etude dynamique de l`ordonnancement d`un laboratoire de controle

6e Conférence Francophone de MOdélisation et SIMulation - MOSIM’06 - du 3 au 5 avril 2006 – Rabat- Maroc
« Modélisation, Optimisation et Simulation des Systèmes : Défis et Opportunités ».
ETUDE DYNAMIQUE DE L’ORDONNANCEMENT D’UN LABORATOIRE
DE CONTROLE QUALITE PHARMACEUTIQUE
F. FONTANILI, J. LAMOTHE
M. DUPUY, C. NEXON
Centre de Génie Industriel,
Ecole des Mines d’Albi Carmaux
81000 Albi
[email protected], [email protected]
Pierre Fabre SA
Direction de la logistique
81106 Castres Cedex
[email protected]
RESUME : Dans ce papier, nous présentons une application de modélisation et de simulation des flux d’un
laboratoire de contrôle qualité dans le secteur pharmaceutique. L'objectif final de cette application est d'utiliser la
simulation de flux pour vérifier en dynamique la performance d'algorithmes d'ordonnancement qui ont déjà été validés
en statique et sans perturbations aléatoires.
Ce papier se limite à la phase de construction d'un modèle de simulation, pour laquelle nous proposons une démarche
permettant de passer du système réel au modèle désiré en intégrant plusieurs vues de la modélisation d'entreprise
(fonctionnelle, ressource, décisionnelle) et à la mise en situation des problèmes d'ordonnancement posés pour le pilotage du système étudié. Deux problèmes d'ordonnancement sont ainsi caractérisés.
MOTS-CLES : modélisation, simulation, ordonnancement
1
INTRODUCTION
Dans la fabrication de médicaments, le contrôle qualité
occupe une place très importante pour des raisons évidentes de santé publique. Les contrôles -appelés analyses
dans l'industrie pharmaceutique- sont donc incontournables et sont soumis à une réglementation très stricte. Plusieurs types d'analyses sont effectués à différents stades
de fabrication du médicament : analyses physiques, chimiques et biologiques sur des prélèvements de matières
premières, de produits semi-finis ou de produits finis. La
figure 1 illustre la place du contrôle qualité entre les
principales phases de fabrication d'un médicament.
Réception
MP et AC
Prélèvements
Stocks
de quarantaine
Stocks
utilisables
MP, AC
Laboratoire
de contrôle qualité
Refusé
Centrale de pesée
SF
PF
Distribution
Refusé
Libération
Fabrication
Conditionnement
Refusé
Figure 1 : Place du contrôle qualité dans les phases de
fabrication d'un médicament
Dans cet article, nous nous intéressons à l'organisation
des laboratoires traitant des analyses physiques et chimiques. Nous nous appuyons sur le cas d'un laboratoire de
contrôle qualité d'un groupe pharmaceutique.
Ce laboratoire a déjà fait l'objet d'un travail de recherche
portant
sur
l’étude
statique
de
méthodes
d’ordonnancement des analyses chimiques sur des ressources critiques (HPLC et CPG) aux contraintes dures
(temps de réglage longs, ressources secondaires limitées,
contraintes de disponibilité des techniciens) (Dupuy et
al. 2004, 2005).
Le travail présenté dans cet article résulte du besoin de
compléter l’étude pour évaluer le comportement dynamique du laboratoire et évaluer l’intégration des algorithmes proposés dans le contexte plus complexe de
l’ordonnancement du laboratoire de contrôle qualité.
Pour y parvenir, nous proposons de construire un modèle
de simulation de flux à événements discrets.
La problématique industrielle est expliquée dans le chapitre 2. La démarche de construction de ce modèle dans
un contexte où les processus ne sont pas formalisés et les
données sont manquantes est détaillée dans le chapitre 3
ainsi que les résultats de simulations du système existant
en agissant sur deux paramètres. Nous présentons les
algorithmes d'ordonnancement que nous souhaitons valider grâce au modèle de simulation de flux dans le chapitre 5. Ces expérimentations sont en cours et ne sont donc
pas présentées dans cet article.
2
PROBLEMATIQUE INDUSTRIELLE
2.1 Déroulement d'une analyse
Chaque analyse comporte plusieurs déterminations indépendantes réalisées sur des postes de travail différents,
par un même technicien utilisant des équipements spécifiques et parfois automatisés. La validation de toutes les
déterminations est nécessaire pour pouvoir conclure po-
6e Conférence Francophone de MOdélisation et SIMulation - MOSIM’06 - du 3 au 5 avril 2006 – Rabat- Maroc
« Modélisation, Optimisation et Simulation des Systèmes : Défis et Opportunités ».
sitivement une analyse et qu’un pharmacien autorise la
mise sur le marché du lot correspondant. En fonction de
la taille du lot de fabrication, jusqu'à trois prélèvements
sont réalisés en début, milieu et fin de lot. Chaque prélèvement est lancé en analyse et "éclaté" en autant
d'échantillons qu'il y a de déterminations à réaliser par
un processus appelé "Mise en main". De cette façon,
toutes les déterminations d'une analyse sont parallélisables sans aucune contrainte de précédence. Une fois les
déterminations d'une même analyse terminées, un processus de clôture conclue sur la conformité du contrôle.
