application pour l`optimisation en temps réel

8e Conférence Internationale de MOdélisation et SIMulation - MOSIM’10 - 10 au 12 mai 2010 - Hammamet - Tunisie
« Évaluation et optimisation des systèmes innovants de production de biens et de services »
ADAPTATION DE LA COMMANDE PRÉDICTIVE AUX SYSTÈMES À
ÉVÉNEMENTS DISCRETS : APPLICATION POUR L’OPTIMISATION EN
TEMPS RÉEL DU PROCESSUS DE TRANSPORT MINIER
Amel JAOUA, Diane RIOPEL
École Polytechnique de Montréal et GERAD
C.P. 6079 Succ Centre-Ville,
Montréal, Qc, Canada
H3C 3A7
[email protected]
[email protected]
Michel GAMACHE
École Polytechnique de Montréal et GERAD
C.P. 6079 Succ Centre-Ville,
Montréal, Qc, Canada
H3C 3A7
[email protected]
RÉSUMÉ : Cet article propose une nouvelle architecture générique pour l’implantation d’un système intelligent de
commande en temps réel basé sur les modèles de simulation des systèmes dynamiques à événements discrets.
L’architecture proposée est inspirée du principe de la commande prédictive. La faisabilité de cette nouvelle
architecture est démontrée par une implémentation d’un système de commande en temps réel d’une flotte de camions
dans un réseau de transport fermé d’une mine à ciel ouvert.
MOTS-CLÉS : commande prédictive, simulation, temps réel, transport, architecture de commande
1
INTRODUCTION
L’instauration d’une structure de commande permettant
à un procédé de faire face aux perturbations de
l’environnement externe est un problème qui a largement
été étudié par les automaticiens. En effet, plusieurs procédés industriels sont aujourd’hui commandés en temps
réel grâce à la stratégie de commande prédictive. Dufour
(2000) décrit le potentiel de cette structure de commande
prédictive et revoit les domaines d’application qui en ont
bénéficiés, tels que les procédés chimiques et de raffinage. Étant donné qu’il est impossible de prévoir toutes les
perturbations à l’avance, le principe de ce type de commande consiste à résoudre, en temps réel, un problème
d’optimisation pour générer des lois de commande permettant la correction en continu des perturbations. La
formulation de ce problème d’optimisation concerne la
poursuite d'une trajectoire de référence qui exprime les
performances souhaitées du procédé. Cette commande
doit être basée sur une structure en boucle fermée afin de
capter l’état du procédé en temps réel et de le réguler.
Cette structure de commande prédictive nécessite
l’existence d’un modèle très fiable du procédé afin de
générer les lois de commande optimale qui vont amener
le système à suivre la trajectoire de référence désirée. En
effet, le succès même de cette stratégie est contraint par
la pertinence de ce modèle de prédiction.
Il est vrai que cette structure de commande est performante pour des procédés simples, mais son adaptation
pour les systèmes à événements discrets complexes
s’avère compliquée. L’un des premiers obstacles relevés
par Banks (1998) est la faiblesse des modèles mathématiques à reproduire fidèlement des systèmes complexes
comme les systèmes manufacturiers ou de transport. La
solution préconisée était d’adopter des modèles de simulation comme modèle de prédiction. Bien que cette solution ait été approuvée, les travaux récents d’Iassinovski
et al. (2008) et de Mirdamadi et al. (2007) rapportent
que l’application effective de cette approche dans
l’industrie reste très limitée. L’handicap de cette approche de commande est sa complexité d’intégration.
Cet article expose une nouvelle architecture générique
développée pour l’implantation d’un système intelligent
de commande en temps réel basé sur un modèle de simulation des systèmes à événements discrets de très grande
taille. La structure de la méthode de commande proposée
est inspirée principalement de la commande prédictive.
La faisabilité de cette nouvelle architecture est démontrée par une implémentation complète d’un système de
commande en temps réel d’une flotte de camions dans
l’émulation d’un réseau de transport de dimension réel
d’une mine à ciel ouvert. Les résultats obtenus ont permis de démontrer l’efficacité de la commande en boucle
fermée dans un environnement dynamique pour effectuer
l’affectation des camions en temps réel. Nous présentons
également une méthodologie qui permet d’intégrer une
méthode heuristique intelligente pour la gestion en temps
réel d’une flotte de camions qui prend en compte les
contraintes opérationnelles.
