés autour de Java pour profiter notamment des possibilités d'interopérabilité offertes par ce langage. Elles sont souvent dédiées à un domaine d'application ou à un agent particulier.

Plate-forme	URL
AGLETS	http://www.trl.ibm.com/aglets
FIPA-OS	http://www.nortelnetworks.com/fipa-os
GRASSHOPER	http://www.grasshopper.de/
JADE	http://sharon.cselt.it/projects/jade
JAFMAS	http://www.ececs.uc.edu/~abaker/JAFMAS/
JATLITE	http://java.stanford.edu/
MADKIT	http://www.madkit.org
ODISSEY	http://www.genmagic.com/agents/odyssey.html
SWARM	http://www.swarm.org/intro.html
ZEUS	http://www.labs.bt.com/projects/agents/zeus

Tableau 8 : Liste non exhaustive des plateformes multiagents

En grande majorité, les plates-formes SMA sont issues de projets de recherche, mais on trouve aussi des produits commerciaux. Certains d'entre eux sont orientés vers une communication entre systèmes distribués (par exemple MADKIT, JAFMAS, HIVE), d'autres sont axés vers la construction de modèles de simulation (par exemple SWARM).

74

Chapitre III : Spécification et modélisation d'une solution à base de SMA

4. DONNEES DU PROBLEME

A présent que nous avons décrit le paradigme des systèmes multiagents, nous allons nous intéresser à la problématique d'une façon plus spécifique. Nous verrons ainsi émerger les avantages d'une approche basée sur un modèle de produits intelligents. Nous en déduirons un certain nombre de contraintes qui consolidera notre modèle d'agent et notre choix de plateforme et d'implémentation.

Objectifs globaux	Satisfaire les produits en tests par rapport aux contraintes, en assurant un niveau de sécurité maximum et en augmentant la performance des tests contrôle-qualité.
Que cherche-t- on ?	Dynamiser le processus de coopération, augmenter la performance du système global.
Sur quoi porte la coopération ?	Partage d'information, objectifs locaux et globaux.
Contraintes globales	Nombre de ressources disponibles pour répondre aux besoins en test établies. Taux d'achèvement des autres testes.
Entités coopérantes	Deux entités minimum (deux produits).
Problème de communication ?	Problèmes liés à la dynamique du système d'information et problèmes liés au mode de décision partagés.
Autres information	Les engagements sont contractualisés ce qui permet de travailler sur des données statiques.

Tableau 9 : Données globales

Pour notre système, d'autres paramètres doivent être évalués, comme par exemple la capacité des ressources, les durées opératoires et les coûts de production. Cependant la nature hétérogène du système de production rend difficile d'établir et d'évaluer les règles adéquates (les prix justes) pour obtenir un ordonnancement.

75

Chapitre III : Spécification et modélisation d'une solution à base de SMA

5. PROBLEMATIQUE DE LA MODELISATION D'UN SYSTEME DE PILOTAGE

La résolution de problèmes complexes, en particulier pour le pilotage des systèmes de production, conduit à l'utilisation conjointe de différents formalismes de modélisation et nécessite souvent une approche par simulation/optimisation pour l'évaluation des solutions proposées.

5.1. Définition d'un Système

Dans «Systems Engineering Handbook» parut en 2010, le système est définit comme étant « ...une réalisation artificielle, crée et utilisée afin d'offrir des services dans un environnement défini d'utilisateurs et/ou de consommateurs.

Ces systèmes doivent être configurés avec un ou plusieurs des éléments suivants : matériels, logiciels, êtres humains, processus, procédure (par exemple des instructions opératoires), équipements ainsi que des entités naturelles (eau, organisme, minéraux ...etc.)... »

En pratique ils sont considérés comme des produits ou des services. La perception et la définition d'un système en particulier son architecture et les éléments qui le composent dépendent de l'intérêt et de la responsabilité de l'observateur :

«One person's system-of-interest can be viewed as a system element in another person's system-of-interest. Conversely, it can be viewed as being part of the environment of operation for another person's system-of-interest.» (INCOSE 2010)

5.2. Le modèle de résolution

Afin d'être capable de composer une solution, nous devons nous poser la question de l'approche « modèle ». Dans ce travail, nous utiliserons une approche rationnelle du modèle. C'est-à-dire que « ...la vision relationnelle de la construction d'un système se retrouve aussi dans le cadre de modélisation sur des catégories de systèmes en conservant les sources structuralistes de la systémique. » (DOBRE 2010).

L'intérêt de ce cadre unificateur est aussi d'expliquer a posteriori l'intérêt de certains objets et entités proposés intuitivement. Il en est de même en systémique pour expliquer plus formellement la construction relationnelle d'un système (comme par exemple une molécule) à partir d'une relation élémentaire (atomique entre Objet Finalisant - Environnement) proposée par MAYER en 1995 et illustrée dans la figure page 76.

76

Chapitre III : Spécification et modélisation d'une solution à base de SMA

Figure 55: Méta-modèle élémentaire de construction Système (MAYER 1995)

6. MODELISATION D'UN SYSTEME DE PILOTAGE

La problématique de la modélisation d'un système de pilotage peut être décrite fondamentalement par plusieurs types de contraintes pouvant être déclinées en termes d'efficacité d'une part et d'efficience et de pertinence d'autre part :

I. En termes d'efficacité :

- Contraintes provenant de la dynamique et de la complexité des processus opérants considérés par rapport aux objectifs d'efficacité recherchés: décider vite « besoin d'agir sans délai » ou décider bien « besoin de mieux comprendre la situation » (MESAROVIC ET AL., 1980).

- Contraintes résultant de l'hypothèse relative à l'impossibilité de connaitre, au niveau de détail souhaité, toutes les données ayant attrait au système opérant considéré. Par conséquent, de ne pouvoir prédire, au degré de finesse souhaité, son comportement.

II. En termes d'efficience et de pertinence :

- « Contraintes de rentabilité (retour sur investissement) par rapport aux coûts induits par les activités de modélisation (et de conception) des systèmes qui détermine principalement la performance du couple (système de pilotage, système opérant), et donc, sa mise en place » (TRENTESAUX 2001)

77

Chapitre III : Spécification et modélisation d'une solution à base de SMA

Figure 56: Décomposition systémique d'un système de pilotage

7. APPROCHE GENERALE

Notre solution propose de résoudre l'allocation des machines d'HPLC comme première étape d'une gestion de cycle de vie. Nous partons du principe qu'il faut développer des comportements et des structures de données génériques pour le produit qui pourra alors utiliser ces outils pour résoudre les problèmes qu'il rencontrera plus en aval ou plus en amont dans son cycle de vie.