L'ensemble du processus de contrôle est présenté sur la
figure 2 en limitant la représentation aux postes de travail les plus importants : les paillasses, les chaînes chromatographiques à phase liquide (HPLC) et les chaînes
chromatographiques à phase gazeuse (CPG). Les HPLC
et les CPG sont des équipements dont le fonctionnement
est automatisé pour la phase de détermination proprement dite. Les HPLC et CPG utilisent une ressource secondaire en quantité limitée, appelée colonne, spécifique
du type de détermination effectuée et qui doit être conditionnée avant utilisation (réglage très long). Elles ne nécessitent la présence d'un technicien que pour lancer le
conditionnement d'une colonne, le chargement d'un
échantillon sur un carrousel et pour la programmation
d'une détermination. La détermination se réalise ensuite
de façon automatique. Tous les échantillons présents sur
le carrousel et devant subir une détermination de même
type, donc avec la même colonne, sont automatiquement
et successivement introduits dans la machine qui peut
ainsi enchaîner les déterminations sans interventions
humaines ni conditionnement de la colonne. Le technicien prépare, durant la phase automatique de conditionnement de la colonne, l'échantillon sur une paillasse.
Le travail de paillasse, au contraire, fait surtout appel
aux techniciens mais aussi à quelques ressources communes (balances, fours, …). Les techniciens n’ayant pas
les mêmes compétences, certaines déterminations ne
sont affectables qu’à un sous-ensemble des techniciens.
2.2 Organisation du contrôle
Un ensemble d’analyses, chacune comportant plusieurs
déterminations, sont réalisées simultanément dans le
laboratoire par une équipe de techniciens et sur un ensemble de postes de travail : des paillasses réservées aux
analyses réalisées seulement sur paillasse, des postes
HPLC et des postes CPG avec leurs paillasses de préparation. L'organisation et l'optimisation des flux d'un tel
laboratoire où le facteur humain est incontournable est
présenté comme un enjeux majeur par l'entreprise. En
effet, le laboratoire de contrôle comporte des temps de
traitement longs qui entraînent une augmentation du délai total puisque l'on ne peut pas passer à une autre phase
de fabrication tant qu'une analyse n'a pas été conclue.
Logique de
contrôle et de
décision
Lot
pharmaceutique
Contrôle Qualité
Analyse
complète
A-0
Ressources
Échantillon 1
Lot
pharmaceutique
Faire
Prélèvement
A1
Prélèvement
Mettre en main
Faire
Détermination
sur Paillasse
Détermination
réalisée
A2
Échantillon 2
A6
Faire
Détermination
sur HPLC
Détermination
réalisée
A4
Échantillon 3
Analyse
complète
Cloturer et
Conclure
A3
Faire
Détermination
sur CPG
Détermination
réalisée
A5
Figure 2: Modélisation IDEF3 du processus de contrôle
6e Conférence Francophone de MOdélisation et SIMulation - MOSIM’06 - du 3 au 5 avril 2006 – Rabat- Maroc
« Modélisation, Optimisation et Simulation des Systèmes : Défis et Opportunités ».
L'analyse du processus de contrôle fait ressortir un certain nombre de questions dont la réponse permettrait
probablement de réduire l'impact du contrôle sur le délai
total :
Comment maîtriser les flux et tenir les délais, voire les
réduire ? Comment prendre en compte la compétence ou
la polyvalence des techniciens pour leur affecter les déterminations ? Combien de techniciens sont nécessaires
pour traiter un volume donné d'analyses ? Quelle implantation des équipements permettrait d’optimiser les flux ?
Comment traiter les analyses urgentes en priorité en minimisant les perturbations sur les autres analyses déjà en
cours ? Les algorithmes d’ordonnancement mis au point
pour la gestion des HPLC et CPG sont ils généralisables
pour piloter l’ensemble du laboratoire ? Quel est
l’impact réel de ces algorithmes sur la performance globale du laboratoire ?
Pour répondre à ces questions, une analyse approfondie
du fonctionnement actuel semble indispensable, sachant
que l'on se heurte à une difficulté supplémentaire : seules
les entrées et sorties du laboratoire peuvent être facilement tracées informatiquement.
2.3 Ordonnancement
L’ordonnancement des analyses sur les ressources CPG
ou HPLC (Dupuy et al. 2004,2005) a déjà été étudié.