Une application prototype de transport minier a été choisie pour l’implémentation de notre architecture. Ce choix
d’application a principalement été motivé par les critiques relevées dans ce domaine concernant les investissements importants dans des technologies de
l’information qui se sont avérés peu profitables. Des
études récentes, dont celles de Krzyzanowska (2007),
démontrent que même si des systèmes très performants
MOSIM’10 - 10 au 12 mai 2010 - Hammamet - Tunisie
de positionnement permettent de localiser en temps réel
chaque camion dans la mine, les logiciels de répartition
n’exploitent pas ce type d’information afin d’optimiser
des problèmes récurrents de trafic et de congestion dans
les mines à ciel ouvert. Ainsi les problèmes de congestion et de longues files d’attente de camions sont imputables à la myopie des systèmes de commande.
À la loi de commande de répartition initiale, une dimension de routage a été ajoutée. Ainsi le nouveau système
de commande proposé permet la répartition et le routage
en temps réel des camions. Finalement, l’efficacité d’un
tel routage en temps réel en termes de contrôle et de réduction de congestion dans les réseaux de transport fermés est démontrée. Ce problème de trafic est fortement
critiqué dans les systèmes de transport internes comme
dans les cas des mines à ciel ouvert et des terminaux à
conteneurs, cependant il est ignoré par les modèles de
répartition généralement proposés (Jaoua et al. 2008).
2
REVUE DE LITTÉRATURE
Selon Banks (1998), les techniques de commande en
temps réel via des modèles de simulation à événements
discrets semblent très prometteuses pour la commande
en boucle fermée des classes émergentes des systèmes
complexes réels. Dans ce contexte, les travaux présentés
dans Cardin et al. (2008) et Cardin et Castagna (2006)
exposent la performance de la simulation en ligne
comme outil d’aide à la décision pour le pilotage des
ateliers de production. Bien que cette approche de commande par simulation en ligne semble prometteuse Iassinovski et al. (2008) reportent sa complexité d’intégration
comme un handicap qui va à l’encontre de son adaptation effective dans l’industrie.
Gosavi (2003) explique les complexités de disposer
d’une architecture permettant l’intégration des méthodes
d’optimisation basées sur la simulation pour effectuer le
commande en temps réel. Il propose une approche qui
consiste à programmer l’algorithme d’apprentissage par
renforcement comme une partie intégrante du simulateur.
Toutefois, cette solution ne s’avère viable que pour les
problèmes de petite taille. De plus, les langages de simulation reconnus et développés tout au long de ces deux
dernières décennies ne peuvent pas être utilisés et le codage complet d’un simulateur par un langage de programmation général est requis pour y intégrer les algorithmes d’optimisation. Une autre architecture, utilisée
par Son et al. (2002) ainsi que Lee et al. (2007) est intégrée au logiciel Arena®. Un mécanisme de simulation
itératif est adopté. Deux ordinateurs sont nécessaires afin
d’intégrer les deux modèles de simulation. À chaque
décision, un générateur de tâches développé à partir
d’Arena RT® exécute ce dernier modèle de simulation
en mode rapide afin d’évaluer différentes stratégies de
commande pour éventuellement alimenter le système en
temps réel avec la meilleure stratégie trouvée. Cette stratégie a été testée sur un atelier émulé et des résultats sa-
tisfaisants ont été observés pour la commande de tels
systèmes manufacturiers flexibles.
Même si cette architecture semble plus simpliste que
celle que nous proposons, nous n’avons pu trouver aucune spécification formelle des contraintes de temps
prouvant que cette dernière peut mener à un système
efficace de commande en temps réel. De plus, le problème d’ordonnancement est résolu uniquement en évaluant des ordonnancements alternatifs et en sélectionnant
la meilleure loi de commande.
Sivakumar et Gupta (2006) sont parmi les rares auteurs à
présenter une application effective de cette approche de
commande. Ils proposent l’implantation (en C++) d’un
système de commande basé sur de la simulation enligne
d’une unité de fabrication de semi-conducteurs. Ils soulignent que l’amélioration des performances est principalement due à la robustesse significative de la méthode
dans un environnement de production stochastique. Toutefois les auteurs n’ont pas fourni un formalisme clair de
l’architecture proposée. De plus, la technique
d’optimisation consiste simplement à utiliser les meilleures règles d’ordonnancement.