7.1. Fonctions prévisionnelles de gestion de production

Selon (DOUMEINGTS 1990), les fonctions classiques associées au niveau prévisionnel sont :

· La planification: Cette fonction définit le plan directeur qui constitue un compromis entre les objectifs commerciaux, financier et de production.

· La programmation: Cette fonction élabore à partir du plan directeur un programme prévisionnel de production et calcule l'ensemble des besoins en fonction des en-cours et des stocks.

· L'ordonnancement: Cette fonction définit l'ordonnancement prévisionnel total dans le cas où celui-ci est nécessaire, dans le cas où aucun ordonnancement n'est requis, cette fonction est inexistante). Elle décrit ainsi l'utilisation des ressources matérielles et humaines. Les besoins en approvisionnement sont estimés de manière plus fine.

78

Chapitre III : Spécification et modélisation d'une solution à base de SMA

L'agencement de ces fonctions permet de définir la gestion prévisionnelle.

Environnement extérieur

Figure 57 Fonction de gestion prévisionnelle

7.2. Produit actif

Nous proposons une distribution de la prise de décision. Celle-ci semble bien adaptée à notre système. Cette approche fait évoluer des entités indépendantes dans un environnement qu'elles perçoivent et sur lequel elles peuvent agir.

« Ces entités ont un droit d'accès aux ressources, un droit d'accès mutuel entre elles, un mode de fonctionnement indépendant et doivent se conformer aux règles de fonctionnement du système global. Elles sont motivées par un but précis pour lequel elles existent et peuvent requérir la coopération d'autres entités pour atteindre ce but » (BLANC & CASTAGNA 2006)

Figure 58: Graphe systémique du produit dit « actif »

79

Chapitre III : Spécification et modélisation d'une solution à base de SMA

La technologie des systèmes multiagents fournit un cadre approprié pour implémenter une telle structure. Les mécanismes de coordination peuvent être de type tableau noir (un espace librement accessible sur lequel chaque entité peut échanger des informations) ou de type protocole de communication direct (exemple: contractnet Protocol).

7.3. L'approche hétérarchique

« Le substantif hétérarchie (en anglais, « Heterarchy ») et son adjectif hétérarchique (en anglais, « hierarchical ») constituent des néologismes à la fois en français et en anglais. Ce terme a été formé à partir de deux termes grecs : Heteros (autre) et Arckhein (commander), signifiant ainsi à l'origine commandement par les autres. » (Trentesaux 2002)

La première utilisation de ce terme est attribuée à W. S. McMULLOCH dans le domaine biomédical en 1945 dans l'objectif de décrire l'organisation circulaire dans les réseaux de neurones : soient trois liaisons neuronales A, B C.

A influe sur B et B influe sur C. Si A influe sur C, alors A est au sommet de l'organisation hiérarchique, si C influe sur A, alors l'ensemble forme une organisation hétérarchique, nommée hétérarchie.

Depuis, ce terme a été repris et utilisé dans de nombreux domaines, en particulier dans celui de la cybernétique. Dans tous les cas, l'hétérarchie renvoie à l'idée d'acteurs différents qui assument, en collégialité, la coordination d'une action collective donnée et s'oppose par essence au terme hiérarchie.

Figure 59: Hiérarchie et hétérarchie dans un système de neurones (McMULLOCH)

80

Chapitre III : Spécification et modélisation d'une solution à base de SMA

7.4. Avantages du produit actif

Nous considérons un système de production composé d'un ensemble d'agents coopératifs. Le produit actif a la possibilité de répondre par l'affirmative ou le refus à des requêtes provenant des autres agents.

Il dispose donc d'une certaine liberté de manoeuvre, ce qui le différencie de tous les concepts semblables, qu'ils s'appellent « objets », « modules logiciels » ou « processus ». L'autonomie n'est pas seulement comportementale, elle porte aussi sur les ressources : énergie, CPU, quantité de mémoire, accès à certaines sources d'informations, etc. Ces ressources sont à la fois ce qui rend l'agent non seulement dépendant de son environnement mais, aussi, en étant capable de gérer ces ressources, ce qui lui donne une certaine indépendance vis-à-vis de lui. L'agent est ainsi à la fois un système ouvert (il a besoin d'éléments qui lui sont extérieurs pour survivre) et un système fermé (car les échanges qu'il a avec l'extérieur son très étroitement réglementés).

7.5. Classification du produit développé

En résumé, il s'agit de développer un produit intelligent qui agira essentiellement en début de vie (BoL). C'est un item intelligent avec une intelligence distante : pour des raisons économiques et pratiques nous ne pouvons pas augmenter les boites de médicament des ressources matérielles pour héberger l'agent informatique. Notre agent produit sera doté de capacités de traitement de l'information, et sera ainsi apte à « décider » de la suite de son évolution.

Figure 60: Classification du produit développé

81

Chapitre III : Spécification et modélisation d'une solution à base de SMA

8. MODELE DE RESOLUTION

8.1. Propriétés du problème

Le problème est NP-difficile (au sens fort). De nombreux travaux ont été exécutés sur la complexité des problèmes d'atelier. Très peu de problèmes d'atelier peuvent être résolus en temps polynomial.

8.2. Limite des autres méthodes

Dans notre cas d'études et en vue de la durée des tests et du fort l'impact de l'ordre dans lequel sont exécutées les taches, nous tentons de résoudre le problème en utilisant une énumération totale. Notée que ce type de résolution est parfois délaissé mais il est tout à fait approprié pour notre cas. Et ce, en raison de nombreux avantages qu'il offre.

METHODES APPROCHEES DE RESOLUTION

De beaucoup de tentatives de résolution du cas général par algorithme de liste utilisant des règles de priorité ont été proposées. Le principe général de ces algorithmes de listes est le suivant : on ordonnance à chaque instant t où une machine et au moins une tâche sont disponibles

La tâche de priorité maximale est conforme à la règle de priorité retenue. Parmi les différentes règles de priorité testées, on peut citer :

? -FIFO: sélection de l'opération disponible le plus tôt,

? -SPT: sélection de l'opération de plus petit temps opératoire,

? -LPT: sélection de l'opération de plus grand temps opératoire,

? -MTR: sélection de l'opération ayant le plus grand nombre de tâches restant

à exécuter dans sa séquence opératoire,

? -MWKR: sélection de l'opération correspondant à la plus grande quantité

de travail restant à exécuter.

Dans notre cas de nombreuses contraintes rendent impossible l'utilisation de ce genre de méthode. Principalement parce que nous nous trouvons dans un problème aux critères et contraintes multiples.