Pour ce faire, deux pistes ont été analysées :
• un algorithme d'ordonnancement permettant de tester
des heuristiques à base de règles a été développé. Les
règles ATCTRS et ATCTRSF (Dupuy et al. 2004)
ont dominé les règles classiques de la bibliographie.
• Un algorithme de type recuit simulé pour lequel un
système de voisinage adapté a pu être proposé (Dupuy et al. 2005). Sur des problèmes
d’ordonnancement visant à ordonnancer une charge
hebdomadaire importante, il arrive à diviser par dix
le retard moyen par rapport à la règle ATCTRS.
Cependant, la démonstration de l'efficacité a été faite :
- sur une seule zone d’équipements (HPLC ou CPG)
modélisée comme une machine parallèle flexible
sans regarder l'influence des autres zones
d’équipements (paillasses notamment).
- en statique : quelques centaines de problèmes
d’ordonnancement ont été générés aléatoirement
d’après des données réalistes. Ils correspondent à
une situation où l’on connaît à l'avance et à une
date donnée les déterminations à traiter sur la semaine à venir. Par contre, l' évaluation en dynamique -c'est à dire en faisant évoluer l'ordonnancement au fil des événements- du comportement de
ces algorithmes n'a pas été testée. Elle devrait
permettre d’évaluer la robustesse des solutions proposées à des changements de dates de besoin des
analyses, à des modifications de dates de disponibilité des prélèvements, …
- sans considérer de phénomènes aléatoires intrinsèques : HPLC et CPG sont des techniques délicates
et par suite sensibles aux perturbations de l'environnement. Aussi, fréquemment des déterminations
nécessitent d’être refaites.
-
sous des hypothèses simplificatrices : les techniciens
sont toujours disponibles dans leur plage de présence au laboratoire ; leur intervention est ponctuelle dans le temps.
Il importe donc de valider ces résultats par une autre
approche. La simulation de flux à événements discrets répond bien aux manques soulevés.
3 MODELISATION DU CONTROLE POUR LA
SIMULATION
3.1 Simulation de flux
La simulation de flux par événements discrets est un
outil informatique largement utilisé dans l'industrie et
par les chercheurs (O'Kane et al., 2000). Elle permet de
reproduire le fonctionnement dynamique du système
étudié grâce à un modèle d'action (Quéré et al., 1997)
événementiel et temporel et non pas par un modèle mathématique qui présente des limites dès que l'on atteint
un certain niveau de complexité.
La simulation de flux permet donc de travailler sur des
modèles de systèmes particulièrement complexes tout en
prenant en compte des niveaux de détails élevés. Par
ailleurs, le modèle de simulation a une forme proche du
système réel ce qui peut faciliter sa perception et sa
compréhension, bien que sa construction soit parfois
beaucoup plus délicate.
Pour être le plus proche possible du comportement dynamique du système réel, la construction d'un modèle de
simulation nécessite une analyse détaillée des flux physiques et des règles de fonctionnement ainsi qu'une collecte de données permettant de reproduire les phénomènes aléatoires et donc de vérifier la sensibilité du système.
Cette phase d'analyse et de collecte peut parfois paraître
longue et fastidieuse et représenter jusqu'à 50% du temps
d'une étude de simulation. Mais elle présente l'avantage
de mettre à plat les flux ce qui permet souvent, dès cette
phase, d'identifier des problèmes et parfois même de les
résoudre. Des activités de nettoyage de verrerie ou de
préparation de réactifs ont été ainsi repensées afin de
recentrer les techniciens sur leur activité à valeur ajoutée.
Dans une situation réelle et industrielle, comme celle qui
sert de support à ce travail, un autre intérêt de la simulation est la visualisation des flux et des états de fonctionnement. C'est un argument peu évoqué par la communauté scientifique. Pourtant, l'intérêt est certain quand il
s'agit de prendre en considération l'aspect humain et sociologique afin de communiquer et de gagner la
confiance des managers et des opérateurs. Sans cette
confiance, toute proposition d'amélioration et tout changement risquent d'être voués à l'échec.
La simulation de flux permet de répondre aux questions
soulevées grâce à l'analyse des résultats. Cette analyse
porte sur des statistiques descriptives associées aux produits fabriqués (temps de défilement, encours, etc.), aux
machines ou postes de travail (pourcentage d'occupation
dans chacun des états possibles), aux stocks et files d'attentes (temps de séjour, quantité en attente, etc.) et aux
ressources humaines. Il est ainsi relativement facile
6e Conférence Francophone de MOdélisation et SIMulation - MOSIM’06 - du 3 au 5 avril 2006 – Rabat- Maroc
« Modélisation, Optimisation et Simulation des Systèmes : Défis et Opportunités ».
d'identifier, par exemple, les goulots d'étranglement, les
opérateurs surchargés ou les postes de travail trop souvent en réglage.
