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