82

Chapitre III : Spécification et modélisation d'une solution à base de SMA

METAHEURISTIQUES

Les temps de calcul des métaheuristiques en général nécessitent

de nombreux calculs, en particulier au niveau de la fonction d'évaluation. De plus, ils sont le plus souvent difficiles à mettre en oeuvre. Des paramètres comme la taille de la population ou le taux de mutation sont parfois difficiles à déterminer.

Il faut aussi noter l'impossibilité d'être assuré, même après un nombre important de générations, que la solution trouvée soit la meilleure. On peut seulement être sûr que l'on s'est approché de la solution optimale (pour les paramètres et la fonction d'évaluation choisie), sans la certitude de l'avoir atteinte.

Un autre problème important est celui des optima locaux. En effet, lorsqu'une population évolue, il se peut que certains individus qui, à un instant occupent une place importante au sein de cette population, deviennent majoritaires. À ce moment, il se peut que la population converge vers cet individu et s'écarte ainsi d'individus plus intéressants mais trop éloignés de l'individu vers lequel on converge

8.3. Pertinences des méthodes exactes

Les ressources sont généralement en nombre et capacité limités, les contraintes nombreuses (respect des délais, précédences entre tâches, etc.). Ceci expliquant pourquoi les problèmes d'ordonnancement sont des problèmes combinatoires souvent très difficiles à résoudre en pratique.

En revanche l'utilisation de méthode exacte est, non seulement possible en vue des contraintes de temps de résolution (assez larges), mais aussi, puisqu'ils permettent une meilleure perception des agents de leur environnement. Cet aspect est lié en grande partie aux structures de données utilisées et qui seront éclaircies dans les sections suivantes.

8.4. Phases de résolution

Nous avons décomposé le comportement de l'agent en trois « activités». Chaque activité est constituée d'un ensemble de procédures : construction, évaluation et exécution. Ces procédures sont elles-mêmes constituées d'un ensemble de procédures et de fonctions.

83

Chapitre III : Spécification et modélisation d'une solution à base de SMA

Construction

· Construction des tables de compatibilité

· Génération des affectations

· Génération des ordonnancements

Evaluation

· Evaluation des seuquences.

· Evaluation des sequence

· Validation de l'ordonncement

Execution

· Execution et suivie de l'ordonncement

Figure 61: Les trois activités du modèle de résolution proposé

Afin de mieux démontrer notre solution nous allons traiter le cas suivant : - Deux machines HPLC notées H1 et H2.

- Deux échantillons du produit P1 pour analyse.

- Un échantillon du produit P2.

TABLE DES COMPATIBILITES :

Du fait de la contrainte de compatibilité produit-ressource, il est indispensable de dégager en premier lieu toute les combinaisons possibles. Nous obtenons alors la table de compatibilité suivante :

Tableau 10: Table de compatibilité pour les tests d'HPLC

Ligne 1 correspond aux compatibilités du produit P1 avec les HPLC 1 et 2 nous avons deux compatibilités; nous posons la fonction Fcomp (produit, ressource) qui est égale à 1 lorsque la ressource peut exécuter le test :

Fcomp (P1, H1) =1; Fcomp (P1, H2) =1

Ligne 2 correspond aux compatibilités du produit P2 avec les HPLC 1 & 2 nous avons deux compatibilités. Alors Fcomp prend les valeurs suivantes :

Fcomp (P2, H1) =1; Fcomp (P2, H2) =1

Cette structure de données est l'une des premières que va construire l'agent en récoltant des données de son environnement.

84

Chapitre III : Spécification et modélisation d'une solution à base de SMA

GENERATION DES AFFECTATIONS :

L'application des règles de compatibilité va permettre de dégager les différentes combinaisons possibles selon la figure ci-dessous.

Figure 62: Application des règles par L'agent P1

Figure 63: Application des règles par l'agent P2

85

Chapitre III : Spécification et modélisation d'une solution à base de SMA

Chaque combinaison est composée d'autant de listes non-ordonnées qu'il y a de machines. Pour chaque liste, il faut alors calculer les arrangements. Le nombre de listes ordonnées revient à calculer le nombre d'arrangements de « n » produits parmi « m » machines :

Pour « m » machine(s) (représentant nos ressources) et « n » Produit(s), nous avons :

Ncomp(n) égal au nombre de ressources sur lesquelles peut s'exécuter la tâche n.

Ncomp(n)=? ?????????? (x)
??

??=1

Le nombre de combinaisons total C pour n produits est défini par la fonction récursive suivante :

Soit n produits : C(n) =Ncomp(n) x C (n-1)

Avec C(0)=1

Pour chaque couple de règles de compatibilité, il va alors déduire une combinaison. On obtient ainsi C(n) combinaisons. Les résultats sont alors :

Figure 64: Application des règles par selon la table de l'agent P2

Combinaison 1 : [ (H1: P1,P2), (H2: Ø) ] ; Combinaison 2 : [ (H1: P1) ,(H2: P2) ]

Combinaison 3 : [ (H1: P2) , (H2: P1) ] ; Combinaison 4 : [ (H1: Ø) , (H2: P1,P2) ]

Ce résultat est généré par tous les agents à partir de leurs tables

de compatibilité et sont donc identiques puisqu'ils issus d'un mécanisme

déterministe. Nous nommons ces listes ainsi obtenues
par « combinaisons » ou « affectations ». Ce sont des listes non ordonnées qui préparent la génération de l'ensemble des ordonnancements à évaluer.

Remarquons enfin que l'application des règles (deux à deux pour notre

cas) varie selon le nombre de lignes de la table de départ. Des doublons peuvent apparaitre est seront ignorés.

86

Chapitre III : Spécification et modélisation d'une solution à base de SMA

GENERATION DES ORDONNANCEMENTS

A partir des informations obtenues à l'étape précédente, nous pouvons dégager un arbre en calculant les différentes listes ordonnées. On obtient alors l'arbre ayant pour feuille l'ensemble des ordonnancements possibles.

Pour n produits :

C(n) =Ncomp(n) x C (n-1)
Avec C(0)=1

Figure 65: Arbre des ordonnancements

EVALUATION PARTIELLE DES FEUILLES

Ce mécanisme permet de déterminer des paramètres globaux du système tels que le taux de production ou d'établir les dates de fabrication d'un produit, en l'absence de centralisation de la décision. Les autres classes, c'est-à-dire les méthodes élémentaires et les méthodes d'optimisation mathématiques, ont été écartées puisqu'elles ne permettent pas d'atteindre l'objectif fixé dans notre étude. Après avoir identifié toutes les séquences possibles, il faut les évaluer.

Afin de distribuer la résolution de cette phase d'évaluation ; nous proposons que chaque agent n'évaluera que les arrangements où il est en tête de file. Il enverra ainsi le résultat aux autres agents et de même récoltera les résultats des autres agents afin de sélectionner le meilleur ordonnancement.