En plus des statistiques et des résultats obtenus à l'issue
d'une simulation, des indicateurs de performances peuvent aussi être mis en place dans le modèle et analysés
pendant et après une simulation avant une exploitation
éventuelle sur le système réel. La simulation permet
donc de définir des indicateurs et de mettre en évidence
les données nécessaires à leur calcul et leur mise à jour
sur le terrain.
Une des applications courantes de la simulation de flux
consiste à l'associer à des méthodes analytiques de résolution, telles que des algorithmes d'optimisation, d'ordonnancement ou d'implantation d'équipements. L'intégration de la simulation avec l'une de ces méthodes peut
fournir alors un outil performant de prise de décisions
(Eloranta et Raisanen, 1987).
3.2 Méthodologie
d'utilisation
de
la
simulation
Pour ce travail, nous avons prévu de procéder en plusieurs étapes :
a) Réalisation et calibration d'un modèle de l'existant : L'objectif est de collecter toutes les informations permettant de reproduire le comportement
du système réel et de démontrer aux responsables
et techniciens du laboratoire qu'ils peuvent avoir
confiance dans les résultats de la simulation.
Cette étape est terminée et la suite de ce papier
présente la démarche et les résultats que nous
avons obtenus. Les étapes suivantes sont en cours
et nous nous limitons donc à la présentation des
modèles d'ordonnancement.
b) Evaluation d’heuristiques à base de règles dans
un contexte dynamique pour chacun des deux
pools d’équipement : HPLC et CPG. Il s’agit ici
d’évaluer la pertinence des règles ATCTRS et
ATCTRSF dans ce contexte dynamique.
c) Evaluation globale du fonctionnement du laboratoire en fonction des règles d’ordonnancement et
des règles d’affectation du personnel technicien.
d) Prise en compte de la variabilité de certains paramètres afin de mesurer la sensibilité du modèle.
e) Etude de la robustesse de l’optimisation aux phénomènes aléatoires rencontrés.
3.3 Modélisation du laboratoire de contrôle
Cette phase de modélisation, agrémentée par la nécessité
de convaincre les principaux acteurs, est reconnue
comme étant l'une des plus délicates. Le passage du système réel au modèle de simulation n'est pas toujours évident et est reconnue comme l'une des phases les plus
délicates dans une étude de simulation. De nombreuses
techniques de modélisation sont présentées par (Vernadat, 1999) : CIMOSA, CEN ENV 400 003, GRAI-GIM,
PERA, GERAM, etc. Toutes ces techniques de
modélisation n'ont d'ailleurs pas pour unique finalité la
simulation. Un article récent (Mertins et Jochem., 2005)
présente les principales architectures, méthodes et outils
de modélisation et met en évidence la nécessité d'avoir
une approche méthodique, quelle que soit la technique
approche méthodique, quelle que soit la technique de
modélisation utilisée.
Afin de faciliter et structurer la modélisation de notre
système particulièrement complexe et de taille importante , nous avons choisi de nous appuyer sur les principes de la modélisation d'entreprise qui distingue notamment plusieurs vues du système à modéliser (Vernadat
1996). Nous utilisons essentiellement les vues fonctionnelle, ressource et décisionnelle que nous intégrons par
la suite dans un modèle de simulation.
3.3.1
Vue fonctionnelle
La vue fonctionnelle vise à décrire les enchaînements
d'activités qui constituent les processus de l'entreprise.
Notre démarche repose sur une analyse descendante des
processus. L'emploi d'une méthodologie de description
fonctionnelle de type IDEF dans sa forme IDEF3 pour la
modélisation des processus (Vernadat, 1996), (Zakarian
et Kusiak, 2001) nous paraît bien adaptée, comme le
montre la figure 2. Cette méthodologie est déjà très largement utilisée pour la modélisation des processus manufacturiers. Les boîtes correspondent à des processus et
ceux-ci agissent sur la matière d'œuvre (flèche entrante à
gauche et flèche sortante à droite). Sur le dessus de chaque boîte, une flèche entrante permet de décrire la logique de contrôle ou de décision du processus. Si besoin,
on peut représenter le mécanisme ou les ressources du
processus par une flèche entrante sur le côté bas de chaque boîte. Dans le cas de processus discrets, comme
pour notre application, la matière d'œuvre prend la forme
d'articles qui sont des éléments dissociables et dénombrables.
La figure 2 représente les deux premiers niveaux de modélisation du laboratoire. La Figure 3 donne la modélisation du processus "A4 : Faire détermination sur HPLC".
Libération
HPLC
Faire test HPLC
Réservation
HPLC
Echantillon
depuis
Mise en Main
Détermination
réalisée
A42
Regrouper
échantillons
Préparer
échantillon
A41
Échantillon
à préparer
A43
Échantillon
préparé
Figure 3 : vue fonctionnelle du processus A4
3.3.2
Vue ressource
La vue ressource décrit l'utilisation de moyens pour réaliser un processus. Un processus industriel comporte
plusieurs actions élémentaires qu'il est important de distinguer (Lee et al., 1999), (Ishiwata, 1997):
• Les opérations : ce sont les actions qui transforment la matière par un procédé quelconque
ou plus généralement qui apportent la valeur
ajoutée aux articles traités.