De cette revue de la littérature, deux observations principales émergent. La première est en lien avec celle formulée par Iassinovski et al. (2008) qui porte sur la nécessité
d’une méthodologie plus formelle pour l’intégration de
système de commande en temps réel basé sur les modèles de simulation à événements discrets. Selon Gérard
et Terrier (2004), pour le développement d’application
en temps réel le recours à un support méthodologique tel
que le standard UML est nécessaire. Dans ce contexte,
nous précisons que d’autres formalisme comme DEVS
(Pujo et al., 2004) ont étés proposés pour le développement de simulateur en temps réel. Cependant la problématique ici traitée est celle de la spécification d’une architecture pour l’intégration de modèle développé à
l’aide des logiciels de simulation à événements discrets
et non pas de proposer un nouveau formalisme de développement de simulateur temps réel.
Aujourd’hui ces logiciels comme Arena, Witness, ProModel etc., sont couramment utilisés dans les industries
notamment minières vu la grande taille et la complexité
des interactions dans les applications réelles. En outre,
un des avantages de recourir à des logiciels de simulation
comme Arena® est que le problème de synchronisation
des applications est déjà résolu à l’aide de protocole de
communication standardisé (Smith et al., 1994 ; Lee et
al., 2002).
La seconde observation porte sur l’utilisation abondante
de règles simples comme méthode d’optimisation plutôt
que d’utiliser des métaheurisitiques. Les travaux
d’Ouelhaji et Petrovic (2009) prouvent que l’usage des
métaheuristiques comme technique d’optimisation dynamique pour le contrôle ou l’ordonnancement est plus
approprié que les règles d’affectation et les heuristiques.
MOSIM’10 - 10 au 12 mai 2010 - Hammamet - Tunisie
+
Robinson (2005) et Gosavi (2003) considèrent qu’il est
difficile d’utiliser une métaheuristique pour la commande en temps réel basé sur la simulation parce que ces
méthodes nécessitent souvent beaucoup de temps de
traitement. À la section 4, nous démontrons comment
notre architecture peut supporter une métaheuristique
intelligente tout en assurant que les lois de commande
soient générées de façon à respecter le temps de réponse
du système. La prochaine section présente le design et
les spécifications de comportement pour notre système
de commande.
3
PRÉSENTATION DE L’ARCHITECTURE DE
COMMANDE
3.1 Schéma de principe
Le schéma général de commande qui est présenté dans
cette section est illustré aux figures 1 et 2. Ce schéma
provient d’une structure typique en théorie du contrôle
de la commande prédictive.
Dans ce schéma de commande, nous fournissons également le langage de programmation utilisé pour chaque
module. Le module principal de ce système de commande, dans lequel un optimiseur est imbriqué, est développé en utilisant le langage de programmation C. Un
émulateur de mine est construit pour effectuer les tests;
cette fonctionnalité est codée en Visual Basic®, ce qui
fournit une interface facile à utiliser pour construire les
tests. Le module d’observation de la mine a été développé avec SIMAN® et ARENA RT®. Cet observateur doit
refléter l’état de la mine en temps réel. Il doit donc être
synchronisé et progresser en même temps que le système
(l’émulateur de la mine dans notre cas). Les canaux de
communications entre ce module et l’émulateur de la
mine ont été développés en C++. Ce langage est exigé
par ARENA RT® afin de bénéficier d’un temps de réponse acceptable. Le module de prédiction de la mine
contient le simulateur développé en utilisant le langage
simulation SIMAN® (Pedgen et al. 1995).
Figure 1. Structure de Commande Prédictive par Modèle
Interne, (Source : Dufour 2000).
-
Module de
contrôle
(C)
Performance
estimée
Loi de commande
Nouvelle loi de
commande à
testée
Modèle de
prédiction
(SIMAN)
État instantané
du système
Émulateur du
systéme réel
(VB)
Modèle
Observateur
(SIMAN )
(ARENA RT)
(C++)
+
-
Figure 2. Structure de Commande proposée à base de
Modèle de Simulation (Source : Jaoua 2009).
3.2 Spécification du comportement dynamique
Pour spécifier le comportement du système ainsi que la
question critique des délais dans notre architecture de
commande en temps réel, nous avons utilisé les diagrammes UML de séquence. Selon Gérard et Terrier
(2004), ces diagrammes sont les outils les plus puissants
pour la modélisation du comportement d’un système en
temps réel. Nous avons également utilisé le concept amélioré de branchement fourni par UML 2.0. Ces nouveaux
concepts sont bien documentés dans Pender et al. (2003).