87

Chapitre III : Spécification et modélisation d'une solution à base de SMA

8.5. Les Contraintes

Plusieurs paramètres entrent ainsi en ligne de compte. Nous apportons une vision assez originale dans la mesure où nous avons intégré des contraintes localement dues au test courant, mais nous avons aussi rajouté une autre catégorie. Cette dernière est due à des contraintes venant d'autres phases. Par cette vision plus globale, nous intégrons une vision générale décloisonnée du problème. Cette vision utilise des notions d'interdépendances dans le choix de la priorité accordée à un produit.

Figure 66: Ensemble de contraintes affectant la procédure décisionnelle du produit

8.6. Les principales variables

Nous avons donc trois variables entières x, m et i

- 1<x < Nombre d'ordonnancement total (X ordonnancements) - 1<m < Nombre de ressources au total (M machines)

- 1<i< Nombre de produits au total (N tâches)

88

Chapitre III : Spécification et modélisation d'une solution à base de SMA

Figure 67: Représentation graphique des principales variables

8.7. Fonction objectif

La décision consiste à sélectionner la plus petite valeur de la fonction d'évaluation que nous avons notée ??????????(??????_x) , correspondant à la fonction d'évaluation

du ordonnancement.

Cette fonction prend en considération plusieurs facteurs :

? Priorité : Variable dynamique indiquant la priorité (privilège) du produit

? Risque : Taux succès/échecs pour le test d'un produit sur une machine donnée

? Coût : Estimations du coût du test d'un produit donné sur une machine donnée

? Temps final : Temps d'exécution global estimé de tous les tests sur toutes

les machines

??

??????????(??????_x) = ( ? ??(??,m)) / ??

m= 1

Une seconde fonction notée f(x, m) permet de calculer la fonction Objectif correspondant à la séquence définie pour une machine m donnée pour un ordonnancement x donné.

Pour une séquence de taille K nous avons :

??

??(??,m) = (?(((? ????(??,m) + ? ??m(??, m))))

??=1

89

Chapitre III : Spécification et modélisation d'une solution à base de SMA

Note : ? et ? sont des coefficients permettant de pondérer respectivement, l'impact du temps d'exécution global, et ou du temps d'exécution moyen.

Pour un couple (produit, machine) noté (n, m) nous posons les variables suivantes:

Variable Description Type

Ratio succès/échecs pour le test d'un produit donné sur une machine donnée

Ratio des Tests terminés sur le nombre total de test à effectuer (taux d'avancement global)

Donne la priorité fixée pour le produit n.

Cout d'un produit donné sur une machine donnée

Coefficient de pondération

Coefficient de pondération

Coefficient de pondération

Pénalité

Tableau 11: Variable et pondération

?? ?(?????? (??, ??)))

????(??, ??) = ???? (??) * ((? ) + ??(??, ??) ?

??

??=1

??

????(??,??) = ?(?????? (??,??))

??=1

? ????(??, ??) correspond au temps d'exécution totale des produits (ensemble des tâches i) de la séquence k sur la machine (ressource) numéro m pondérée par le ratio risque et en prenant en compte la pénalité liée au coût.

? ????(??, ??)correspond au temps d'exécution de la phase mobile du produit i sur la ressource m.

? T_x (i, m) correspond au temps d'exécution de la phase d'analyse du produit numéro i (tâche i) sur la machine (ressource) numéro m.

La forme disjonctive de Tpa(i,x) est la suivante :

90

Chapitre III : Spécification et modélisation d'une solution à base de SMA

Cette fonction permet de prendre compte des critères quantitatifs et offre l'avantage via la priorité notée ????(??) d'intégrer le jugement de l'expert. Ce dernier pouvant la fixer dans des cas extrêmes à 0 (priorité absolue). Cette méthode n'annule pas la subjectivité des choix de l'expert influençant ainsi plus ou moins la solution retenue.

Figure 68: Représentation graphique de la fonction dévaluation dans l'espace de recherche

Jusque-là, l'ensemble des agents produits construisent les mêmes structures de données. Les ordonnancements sont constitués de listes ordonnées sans répétions de produits s'exécutant sur des ressources distinctes. L'évaluation consiste à calculer une fonction d'évaluation notée « FVAL(Ord) ».

91

Chapitre III : Spécification et modélisation d'une solution à base de SMA

9. CONCLUSION

Ce chapitre décrit un modèle capable de piloter une partie de la production. Les caractéristiques du procédé requièrent une approche capable de lui conférer flexibilité et agilité.

Les agents sont définis en s'inspirant du modèle de produit actif pour les systèmes hétérarchique. L'utilisation d'agents permet l'encapsulation des modèles de comportement utilisés en particulier pour l'allocation et l'ordonnancement des ressources.

La coordination entre agents-produits est réalisée par le biais de partage d'informations et d'évaluations. Le comportement du système de pilotage est ainsi obtenu par émergence suite à ces interactions inter produits-actifs.

92

Chapitre IV: Implémentation et simulations

CHAPITRE IV:

IMPLEMENTATION ET SIMULATIONS

1. INTRODUCTION

Nous proposons un modèle de produit intelligent implémenté sur des systèmes multiagents (Plateforme JADE) pour assurer la résolution d'un problème complexe d'ordonnancement rencontré en industrie pharmaceutique.

Nous allons, dans ce dernier chapitre, voir plus en détails les méthodes d'implémentations utilisées. Nous verrons ainsi comment l'utilisation de la plateforme JADE, et plus spécifiquement les mécanismes de comportements des classes « AGENT », nous on permit d'implémenter notre produit actif.

2. L'ENVIRONNEMENT DE PROGRAMMATION

2.1. L'environnement « Eclipse »

L'environnement Eclipse est un environnement de développement intégré « EDI » (ou IDE en anglais). C'est un logiciel regroupant un ensemble d'outils nécessaires au développement des applications dans un langage de programmation JAVA (Sighireanu 2012)

Eclipse IDE est un environnement de développement intégré libre (le terme Eclipse désigne également le projet correspondant, lancé par IBM) extensible, universel et polyvalent, permettant potentiellement de créer des projets de développement mettant en oeuvre n'importe quel langage de programmation.

Eclipse IDE est principalement écrit en Java (à l'aide de la bibliothèque graphique SWT d'IBM), et ce langage, grâce à des bibliothèques spécifiques, est également utilisé pour écrire des extensions. (Wikipedia).

93

Chapitre IV: Implémentation et simulations

2.2. La plateforme JADE

Le modèle du système multiagents est implémenté sur la plate-forme SMA JADE réalisée en Java, les agents que nous avons créés sont inspirés du modèle Agent Management Référence proposé par FIPA.