6e Conférence Francophone de MOdélisation et SIMulation - MOSIM’06 - du 3 au 5 avril 2006 – Rabat- Maroc
« Modélisation, Optimisation et Simulation des Systèmes : Défis et Opportunités ».
•
•
•
•
Les transferts : ces actions sont destinées à déplacer les articles, seuls ou par lots, d'un lieu
géographique à un autre.
Les stockages : ce sont les actions pour lesquelles les articles sont en attente "programmée" ou
gérée. Un stockage est généralement dans un
magasin.
Les attentes ou encours : pour ces actions, les
articles s'accumulent en amont ou en aval d'une
opération ou d'un transfert.
Les contrôles qualité et quantité : actions pendant lesquelles les articles sont dénombrés ou
contrôlés pour vérifier leur conformité. Aucune
valeur ajoutée n'est apportée aux articles lors de
ces actions. Cet aspect dénote la caractère parfois ambigu de l'interprétation de la valeur ajoutée. En effet, dans le cas de l'industrie pharmaceutique, la réglementation impose un contrôle
qualité pour justifier l'autorisation de mise sur
le marché. C'est pourquoi les déterminations seront modélisées par des opérations et non pas
par des contrôles. Dans un autre contexte où le
contrôle n'a pour but que de s'assurer que le
procédé de transformation ne dérive pas, cette
action est bien modélisée par un contrôle.
pour une opération, il faut préciser si celle-ci traite un
ou plusieurs articles, la décomposition et le temps de
chaque cycle, les ressources secondaires (opérateur, outillage), les temps de réglages, les temps de panne, etc.
Ces données peuvent être indiquées à proximité du symbole comme le montre la figure 6 dans le cas du processus "A43 : préparation échantillon".
Ce modèle montre que les échantillons qui doivent passer sur une paillasse sont d'abord en attente dans la file
d'attente FA_DPC. L'opération sur la paillasse traite un
échantillon qui est soit en attente dans FA_DPC, soit en
attente dans FA_DEC. Après l'opération, le flux diverge
avec un choix entre la sortie du processus ou l'attente
dans FA_DEC. L'opération est de type "simple", ce qui
signifie qu'un seul échantillon est traité simultanément
par l'opérateur. Le temps de traitement de cet échantillon
est aléatoire et suit une distribution triangulaire comprise
entre 3 et 10 minutes avec une valeur modale de 6 minutes. Le taux de reprise est de 10%.
Description Attente
FIFO
Échantillon
Paillasse
Description Opération
Type : Simple
Temps de cycle (min.): triangle (3, 6, 10)
Taux de reprise : 10 %
Ressource secondaire : opérateur
On peut noter que cette description a fait l'objet de la
norme japonaise JIS Z 8206.
La figure 4 présente les symboles utilisés pour cette modélisation.
Opération
Transfert
Stockage
Attente
Détermination
réalisée
FA_DPC
FA_DEC
Description Attente
FIFO
Contrôle
Figure 6 : vue ressource du processus A43
Figure 4: Symboles des actions d'un processus (JIS Z8206)
La figure 7 représente la vue ressource du processus
"A42 : Faire test HPLC".
Il est possible de modéliser un processus suivant une vue
ressource en utilisant un formalisme graphique appelé
"analyse de déroulement" ou "cartographie" comme le
montrent les exemples de la figure 5.
Réservation
HPLC
Échantillon
préparé
Attente
Chargement
Attente
Conditionnement
Charger
et prog.
Libération
HPLC
Passeur
HPLC
Détermination
réalisée
Figure 7 : vue ressource du processus A42
Figure 5 : Exemples de cartographies de processus types
Chacune des actions décrites par ce modèle doit aussi
être explicitée par des données propres. Par exemple,
A ce niveau de modélisation, la logique de contrôle et de
décision n'est pas encore prise en compte. Ce sont donc
essentiellement les flux physiques qui apparaissent.
6e Conférence Francophone de MOdélisation et SIMulation - MOSIM’06 - du 3 au 5 avril 2006 – Rabat- Maroc
« Modélisation, Optimisation et Simulation des Systèmes : Défis et Opportunités ».
3.3.3
Vue décisionnelle
La vue décisionnelle vise à faire apparaître les centres de
décisions qui participent à la gestion du flux physique.
Le modèle GRAI est bien adapté pour identifier ces centres de décisions (grille GRAI) et décrire leur fonctionnement (réseau GRAI). Les organigrammes (norme Afnor NF Z 67-010) sont par contre mieux adaptés pour
représenter une procédure logique de pilotage.