Il est utile de noter que dans cet article on s’est focalisé
sur ce digramme de séquence vu que nous adressons la
problématique de l’aspect temporel, ainsi il sera possible
aux lecteurs de consulter la thèse de Jaoua (2009) pour
avoir une vue plus globale sur l’architecture de commande proposée.
Le principe de notre boucle fermée (tel qu’illustré à la
figure 3) est de fonctionner alternativement en état
d'équilibre et de réagir à un stimulus ponctuel pour faire
face au comportement transitoire du système. Pour ce
faire, à des intervalles de temps réguliers, appelés horizons de commande, un signal périodique, nommé ControlLoop, est envoyé afin de calculer les lois de commande. Puis la valeur de ControlLoop.period est équivalente à l'horizon de commande. Cet horizon est spécifique au domaine et au système de commande. Néanmoins, celui-ci doit être bien défini, car il représente un
élément crucial dans la notion de commande. Plus tard
dans la phase de mise en œuvre, cette notion de ControlLoop.period est exprimée en fonction du système transport étudié. Lorsque le signal de ControlLoop est reçu,
l'état du système est enregistré et le mécanisme
d’optimisation basée sur la simulation est lancé pour
trouver de nouvelles lois de commande qui minimisent
l'écart entre les performances du système sur l'horizon de
prévision retenu.
À cet effet, le Controller doit initier le simulateur
comme un processus enfant. Avec cette technique de
programmation multiprocessus, le Controller qui est le
processus parent reste actif et à l'écoute de l'environnement externe via l’information fournie par les capteurs.
Parallèlement, l’optimisation basée sur la simulation est
sous le contrôle d’un opérateur de boucle.
MOSIM’10 - 10 au 12 mai 2010 - Hammamet - Tunisie
Boundary / Control system
«active»
:Controller
:Optimizer
{ControlLoop.period constrained by
the periodic behavior of the system steady-state}
InitOpt(param)
CreateChild()
«process»
SimState_ti:Simulator
alt
[GetStimulus(Ap)=False]
Loop
[Stop CND]
FindNew(SimOutput)
Listen to
sensor
Destroy
[Else]
Destroy
CreateChild()
«process»
SimState_tj:Simulator
Loop[StopCND]
FindNew(SimOutput)
Listen to
sensor
Destroy
NewControlLaw
Figure 3. Diagramme de séquence du module de contrôle.
Lorsque le Controller arrête l'exécution et récupère la
meilleure solution trouvée, ce processus parent détruit le
processus enfant et envoie la NewControlLaw qui est
exécutée par des Actuators dans l'horizon de commande
suivant. Ce module est exécuté que si Aperiodic Stimulus
n’est pas pris en compte. Cette condition est sous la responsabilité de l’opérateur Alt. Ensuite, si durant le processus de génération de la loi de commande un stimulus
externe perturbe l'état du système réel, le Controller détruit l'ancien simulateur enfant, reçoit l’état réel de l'environnement et crée un nouveau processus enfant de simulation.
4
EXPÉRIMENTATIONS ET RÉSULTATS
Le but d'incorporer ce système de commande en temps
réel dans des environnements de transport en surface, est
de continuellement injecter une loi de commande qui
réduit au minimum l'écart entre la sortie du système et la
trajectoire de référence.
Cette trajectoire de référence est obtenue du plan de production optimal qui cible la productivité de chaque pelle.
Cette trajectoire est calculée hors-ligne en fonction des
contraintes stratégiques, ce principe de pilotage multi
niveau a été présenté dans Jaoua et al. (2008). La technique d’optimisation basée sur la simulation et alors utilisée. Dans le module d'optimisation, nous avons intégré
une méthode de recuit simulé. La loi de commande doit
MOSIM’10 - 10 au 12 mai 2010 - Hammamet - Tunisie
Le transport du matériel est l'une des dépenses les plus
importantes dans l'exploitation des mines à ciel ouvert.