Figure 69: Architecture de référence de l'agent plateforme selon les normes FIPA

Ce modèle établit les règles normatives qui permettent à une société d'agents d'inter-opérer.

Environnement

Figure 70: Architecture de référence de l'agent plateforme selon les normes FIPA

94

Chapitre IV: Implémentation et simulations

3. L'ENVIRONNEMENT EXPERIMENTAL

Les expérimentations ont été réalisées sur un ordinateur avec les caractéristiques suivantes :

Système d'exploitation		Windows 7 Edition Intégrale (X68) Service Pack 1	Processeur
Intel CORE i3 370M Cadencé à 2.40 GHz		Carte mère
Hewlett-Packard 1439 60.3F		Chipset
Pont nord : Intel HAVENDALE/CLARKDALE Host Bridge Pont sud : Intel HM55		Mémoire
2 Go de mémoire totale de type DDR3 à 532.10 MHz BARRETTE RAMAXEL TECHNOLOGY de 2 Go

Tableau 12 : Caractéristiques du matériel utilisé pour les expérimentations

4. CREATION DES SCENARIOS

Afin de faciliter la création, nous avons développé un outil spécifique à la création de script. Sous forme de petite application, cet éditeur permet de créer un scénario à évènements discrets.

Il permet de générer un fichier textuel (enregistrer sous l'extension .spt).

ENTITE PRODUIT

L'outil permet de retranscrire sous forme de codage les informations sur

les entités « Produits » :

? Numéro de lot.

? Famille de produit soit 24 molécules.

? Priorité du produit.

? Heure d'arrivée.

? Avancement global.

95

Chapitre IV: Implémentation et simulations

Figure 71: Codage des familles de produits

ENTITE « RESSOURCE »

Permet de définir les compatibilités éventuelles allant de 1 à 24 produits. Il permet aussi de définir pour chaque correspondance un coût d'exécution échelonné de 1 à 10 ainsi que des durées allant de 30min à plus de 4heure. Les données ainsi construites seront alors stockées sur un fichier « .spt ».

Figure 72: Zone dédiée au paramétrage d'une ressource

96

Chapitre IV: Implémentation et simulations

5. TESTS ET SIMULATION

5.1. Paramètres en entrée

Pour ce premier jeu de scénarios nous prenons le cas d'un atelier totalement flexible. C'est-à-dire que n'importe quel produit peut être testé sur n'importe quelle ressource.

Nous avons en entrées :

1.	Deux ressources portant les PID « 0 » et « 1			».	2.
Trois produits portant les PID « 101 », « produits et supposée concomitante.	102 » et « 103 ». l'arrivé des

L'atelier étant totalement flexible, chaque agent génère la table de compatibilité TCOMP suivante :

Tableau 13 : Table des compatibilités pour le scénario

5.2. Résultats

PARCOURS DE L'ESPACE DE RECHERCHE

Les structures de données permettent de générer uniquement l'espace de recherche pertinent. Ce qui représente un gain important en termes de ressources et de temps d'exécution. C'est ce point qui rend possible l'utilisation d'une méthode exacte. De plus, cette approche de formalisme facilite l'extension à d'autre phase de cycle de vie du produit

Nous avons les six valeurs suivantes pour les fonctions de compatibilités:

Fcomp (101, 0) =1; Fcomp (101, 1) =1 Fcomp (102, 0) =1; Fcomp (102, 1) =1 Fcomp (103, 0) =1; Fcomp (103, 1) =1

97

Chapitre IV: Implémentation et simulations

Ncomp(P) égal au nombre de ressources sur lesquelles le produit P peut s'exécuter

Ncomp(101)=?=1 ??????????(??????, x) =	2
Ncomp(102)=?=1 ??????????(????2, x) =	2
Ncomp(103)=?=1 ??????????(??????, x) =	2

Chaque agent crée alors une table contenant les différentes affectations possible. Cette table est noté « Tcombi ». A cette étape de la résolution on ne parle que de combinaison puisqu'il s'agit jusque-là de listes non-ordonnées. Son contenu peut alors être représenté comme suit :

	Affectation 1	Affectatio n 2	Affectation 3	Affectation 4	Affectation 5	Affectation 6	Affectation 7	Affectation 8
Ress.1	101 102 103	101 102	101 103	101	102 103	102	103	(vide)
Ress.2	(vide)	103	102	102 103	101	101 102	101 102	101 102 103

Tableau 14 : Représentation de la table des combinaisons Tcombi

La longueur de la table « Tcombi » correspond au nombre de combinaison

soit 2³ schémas d'affectations possibles. Ce qui donne, coté console, le résultat suivant :

Figure 73: affichage des différentes affectations possible sur la console éclipse

98

Chapitre IV: Implémentation et simulations

GENERATION DES AFFECTATIONS

Une fonction notée f(p) permet par empilement et appel récursif des créer et de renseigner la table des compatibilités.

Figure 74: Création des ordonnancements Tord à partir de Taffect

GENERATION DES SEQUENCES

Pour le premier schéma d'affectation, chaque agent va générer une nouvelle

table similaire à Tcomp. Cette table est de longueur égale au nombre
d'affectations possible.

On réutilise le même concept que celui de la table de compatibilité remplissant les lignes par des ressources et les colonnes par des arrangements (listes ordonnées) générées à partir des combinaisons respectives des ressources affectation par affectation.

99

Chapitre IV: Implémentation et simulations

Figure 75: Table des combinaisons Tcombi pour le scénario 1

REPARTITION DES EVALUATIONS

L'agent considère la table à la manière d'un ensemble de règle (six pour la première ressource et une seule pour la seconde). Ainsi il procède à l'application des règles deux à deux générant ainsi 6 arrangements possibles.

Ces résultats sont sauvegardés dans une table « Tordi » contenant tous les ordonnancements. L'agent passe alors à l'affectation suivante créant un nouveau tableau de compatibilité correspondant et ainsi de suite jusqu'à la génération de tous les ordonnancements possibles.

100

Chapitre IV: Implémentation et simulations

Ordonnancement	Ressource 1	Ressource 2
1	101 102 103	000 (vide)
2	101 103 102	000 (vide)
3	102 101 103	000 (vide)
4	102 103 101	000 (vide)
5	103 101 102	000 (vide)
6	103 102 101	000 (vide)
7	102 101	103
8	101 102	103
9	101 103	102
10	103 101	102
11	102 103	101
12	103 102	101
13	103	102 101
14	103	101 102
15	102	101 103
16	102	103 101
17	101	102 103
18	101	103 102
19	000 (vide)	101 102 103
20	000 (vide)	101 103 102
21	000 (vide)	102 101 103
22	000 (vide)	102 103 101
23	000 (vide)	103 101 102
24	000 (vide)	103 102 101

Tableau 15 : Représentation de la table des combinaisons Tordi

L'évaluation est repartie comme suit : Chaque produit va évaluer l'arrangement où il est en tête de liste ; notons que ce choix de critères garantie l'équité dans le cas d'ateliers totalement flexibles.