Dans le contexte de l'étude, deux centres de décision ont
été identifiés :
- Mettre en main (processus A2) : ce centre vise à affecter un prélèvement à un technicien pour analyse.
- Regrouper les échantillons pour l'HPLC (processus
A41) : ce centre vise à regrouper des échantillons qui
utilisent une même colonne et à les affecter à une
HPLC. La figure 8 l'illustre en représentant le réseau
GRAI associé.
Libération HPLC
Critère :
min (total tardiness)
Sélectionner une
détermination
dans FA HPLC en
fonction d’une
règle
d’ordonnancement
et affectation à
une HPLC
Contraintes :
Disponibilité des
colonnes et HPLC
Calendrier de présence
opérateur
Conditionnement de
colonne si changement
de colonne
Déterminations urgentes
Nous avons pu ainsi mettre en évidence que la modélisation des flux pouvait être décrite suivant trois points de
vue utilisés en modélisation d'entreprise.
Détermination
sélectionnée
Centre de décision
Regroupement HPLC
Échantillons à
analyser
éléments de base de Witness (articles, ressources, stocks,
machines), permettent de reproduire un modèle de la vue
ressource et, par suite, permettent de renseigner un module.
Les organigrammes et réseaux GRAI constitués dans la
vue décisionnelle permettent de programmer des événements dans la simulation. Pour représenter ceci, nous
empruntons la notation symbolique de la dynamique des
systèmes avec notamment les vannes, commandées par
les modèles de décision (réseau GRAI ou organigramme).
La figure 8 illustre le résultat de l'intégration des différentes vues pour le processus "A41 : Regroupement
échantillons".
La figure 9 illustre de même le résultat de la démarche
de modélisation pour le processus "A43 : Préparation
d'un échantillon en HPLC". On comprend que le technicien choisit de prendre en priorité un échantillon dans la
file d'attente FA_DEC et qu'après avoir réalisé l'opération, il place cet échantillon dans la même file d'attente si
d'autres opérations restent à faire sur cet échantillon. Si
aucun échantillon n'est présent dans la file d'attente
FA_DEC, le technicien peut prendre un échantillon, à
condition qu'il y en ait un de disponible, dans la file d'attente FA_DPC. Si toutes les opérations d'un échantillon
sont faites, la détermination est terminée et le technicien
envoie l'échantillon vers le processus "A6 : Clôture".
Grouper toutes les
déterminations de FA HPLC
qui utilisent la même colonne
que celle de la détermination
sélectionnée
Réservation HPLC
FA
HPLC
Déterminations
À préparer
A41 : regroupement HPLC
Figure 8 : vues ressource et décisionnelle du processus
A41(regroupement HPLC)
3.3.4
Modèle de simulation
Le modèle de simulation intègre l'ensemble des trois
vues proposées. Ici, nous transcrivons les modèles des
différentes vues dans le langage de modélisation utilisé
par le logiciel de simulation, Witness (Lanner, 2004).
Mais cette modélisation intermédiaire permettant de passer du système réel au modèle informatique serait identique avec un autre logiciel.
Le modèle de simulation est bâti sur la vision structurée
apportée par la vue fonctionnelle. Chaque "boîte" décrivant un processus est modélisée par un "module" de Witness.
Un modèle de la vue ressource est associé à chaque processus de plus bas niveau de la vue fonctionnelle. Les
La démarche proposée a permis de modéliser un cas
complexe comme celui de l'HPLC. Ceci nous laisse penser que cette démarche est généralisable.
3.4 Résultats des simulations du laboratoire
existant
A partir du modèle de l’existant, plusieurs séries de simulations ont été réalisées afin de tester l’impact de
deux types de paramètres :
les plages d’ouverture du laboratoire aux techniciens.
On teste ici 3 hypothèses : tous les techniciens sont là
24h/24 (H1 : hypothèse revenant à avoir 3 fois plus
de techniciens) ; les techniciens actuels se répartissent sur un horaire en 3*8 (H2) ; les techniciens travaillent en 1*8 comme actuellement(H3).
Le découpage des analyses par compétence : on peut
distinguer plusieurs niveaux de compétence parmi les
techniciens. On peut alors regrouper les déterminations d’une analyse selon le niveau de compétence
requis et affecter différemment aux techniciens les
regroupements ainsi obtenus. Ceci doit permettre de
recentrer les techniciens les plus compétents sur leur
plus haute compétence. D’ou deux nouvelles hypothèses à tester : affectation de toutes les déterminations d’une analyse à un même technicien (H4), affectation différenciée des déterminations selon le niveau de compétence requis (H5).
6e Conférence Francophone de MOdélisation et SIMulation - MOSIM’06 - du 3 au 5 avril 2006 – Rabat- Maroc
« Modélisation, Optimisation et Simulation des Systèmes : Défis et Opportunités ».