Dans cet environnement, les opérations de chargement et
de déversement impliquent une flotte de camions transportant la roche fragmentée sur un réseau interne de
transport routier. Les camions font des allers-retours
entre les pelles et les sites de déversement. Après le déversement, les camions reçoivent leur nouvelle affectation (c’est à dire la prochaine pelle où il doit effectuer
son chargement). Ces ordres doivent être générés continuellement durant un quart de travail. Dans une mine à
ciel ouvert, les temps de cycle varient de 10 à 25 minutes, ce qui est court comparativement à la durée du
quart de travail (8 à 12 heures). De plus, la requête pour
une nouvelle affectation à chaque site de déversement est
plus fréquente (de 3 à 5 minutes).
2
4
2
3
4
4
3,2
2
2,8
2,5
5,3
Plusieurs articles traitent de ce sujet (Burt et Caccetta
2007; Ta et al., 2005; Alarie et Gamache, 2002). La
complexité de cette classe de problèmes consiste à générer des ordres d’affectation dans un environnement hautement stochastique et dynamique.
Comme indiqué précédemment, le but du répartiteur est
d’affecter les camions aux pelles. Nous supposons que
l'opération au concasseur (C) prend au moins 4 minutes,
la même opération dans les autres points de déversement
(WD et SP) prend 3 minutes. Dans ce contexte, il est
possible de permettre un temps d'exécution de 2 minutes
pour l’optimisation basée sur la simulation.
1
4.1 Présentation de l’application de transport minier
Pour les expérimentations, deux mines de taille différente (moyenne et grande) sont utilisées. Les configurations des réseaux de transport étudiés sont présentées à la
figure 4. La mine de taille moyenne (figure 4a) dispose
de trois points de chargement (les pelles S1, S2, S3), un
concasseur (C) et une halde de stérile (WD). La station
de départ (D) est considérée une zone de stationnement
pour les camions. Le réseau de transport est composé de
tronçons routiers dont les longueurs sont indiquées dans
la figure. Quinze camions sont en service dans cette
mine.
La mine de grande taille (figure 4b) contient dix points
de chargement (les pelles Si où i=1,… ,10) et trois points
de déversement : le concasseur (C), la halde de stérile
(WD) et une pile d’entreposage (SP). Une flotte de 60
camions est utilisée pour le transport de la roche fragmentée.
5,
être spécifiée en fonction d’un horizon à court terme, soit
quelques minutes.
Figure 4. Configuration des réseaux de transport étudié.
Après son déversement, le camion reçoit sa nouvelle
affectation, c’est à dire la nouvelle pelle où il devra effectuer le prochain chargement. On formule d’abord la
nouvelle loi de commande comme un ensemble
d’affectations qui doit être créé et maintenu pour chacun
des sites de déversement pour chaque horizon de commande.
L’exemple qui suit explicite la formulation de cet ensemble d’affectations pour le concasseur (C). Présumons
d’abord que l’horizon de commande est de 10 minutes,
c’est à dire ControlLoop.period=10. Étant donné qu’un
seul camion à la fois peut déverser et que cette opération
prend au moins 4 minutes (le positionnement du camion,
le déversement du matériel et le départ de la zone de
MOSIM’10 - 10 au 12 mai 2010 - Hammamet - Tunisie
déversement) ; la cardinalité de l’ensemble d’affectation
de C est alors | C | = 3. Cette cardinalité est une borne
supérieure sur le nombre de demandes d’affectation de
camions durant l'intervalle de temps de 10 minutes. Par
exemple, soit C = (S1, S3, S2) est la loi de commande
générée. Cela indique que le premier camion qui doit
quitter ce poste de livraison au cours des 10 prochaines
minutes sera affecté à la pelle 1, le deuxième à la pelle 3
et le troisième à la pelle 2.
4.2 Résolution de la problématique de répartition
en temps réel
ponctuel se produit. Par exemple, considérons la détérioration des conditions météorologiques. Lorsque cette
situation se présente dans les mines à ciel ouvert, les
conducteurs de camions diminuent leur vitesse d'environ
50% par mesure de sécurité. Dans ce contexte, deux tests
différents sont effectués sur la mine de moyenne taille.
Dans le premier cas, le système de contrôle ignore ce
stimulus. Dans le second cas, on évalue la capacité du
système de commande en boucle fermée à tenir compte
de ce stimulus. Pour l’expérimentation, nous avons supposé que le stimulus se produit lorsqu’au moins 1/8 du
temps indiqué par ControlLoop.period=40 est écoulé.
Les résultats expérimentaux sont présentés à la figure 5.