12	Evalués par l'agent 101
12	Evalués par l'agent 102
12	Evalués par l'agent 103
12	Evalués par tous les agents produits

Tableau 16 : Répartition du calcul des fonctions d'évaluation

101

Chapitre IV: Implémentation et simulations

5.3. Interaction entre les agents

Les deux figures ci-après montrent l'interface graphique de l'agent SNIFFER. L'entité Master représente l'instanciation de la classe mère « Ag_simo.jar ». C'est cette classe qui instancie les deux autres, à savoir, les agents produits nommés 101,102 et 103 ; et ressources nommés 1 et 0 ; à partir de leurs classes respectives.

INSATANTIATION DES AGENTS

Quand un agent produit est créé, il diffuse les informations le concernant ; et parallèlement récolte les informations sur les agents produits et ressources concernés par le test en cours. Cette étape est cruciale parce qu'elle permet aux agents d'avoir une vision exhaustive de leur environnement.

Figure 76: Premières communications au fur et à mesure de l'arrivé de nouveaux agents

RESOLUTIONS ET PARTAGE D'INFORMATIONS

Quand les comportements d'évaluation sont déclenchés, chaque agent génère les combinaisons puis en évalue une partie. Une fois cette évaluation « partielle » terminée, il partage les informations en les diffusant à tous les autres agents.

102

Chapitre IV: Implémentation et simulations

Figure 77: Partage des informations entre agents produits

5.4. Comportement des agents

En résumé les comportements implémentés sont de trois types : SIMPLEBEHAVIOUR, ONESHOTBEHAVIOUR et TICKERBEHAVIOUR. :

1. SIMPLEBEHAVIOUR : Ce sont des comportements destinés à se répéter en boucle de maniéré à persister.

2. ONESHOTBEHAVIOUR : Exécute le code qu'il contient séquentiellement une seule fois et se termine.

3. TICKERBEHAVIOUR : Exécute le code qu'il contient une fois à chaque fois qu'un laps de temps prédéfini s'écoule.

Sur cette base nous avons implémenté six comportements différents :

1. PERCEPTION : Comportement persistant, servant à capter les informations de l'environnement de l'agent candidat au même teste, mais aussi de répondre à des requêtes.

2. ECOUTE : L'écoute permet à l'agent produit de récolter et de stocker de façons ordonnées les évaluations des autres agents.

3. LOOP : A chaque arrivée d'agent, tous les autres déjà présents définissent une nouvelle échéance pour commencer la résolution. Cette fonction est une boucle qui vérifie si l'échéance est franchie pour, le cas échant, déclencher la résolution coordonnées.

4. TREE : Ce comportement permet à chaque agent de générer l'ensemble des affections possibles dans un premier temps, puis de l'ensemble des séquences composant l'espace de recherche.

103

Chapitre IV: Implémentation et simulations

5. EVAL : Permet de calculer et de diffuser les évaluations partielles.

6. PROG : Contrôle-le suivie de l'ordonnancement avec la plus petite fonction « Objectif ».

Comportement	type	Déclenchement
PERCEPTION	SIMPLEBEHAVIOUR	AG_PROD.SETUP ()
ECOUTE	SIMPLEBEHAVIOUR	AG_PROD.SETUP ()
TREE	ONESHOTBEHAVIOUR	LOOP
LOOP	TICKERBEHAVIOUR	AG_PROD.SETUP ()
PROG	TICKERBEHAVIOUR	TREE

Tableau 17 : Digramme de séquences de l'algorithme de résolution

5.5. Résultats point de vue produit intelligent

Les agents sont définis en se basant sur le modèle de produit actif pour les systèmes Hétérarchiques. L'utilisation d'agents permet l'encapsulation des modèles de comportement (que nous nommons activités) utilisés en particulier pour l'ordonnancement des ressources.

La coordination entre agents produits est réalisée par le biais de partage d'informations et d'évaluations. L'évaluation du système de pilotage ainsi défini se fait en utilisant l'interaction entre produits actifs.

Figure 78: Séquence de déclenchement des comportements dans une résolution type

Les comportements sont comme des briques logicielles, réutilisables et modulaires qui, combinées entre elles, permettent d'envisager d'étendre à des taches dans différents domaines, tel que l'ordonnancement de production, la logistique ou encore la planification de personnel.

104

Chapitre IV: Implémentation et simulations

5.6. Efficacité de la méthode

Les structures de données permettent de générer uniquement l'espace de recherche pertinent. Ce qui représente un gain important en termes de ressources et de temps d'exécution.

C'est ce point qui rend possible: premièrement, l'utilisation d'une méthode exacte d'énumération totale, deuxièmement, cette approche de formalisme facilite l'extension à d'autres phases de cycle de vie du produit

Figure 79: Ecart entre espace totale et espace pertinent

105

Chapitre IV: Implémentation et simulations

5.7. Efficacité de la méthode et hétérogénéité des produits

Comme le montre les premiers résultats, l'efficacité de notre méthode est positivement affectée par l'hétérogénéité. En effet, plus les produits à ordonnancer sont de familles différentes, plus les temps de changement d'outils peuvent s'avérer importants. En résulte une progression avec une courbe de tendance de 237,17 exp (0,14 x). Notre méthode est alors d'autant plus efficace que l'hétérogénéité des produits est importante.

Figure 80 : Impacte de l'hétérogénéité des produits sur les résultats

5.8. Temps d'exécution

Pour un nombre réduit d'agents-produits les temps de résolution sont tout à fait acceptables. Cette validation tient compte de l'environnement industriel du cas pratique. En effet, dans le contexte pratique, le nombre de machines d'HPLC est de quatre machines. Pour les produits, une simple présélection des produits à traiter suffit à garder les données dans un cadre mathématiquement exploitable.

106

Chapitre IV: Implémentation et simulations

Figure 81 : Dégradation du temps de résolution

5.9. Besoins en mémoire

C'est sans doute l'un des principaux inconvénients de l'utilisation de structure récursive. L'utilisation d'appels récursifs crée une croissance exponentielle de l'espace consommé. Toutefois, nous noterons que pour notre cas d'étude les limites sont tout à fait convenables.