Technicien
Loi d’entrée
Si FA_DEC vide
Échantillon
Loi de sortie
Non
Prendre
échantillon dans
FA_DEC
Si opérations
terminées
Non
Oui
Oui
Prendre
échantillon dans
FA_DPC
Envoyer
échantillon vers
processus Cloture
Déposer
échantillon dans
FA_DEC
Détermination
réalisée
FA_DPC
Paillasse
FA_DEC
Figure 9 : vues ressource et décisionnelle du processus A43(Préparation échantillon HPLC)
A nombre égal de techniciens, l’impact des plages
d’ouverture (1*8 ou 3*8) est faible (gain de 2 à 4% sur le
délai moyen). Par contre, l’impact du nombre de techniciens est fort : en triplant le nombre d’heures-techniciens
disponibles (Hypothèse H1 versus hypothèse H3) on
divise par trois le délai moyen de contrôle. On vérifie
donc bien ainsi que la ressource technicien est le goulot
de l’atelier.
L’hypothèse de différenciation des déterminations selon
les compétences d’opérateurs (H4) a plutôt un impact
négatif mais faible (augmentation de 4 à 6% du délai
d’analyse).
L’analyse des résultats selon les processus de contrôle
(paillasse HPLC, CPG) montre un deuxième aspect : les
analyses nécessitant HPLC ou CPG ont des délais de
contrôle 30% plus importants que celles ne nécessitant
que des activités de paillasse. Alors que les ressources
HPLC ou CPG ont des taux d’utilisation relativement
faibles. Ceci démontre bien le besoin de travailler à la
synergie de l’utilisation des ressources critiques : techniciens, machines HPLC et CPG.
C’est l’objet de l’étude sur l’ordonnancement qui est en
cours actuellement.
4
CONCLUSION
Dans ce papier nous illustrons la modélisation du problème de pilotage d’un laboratoire de contrôle qualité
dans le secteur pharmaceutique dans un contexte dynamique. La simulation de flux à événements discrets est
incontournable dans cette situation mais nécessite la
construction d'un modèle détaillé.
Afin de faciliter la construction de ce modèle, nous proposons une démarche permettant de passer du système
réel au modèle de simulation en intégrant plusieurs vues
de la modélisation d'entreprise (fonctionnelle, ressource,
décisionnelle).
Le modèle obtenu a permis de tester plusieurs hypothèses d’organisation. Il a principalement permis de montrer
que deux types de ressources critiques interviennent (des
techniciens de laboratoire et des ressources techniques
de chromatographie) et qu’il convient de bien gérer par
la suite. C’est l’objet de l’étude en cours que nous détaillons dans les perspectives.
6e Conférence Francophone de MOdélisation et SIMulation - MOSIM’06 - du 3 au 5 avril 2006 – Rabat- Maroc
« Modélisation, Optimisation et Simulation des Systèmes : Défis et Opportunités ».
5
PERSPECTIVES : L’ORDONNANCEMENT
La modélisation du fonctionnement d’un laboratoire de
contrôle qualité a fait apparaître deux centres de décision
soulevant deux problématiques d’ordonnancement interdépendantes. La première touche à l’ordonnancement
des déterminations dans un atelier de chromatographie
(A41 : processus regroupement HPLC). La deuxième,
plus globale, touche à l’affectation des analyses aux différents techniciens (A2 : processus Mettre en Main).
Dans les deux cas nous viserons par la suite à utiliser au
mieux les ressources disponibles de manière à minimiser
le délai moyen d’analyse.
(Dupuy et al 2004) propose une modélisation du
problème d’ordonnancement d’analyses chromatographiques. L’atelier est modélisé avec des machine parallèles identiques et flexibles, utilisant des ressources secondaires (les colonnes) disponibles en quantité limitées,
requérant des actions ponctuelles d’opérateurs humains,
contraintes par les calendriers de disponibilité des opérateurs et avec des temps de réglage très importants. Par
rapport à des règles classiquement utilisées sur les problèmes à machines parallèles EDD, ATC, ATCS, LFO,
LFM, (Dupuy et al 2004) introduit une règle appelée
ATCTRSF .
L’évaluation faite, en statique, sur 5200 problèmes
d’ordonnancement générés aléatoirement dans des plages de données industriellement réalistes à montré que :
• ATCTRS et ATCTRSF (Dupuy et al 2004) dominent quasi-systématiquement les autres règles
pour la minimisation des retards.
• Les solutions proposées par des heuristiques à
base de règle sont largement dominées par celles obtenues par une approche par recuit simulé
(Dupuy et al 2005). Néanmoins, le système
d’information actuellement disponible pour le
cas d’application rend l’utilisation de tels algorithmes impossibles à courte échéance.
Nous chercherons donc par la suite à évaluer
l’intégration des heuristiques à base de règle pour la planification globale du laboratoire.