L'objectif de la présente sous-section est d'étudier la
réactivité du système de commande lorsqu’un stimulus
Figure 5. Expérimentation de la réactivité du système.
De toute évidence, la performance du système se détériore lorsque cet événement de perturbation est ignoré.
Nous constatons une dégradation des performances lorsque le contrôleur maintient l’affectation précédemment
définie pour l'envoi de camions et qu’il ne réagit pas au
changement de cette loi de commande, même sous des
perturbations météorologiques. Le système de contrôle
attend le signal périodique suivant du ControlLoop pour
tenir compte du nouvel état de l’environnement perturbé.
Dans le second cas, lorsque le contrôleur réagit à ce
stimulus, une perte de 4,7% de la production est évitée.
En fait, ce changement brusque de vitesse semble affecter grandement les conditions de circulation. Les affectations des camions calculées avant cet événement ne
sont plus efficaces pour faire face à ce nouvel état du
réseau de transport. Nous prouvons ainsi que notre système de commande a la capacité de réagir en temps réel
et de générer de nouvelles affectations de camion conduisant à un gain significatif de performance.
4.3 Augmentation de la loi de commande pour le
routage temps réel des camions
Dans cette deuxième étude, nous nous préoccupons du
problème de congestion rencontré dans les réseaux de
transport interne. À cet effet, l’exemple avec le réseau de
transport de plus grande taille et un plus grand volume
de trafic est utilisé (figure 4.b). L'objectif consiste à étudier le potentiel du module Observer pour effectuer le
suivi de l'état en temps réel de la congestion du réseau et
pour fournir les informations afin de modifier le routage
des camions au besoin. L'objectif consiste à utiliser notre
architecture de commande et d'inclure des ordres de routage dans la loi initiale d’affectation. Puis, nous ajoutons
une autre dimension à l'attribution préalablement définie
appelé l’ensemble des chemins. Pour chaque site de
déversement, deux ensembles sont désormais considérés:
celui des affectations et celui des chemins.
MOSIM’10 - 10 au 12 mai 2010 - Hammamet - Tunisie
La complexité de la congestion réside dans le fait que
c’est une notion contextuelle où l’on doit dépasser un
certain seuil afin de pouvoir en identifier la présence.
Ainsi, pour surveiller et contrôler ce trafic, il faut définir
tout d'abord une mesure efficace de l'état de congestion
et identifier ce seuil. Dans ce but, nous intégrons le concept de mesure de l'encombrement du trafic récemment
présenté par Bham et Benekohal (2002).
Cet indicateur d'occupation d'espace, appelé SOC, fournit
une mesure exacte de l'ampleur de la congestion et il
semble très efficace pour contrôler en temps réel le trafic
sur le réseau. Le SOC représente le pourcentage de la longueur de la section occupée par les camions. Plus d'information sur l'efficacité et la formulation de cet indicateur peuvent être trouvée dans Papageorgiou et Vigos
(2008). Une fois que cette mesure est adoptée, l'étape
suivante consiste à effectuer des tests pour déterminer le
seuil critique du niveau d'occupation. Cette valeur est
considérée comme une limite supérieure qui permet le
détournement de camions en cours d'exécution. Cette
commande pour le détournement des camions propose
un nouveau chemin plus long mais moins encombré. Ces
tests sont similaires à ceux effectués par Chen et al.
(2001) afin de déterminer le niveau d’occupation critique
qui permet de prévenir la congestion sur les autoroutes.
Pour le réseau de transport interne étudié, voir figure 4b,
un problème de congestion est facile à détecter sur le
segment n2 - n5 en raison de la demande élevée pour le
site de déversement C. Ensuite, une solution intéressante
pour alléger la congestion est de rediriger les camions
sur le segment WD à S9 vers un chemin plus long mais
moins occupé. Un chemin possible pourrait être celui
empruntant le segment n11 - n13, qui est aussi à l'entrée
du site de chargement SP.
Des tests ont été effectués pour analyser l'état de la congestion sur deux sections de route. Les résultats de
l’expérimentation indiquent que si le SOC est maintenu en
dessous d'un seuil de 12% sur le segment n11-n13, alors la
congestion est évitée. Une fois que la valeur critique est
détectée, on peut l'utiliser comme un stimulus pour la
redirection des camions en temps réel. Des scénarios
avec routage fixe et avec routage souple ont été testés.