Figure 82 : Consommation mémoire

107

Chapitre IV: Implémentation et simulations

6. PRODUITS INTELLIGENTS OBTENUS

ASPECTS DES PRODUITS INTELLIGENTS

Voici en quelques points les avantages et résultats obtenus:

y' Contrôle distribué

y' Architecture hétérarchique

y' Grâce au concept de produit intelligent, il y a deux types d'intelligence : Une individuelle et une seconde collective prenant en compte l'aspect multi critères et multi contraintes.

y' La méthode proposée pour résoudre le problème complexe d'ordonnancement des tests de concentration permet de jeter les bases pour la gestion du cycle de vie.

y' Notre méthode est d'autant plus efficace lorsque nous sommes confrontés à une hétérogénéité importante.

y' Les structures de données utilisées ne génèrent que les cas plausibles de l'espace de recherche.

y' Utilisation d'une méthode exacte de dénombrement totale.

y' Gain significatif en termes de ressources et de temps d'exécution.

y' Pas de problème de myopie (bonne perception des agents de leur environnement).

y' Ce formalisme facilite l'extension à d'autres phases du cycle de vie du produit

LIMITES ET QUESTIONS SOULEVEES

Toutefois, nous relevons certaines limitations, principalement :

- Pas de pilotage réactif qui pourrait devenir indispensable l'environnement devient trop instable et changeant.

- Possibilité d'utiliser des heuristiques pour optimiser, encore plus, les phases d'évaluation combinatoire.

- Limités à un nombre ressource et de produits définis choisi par présélections.

108

Chapitre IV: Implémentation et simulations

7. CONCLUSION

Dans ce quatrième chapitre, nous avons montré une structuration logicielle correspondant aux méthodes et modèles présentés dans les chapitres précédents.

Nous avons, ensuite, montré la validité des concepts proposés en décrivant les résultats obtenus sur un cas de processus industriel. Ces résultats portent sur la mise en évidence de la qualité, point de vue optimalité et exhaustivité du pilotage.

Nous avons montré que la structure d'agent « produit intelligent » prend en charge des problèmes multicritères et propose un compromis efficace en termes de flexibilité et d'intégration d'objectifs globaux.

Nous proposons une approche pour permettre, à terme, de gérer le cycle de vie du produit pharmaceutique. Une première étape consiste à résoudre le problème d'allocation de ressources pour les tests du laboratoire.

109

CONCLUSION GENERALE ET

PERSPECTIVES

Nous proposons une approche pour permettre « à terme » de mieux maitriser le cycle de vie du produit pharmaceutique. Cette dernière offre un contrôle distribué. C'est-à-dire qu'il n'y a pas de décision centralisée. Avec le concept de produit intelligent, nous pouvons distinguer deux niveaux distincts: l'un individuel et l'autre collectif. Cette modélisation des individus et de leurs relations est relativement simple ; le comportement global est obtenu par émergence.

La méthode proposée pour résoudre le problème complexe du test concentration des épreuves d'ordonnancement peut jeter les bases pour la gestion du cycle de vie. Nous sommes partie du principe s'appuyer sur cette phase critique. Il sera envisageable d'adapter ces comportements à d'autres phases présentant des problèmes similaires d'allocation de ressources avec contraintes comme la production ou les transports par exemple.

Les structures de données utilisées ne génèrent que plausible l'espace de recherche. Cela représente un gain significatif en termes de ressources et de temps d'exécution. Cela rend possible: d'abord en utilisant une méthode exacte et d'autre part cette approche formalisme facilite l'extension à une autre phase du cycle de vie du produit. Notre méthode est plus efficace lorsque nous sommes confrontés à l'hétérogénéité d'un produit important.

Une première étape consiste à la résolution du problème d'allocation de ressources pour les tests du laboratoire. L'implémentation pour la méthode des SMA permet une résolution réactive avec une modélisation proche de la réalité physique du problème. L'intégration de phénomène d'apprentissage permettra une optimisation progressive des allocations.

Une fois la méthode entièrement validée, il sera tout à fait envisageable d'étendre ces mécanismes à la gestion ; en les adaptant à d'autres étapes du cycle de vie du produit: Production, distribution, traitement des déchets...etc.

INDEX

110

A

Affectations	37,	84
B
Balance analytique		28
Boïds		72
C
C.I.M (Computer Integrated Manufacturing)		13
Charge bactérienne		29
Chromatographique		34
Conception Assistée par Ordinateur (C.A.O)		13
Conditionnement
Primaire		26
Secondaire		26
Conteneurs intelligents		51
Contraintes		35
Contrôle et qualité		23
Coûts de production	19,	74

D

Décisions
Centres de décisions			18
Opérationnelles		14,	15		Stratégique
14,	15,	42
Tactique		14,	15
Diagramme de GANTT			39
Dissolu-test			29

F

Fabrication Assistée par Ordinateur (F.A.O.) 13

G

Germes 29

H

Hiérarchie 18

HPLC 32

I

Incidence de l'ordre 38

Intelligence

Embarquée 51

Item intelligent 51

M

Médicament

Définition 21

Formes galéniques, 28

Générique 21

O

Objectifs

Globaux 24

Industriels 24

Objet(s)

Communicant sensitif 59

Objet demandeur / fournisseur de services 58

Objet pointeur vers un systéme d'information 57

Objet porteur de données 56

ORACLE 42

Ordonnancement ... 11, 15, 18, 37, 38, 39, 77, 86, 91

P

P.L.M

Beginning of life (BOL): 44

Définition 11

End of life (EOL) 44

Middle of life (MOL) 44, 52

Pharmacopées 27

Phase mobile 33

Philips 12

Physico-chimie 23

Pilotage

Correctif 18

Prédictif 16

Proactif 17

Réactif (temps réel) 17

Product Lifecycle Management 11, 41

Production

Procédé de fabrication 26

Processus de production 25

Site de production 23

Productique 12

produit informationnel 54

Produit(s)

Actif dans un environnement d'intelligence

ambiante 60

Décisionnel		50, 55
Produit actif de BRUN PICARD		52
Produit déclencheur		50
Produit informationnel		50
Produit intelligent de Mc FARLANE		54
Produits intelligents		49
Produits intelligents de BAJIC		56
R
Radio Frequency IDentification		57
Réactivité 13,	18,	20, 108
Recherche et Développement		24
RFID		57
Risque		38
S
SAP		42
SOPHAL		20
Stabilité		30
système de production		14
Système(s)
Décision		14
Physique		14
Système d'information		14
systèmes de pilotage		16
Systèmes multiagents		63
T
Technico-administratif		23
Traçabilité		47

111

112

BIBLIOGRAPHIES

PAUL VALCKENAERS & al. Intelligent products: From lifecycle data acquisition to enabling product-related. Computers in Industry réf: 60, 2009.

ALOULOU, Mohamed Ali. «Modélisation et résolution des probéemes d'ordonnancement.» Paris: Université Paris Dauphine, 2006.