Concernant l’affectation des opérateurs, quelles règles
utiliser pour affecter les déterminations aux opérateurs
en tenant compte de leurs compétences ? L’objectif reste
toujours la minimisation du retard des analyses.
On peut ici aussi modéliser le problème comme un problème à machines parallèles (les techniciens) et flexibles
(de par leur compétences).
Les horaires de présence des techniciens ne sont pas tous
les mêmes. Ceci peut engendrer des variations importantes de la date de fin présumée d’une détermination selon
le technicien auquel elle est affectée. Aussi, la contrainte
de calendrier des opérateurs est à considérer.
Dans ce contexte, la revue bibliographique précédente
montre que les règles EDD, ATC, ATCTRSF, LFO/LFM
peuvent être appropriées pour résoudre ce problème
d’affectation.
Nous chercherons donc à les évaluer, toujours dans le
contexte dynamique du fonctionnement du laboratoire
considéré.
La
difficulté
de
l’intégration
du
problème
d’ordonnancement des ressources chromatographiques et
du problème d’affectation des opérateurs, réside dans le
rôle joué par les techniciens dans les deux représentations. Ils sont une ressource secondaire jugée infiniment
disponible (dans leur calendrier de présence) pour le
problème d’ordonnancement et, par ailleurs, des machines parallèles pour l’affectation. L’intégration des deux
représentations poserait un problème de combinatoire
évident.
Aussi, pour résoudre cette difficulté, nous viserons plutôt deux approches hiérarchisées selon que l’on donne la
priorité à l’ordonnancement sur les ressources techniques
(HPLC ou CPG) ou à l’affectation des techniciens.
L’intégration de ces règles dans le modèle de simulation
permettra de les tester dans un contexte dynamique (les
données utilisées par les règles sont révisées au fur et à
mesure de la simulation ) et perturbé. Ceci permettra de
conclure sur la robustesse des propositions.
6e Conférence Francophone de MOdélisation et SIMulation - MOSIM’06 - du 3 au 5 avril 2006 – Rabat- Maroc
« Modélisation, Optimisation et Simulation des Systèmes : Défis et Opportunités ».
BIBLIOGRAPHIE
Centeno G. and Armacost R., 1997. Parallel machine
scheduling with release time and machine eligibility
restrictions. Computers and Industrial Engineering,
33(1-2) : 273-276.
Dupuy, M., Lamothe, J., Gaborit, P., et Dupont, L.,
2004. Ordonnancement à machines parallèles à usages
multiples avec ressources secondaires, temps de préparation et calendrier de disponibilité. 5° conférence
francophone MOSIM 2004.
Dupuy, M., Lamothe, J., Gaborit, P., et Dupont, L.,
2005. Efficient neighbors in a simulated annealing
problem to optimize the lead time in a parallel multipurpose machine scheduling problem with setup and
calendar constraints. International conference on Industrial Engineering and Systems Management.
Eloranta E., Raisanen J., 1987. Evaluation and design of
plant layout by simulation. Proceedings of the 3rd international conference on simulation manufacturing,
1987, p 11-22.
Ishiwata J., 1997. IE for the shop floor. Productivity
through process analysis, Thomson Shore Inc.
Lanner, 2004. Witness manuel utilisateur version 2004.
Lanner Group, Redditch, UK
Lee S.H., Diekmann J.E, Songer A.D, Brown H., 1999.
Identifying waste : application of construction process
analysis.Proceedings IGLC-7, 26-28 july 1999, University of California, Berkeley, USA.
Lee Y. and Pinedo M., 1997. Scheduling jobs on parallel
machines with sequence-dependent setup times.
European Journal of Operational Research, 100 :
464-474.
Mertins K. et Jochem R., 2005. Architectures, methods
and tools for enterprise engineering. Int. journal of
Production economics 98 (2005) 179-188.
O'Kane J.F., Spenceley J.R., Taylor R., 2000. Simulation
as an essential tool for advanced manufacturing technology problems. Journal of Materials Processing
Technology, 107 (2000) 412-424.
Quéré A., Belkhiter M. Gourgand M., 1997. Actes du
2ème congrés franco-québécois de génie industriel, Albi 1997.
Vairaktarakis G. and Cai X, 2003. The value of
processing flexibility in multipurpose machines. IIE
Transactions, 35: 763-774.
Vepsalainen A. and Morton T.,1987. Priority rules for
job shops with weighted tardiness costs. Management
Science, 33 : 1035-1047.
Vernadat F. Enterprise Modeling and Integration : principles and applications. Ed. Chapman and Hall, London, 1996.
Vernadat F. Techniques de modélisation en enterprise :
application aux processus opérationnels. Ed Economica, 1999.
Zakarian A. et Kusiak A., 2001. Process analysis and
reengineering. Computers and Industrial Engineering
41 (2001) 135-150.