Dans le premier, le contrôleur ne tient pas compte du
stimulus et continue d'envoyer des camions de la halde
de stérile (WD) à la pelle (S9) par un deuxième chemin.
Dans le second scénario, lorsque l'occupation de l'espace
atteint la valeur seuil de 12%, le contrôleur envoie un
nouvel ensemble de chemins afin de rediriger les camions sur un troisième chemin (celui-ci est plus long
mais moins encombré) qui emprunte le segment n19 - n17.
Les résultats de la simulation sont présentés à la figure 6.
De toute évidence, ajouter de la flexibilité dans le routage en temps réel permet d’améliorer grandement la
productivité du système. En fait, les camions redirigés
sur des chemins moins encombrés, permettent non seulement de réduire les files d'attente et les temps perdus
dans les bouchons de circulation, mais atténue aussi la
congestion du trafic dans l'ensemble du réseau.
Figure 6. Expérimentation de la flexibilité du routage.
De ces tests, on peut affirmer qu’un contrôle efficace en
boucle pour la gestion d’une flotte de camions dans un
réseau interne peut s’effectuer à partir de notre architecture de système de commande basée sur les modèles de
simulation à événements discret.
5
CONCLUSION
Dans cet article, nous avons présenté les principaux
composants permettant l’implantation de commandes
robustes en boucle fermée pour les systèmes dynamiques
réels émergents dans des environnements stochastiques.
MOSIM’10 - 10 au 12 mai 2010 - Hammamet - Tunisie
Nous avons montré comment le système proposé peut
générer des lois de commande de façon fiable et agile.
Cet aspect temporel est fondamental pour parvenir à implanter un tel système dans des applications complexes
manufacturières ou de transport.
Bien que nos travaux portent sur une application émulée
d’un problème de transport, la méthodologie objet basée
sur le langage UML utilisée lors de la phase de spécification permet une adaptation aisée de cette architecture de
commandes. Il en résulte que plusieurs domaines
d’application pourraient se résoudre par un tel système
de commandes en temps réel. Entre autres, il pourrait
être utile pour optimiser les performances et augmenter
les profits dans les environnements manufacturiers, portuaires, hospitaliers, etc.
Cependant, il est important d’avoir un modèle de simulation à très fine granularité. En effet, la fidélité de représentation des systèmes devient critique lors de la commande en temps réel. La principale caractéristique de tel
modèle est d’être capable de mettre à jour en temps réel
l’état du système physique renvoyé par les capteurs. Par
exemple, pour notre application de répartition et de routage des camions dans un système de transport interne,
l’approche classique qui assimile les camions comme
des entités virtuelles et qui modélise leurs mouvements
dans le réseau par une distribution temporelle devient
impropre pour instaurer la commande par simulation. Le
recours à un modèle de simulation à fine granularité,
intégrant la gestion du trafic aux modèles classiques de
transport, permet d’effectuer le routage en temps réel des
camions et d’améliorer considérablement la production
tout en réduisant la congestion.
REMERCIEMENTS
Ces travaux ont été réalisés grâce au soutien financier du
Conseil de Recherche en Sciences Naturelles et Génie du
Canada.
6
RÉFÉRENCE
Alarie, S. et M. Gamache, 2002. Overview of solution
strategies used in truck dispatching systems for open
pit mines. International Journal of Surface Mining,
Reclamation and Environment 16(1), p. 59-76.
Banks, J., 1998. Handbook of simulation: principles,
methodology, advances, applications, and practice.
New York; Toronto, Wiley Engineering & Management Press.
Bham, G. H. et R. F. Benekohal, 2002. Measuring traffic
congestion using space occupancy in real time for
ITS applications. Proceedings of the seventh International Conference on: Applications of Advanced
Technology in Transportation, Cambridge, MA, United states, American Society of Civil Engineers.
Burt, C. N. et L. Caccetta, 2007. Match factor for heterogeneous truck and loader fleets. International
Journal of Mining, Reclamation and Environment
21(4), p. 262-270.
Cardin, O. and P. Castagna (2006). Utilisation de la simulation proactive une aide au pilotage des systèmes
de production. 6e Conférence Internationale de Modélisation, Optimisation et Simulation des Systèmes
MOSIM 06. Rabat, Maroc: 10.