ARMETTA, Frédéric. Proposition d'une auto-organisationelle pour le partage de ressources critiques. Lyon: Doctorat de l'Université Claude Bernard Lyon I, 2006.

BAJIC & DOBRE. «Active product modeling for chemical security management based on smart object concept.» 7ème Conférence Francophone de MOdélisation et SIMulation - MOSIM'08. Paris, 2008.

BAJIC & RAMIREZ. «Service Modeling for Intelligent Products in the Supply Chain'. ICPR.» 18th International Conference on Production Research. Fiasciano, Italy, 2005.

BAJIC. Towards a holon-product oriented management. Seoul, Korea: IFAC Workshop on Intelligent Manufacturing Systems, 2004.

BERCHET. «Intégration du processus de pilotage à la simulation des systèmes de production.» conférence MOSIM'99. Annecy: SCS éditions, 2000.

BLANC & CASTAGNA. «PILOTAGE MULTI-AGENTS D'UN SYSTEME DE FABRICATION DE VITRES DE SÉCURITÉ.» 6e Conférence Francophone de MOdélisation et SIMulation. Rabat: MOSIM'06, 2006.

BRUN PICARD et al. Pilotage sans plan prévisionnel ni ordonnancement préalable. Hèrmes: Méthodes du pilotage des systèmes de production, 1997.

CHARPENTIER. «Quelques approches de pilotage distribué et leur formalisation.» Journal Européen des Systèmes Automatisés. Vol. 35. 2001. 885-904.

CIMdata, Inc. «Product Lifecycle Management.» A CIMdata Report, 2002. DEBAEKER, Denis. PLM: La gestion collaborative du cycle de vie des produits. 2008.

DENIS, Senpere, et Hardeep GULATI. «A PLM Overview & Strategy for Life Sciences.» 2009.

113

DOBRE, Drago°. «CONTRIBUTION A LA MODELISATION D'UN SYSTEME INTERACTIF D'AIDE A LA CONDUITE D'UN PROCEDE INDUSTRIEL.» Thèse Présentée pour l'obtention du titre de Docteur de l'Université Henri Poincaré. Nancy: École Doctorale IAEM Lorraine, Novembre 2010.

DOUMEINGTS. Méthodes pour concevoir et spécifier les. Marseille, 1990.

ELKHYARI, Abdellah. Outils d'aide à la décision pour des résolution dynamique. Nantes, 2003.

ELLERY, Dr Tony. 3rd Annual Pharmaceutical PLM Conference. Londre, 28, 29 et 30 Janvier 2009.

FERBER, J. Un méta-modèle organisationnel pour l'analyse, la conception et l'execution de systèmes multi-agents. 3rd International ternational Conference on Multi-Agent Systems ICMAS'96, 1996.

FINNVEDEN, Göran. Recent developments in Life Cycle Assessment. Journal of Environmental Management, 2009.

IBM. Rapport de perspective economique du PLM. 2011.

INCOSE. «Systems Engineering Handbook : a guide for system life cycle processes and activities.» International Council on Systems Engineering, 2010.

LAVIGNE. «Category Theory Based Approach for IMS Modelling.» Budapest: IMS, 2003.

LE MOIGNE, J.L. «La théorie du système général, Théorie de la modélisation.» pages 228,1994. Paris: PUF, 1994.

LINDNER, John R. «Product Lifecycle ManagementCenter of Competency.» 2008.

MARIN, Patrick. «Thése professionelle.» L'usage des systémes d'information PLM contribue t-il à l'innovation collaborative ? - HEX paris; Mines ParisThech, 05 12 2009.

MAYER, f. «Contribution to manufacturing engineering: Application to pedagogical.» Thèse de doctorat. Nancy: Université Henri Poincaré, 1995.

MC FARLANE & al. The intelligent manufacturing control and management. Engineering Applications of Artificial Intelligence: special issue on Intelligent Manufacturing, 2002.

MC Farlane, D., Giannikas, V., Wong, A.C.Y., Harrison, M. «Product Intelligence: Theory and Practice.» 2012.

114

MEYER & al. «Intelligent Products: A survey.» Computers in Industry, volume 60. 2009. pages 137-148.

MOE, T. Perspectives on traceability in food manufacture. Trends in Food Science & Technology, 1998.

ORACLE. «Product Lifecycle Management in the Pharmaceutical Industry.» An Oracle White Paper, 2008.

RAPINE, Christophe. «ORDONNANCEMENT.» grenoble: Institut national polytechnique de Grenoble, 2010.

SALLEZ et al. «The Life Cycle of Active and Intelligent Products: The Augmentation Concept.» International Journal of Computer Integrated Manufacturing. 2010.

SALLEZ, Yves. The lifecycle of active and intellgent products : the augmentation concept. 2010.

SERGIO, TERZI. A holonic metamodel for product traceabily in PLM. University or Bergamo, Department of Industrial Engineering, Viale Marconi 5, 24044, Dalmine (BG), Italy,, 2007.

Sighireanu, Mihaela. «Environnements de d'eveloppement.» Paris: UFR d'Informatique, 2012.

TRENTESAUX. «A generic design framework for decentralized control: the DMU model.» 2nd IFAC/IFIP/IEEE Conf. On Management and Control of Production and Logistics, MCPL. Grenoble, 2001.

TRENTESAUX et al. Trentesaux D. et Tahon C. Modèle de communication inter-agents pour une structure de pilotage temps réel distribuée. Revue d'Automatique et de Productique Appliquées, 1994.

TRENTESAUX, Damien. Conception d'un système de pilotage distribué, supervisé et. GRENOBLE: l'INSTITUT NATIONAL POLYTECHNIQUE DE GRENOBLE, 1998.

Trentesaux, Damien. «Pilotage hétérarchique des systèmes de production.» Habilitation à diriger des recherches. Valenciennes: Laboratoire d'Automatique, de Mécanique et d'Informatique Industrielles et Humaines (LAMIH), 2002.

WALDNER, Jean-Baptiste. CIM, les nouvelles perspectives de la production. Paris: Dunod, 1990.

WEISS. «Multiagent systems and societies of agents.» A Modern Approach to Distributed Artificial Intelligence. The MIT Press, 2001.

115

Yang, Xiaoyu. Intelligent products: From lifecycle data acquisition to enabling product-related services. Computers in Industry 60, 2009.

ZBIB, Nadine. «Allocation et routage dynamique dans un FMS basés sur le concept de champ de potentiel.» Thèse Présentée pour obtenir le grade de Docteur de l'Université de Valenciennes et du Hainaut Cambrésis. Valenciennes: Laboratoire Thermique Ecoulement Mécanique Matériaux Mise en Forme Production, 2010.