Cardin, O., P. Castagna, et al. (2008). La simulation pour
l’aide au pilotage des systèmes contrôlés par le produit. 7e Conférence Internationale de Modélisation,
Optimisation et Simulation des Systèmes MOSIM 08.
France, Paris: 10.
Chen, C., Z. Jia et P. Varaiya, 2001. Causes and cures of
highway congestion. IEEE Control Systems Magazine 21(6), p. 26-32.
Dufour, P., 2000. Commande prédictive de systèmes non
linéaires à paramétres répartis et applications.
France, Université d’Orléans. Ph.D.
Gérard, S. et F. Terrier 2004. UML for Real-Time. p. 1751.
Gosavi, A., 2003. Simulation-based optimization: parametric optimization techniques and reinforcement
learning, Boston, Kluwer Academic Publishers.
Iassinovski, S., A. Artiba et C. Fagnart, 2008. A generic
production rules-based system for on-line simulation,
decision making and discrete process control. International Journal of Production Economics 112(1), p.
62-76.
Jaoua, A., M. Gamache et D. Riopel, 2008. Comparaison
d’approches de modélisation de problèmes tests pour
le pilotage du transport. 7e Conférence Internationale
de Modélisation, Optimisation et Simulation des Systèmes MOSIM 08 Paris, France: 10.
Jaoua, A. 2009. Simulation à événements discrets pour
la commande temps réel de systèmes dynamiques
complexes. Thèse de Doctorat, Polytechnique Montréal, Canada.
Krzyzanowska, J., 2007. The impact of mixed fleet hauling on mining operations at Venetia mine. Journal of
The South African Institute of Mining and Metallurgy
107(4), p. 215-224.
Lee, S., Son, Y.-J. et Wysk, R.A. 2007. Simulationbased planning and control: From shop floor to top
floor. Journal of Manufacturing Systems, 26, 85-98.
MOSIM’10 - 10 au 12 mai 2010 - Hammamet - Tunisie
Mirdamadi, S., F. Fontanili et L. Dupont. 2007. Discrete
event simulation-based real-time shop floor control.
21st European Conference on Modelling and Simulation, Prague, Czech Republic, European Council for
Modelling and Simulation.
Ouelhadj, D. et S. Petrovic, 2009. A survey of dynamic
scheduling in manufacturing systems. Journal of
Scheduling. 12(4), p. 417-431.
Papageorgiou, M. et G. Vigos, 2008. Relating timeoccupancy measurements to space-occupancy and
link vehicle-count. Transportation Research Part C:
Emerging Technologies 16(1), p. 1-17.
Robinson, S., 2005. Discrete-event simulation: from the
pioneers to the present, what next? Journal of the
Operational Research Society 56(6), p. 619-629.
Seungyub, L. Ramakrishnan, S. Wysk, R.A. 2002. A
federation object coordinator for simulation based
control and analysis. Proceedings of the Winter Simulation Conference, (2), p. 1986 – 1994.
Sivakumar, A. I. et A. K. Gupta, 2006. Online multiobjective Pareto optimal dynamic scheduling of semiconductor back-end using conjunctive simulated
scheduling. IEEE Transactions on Electronics Packaging Manufacturing, 29(2), p. 99-109.
Pegden, C. D., S. R.E. Shannon et R.P. Sadowski, 1995.
Introduction to Simulation using SIMAN, New York,
McGraw-Hill.
Smith, J.S., Wysk, R.A., Sturrock, D. et al. 1994. Discrete event simulation for shop floor control. Proceedings of the 26th conference on Winter simulation, p.962 – 969.
Pender, T., E. McSheffrey et L. Varveris, 2003. UML
bible [ressource électronique]. Indianapolis, Ind.,
Wiley Pub.
Son, Y.-J., S. B. Joshi, R.A. Wysk et J.S. Smith, 2002.
Simulation-based shop floor control. Journal of
Manufacturing Systems 21(5), p. 380-394.
Pujo, P., Pedetti, M., Ounnar, F., 2004. Pilotage proactif
des lignes de production kanban par modélisation
DEVS et simulation temps réel. 5e Conférence Francophone de MOdélisation et SIMulation, MOSIM’04
Nantes, France.
Ta, C. H., J. V. Kresta, J.F. Forbes et H.J. Marquez,
2005. A stochastic optimization approach to mine
truck allocation. International Journal of Surface
Mining, Reclamation and Environment, 19(3), p.
162-175.