Optimisation des politiques de contrôle pour les systèmes de production non fiables par l'analyse des données et le machine learning

Didi, Mayssen (2026). Optimisation des politiques de contrôle pour les systèmes de production non fiables par l'analyse des données et le machine learning. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (4MB) | Prévisualisation

Résumé

Cette recherche porte sur le développement d’une approche combinant simulation, apprentissage automatique et optimisation pour la détermination des paramètres de contrôle de systèmes manufacturiers et fabrication–refabrication soumise à différentes sources d’incertitude, telle que les pannes des machines, la variabilité de la demande et la variabilité des retours de produits. Elle repose sur l’exploitation de données générées par simulation pour l’entraînement de modèles d’apprentissage automatique utilisés dans le processus d’optimisation.

Dans un premier temps, l’approche est développée pour un système manufacturier non fiable de type M1P1 sous demande constante. Une stratégie de construction de la base de données est proposée et utilisée pour l’entraînement des modèles d’apprentissage automatique. L’approche est ensuite étendue à des environnements caractérisés par une demande variable. Les résultats obtenus montrent que le modèle développé permette de prédire efficacement le coût total du système ainsi que les paramètres de contrôle associés, en fournissant des résultats comparables avec ceux obtenus par optimisation basée sur la simulation. Une extension supplémentaire est réalisée dans un contexte de demande saisonnière variable afin d’évaluer l’intérêt d’une adaptation dynamique des paramètres de contrôle en fonction de l’évolution de la demande. Les résultats montrent que cette approche permet d’obtenir des coûts inférieurs à ceux d’une politique statique reposant sur un seuil de couverture fixe, les gains de performance devenant plus importants lorsque la variabilité de la demande augmente.

Dans un second temps, l’approche est appliquée à un système hybride fabrication–refabrication soumis à des demandes variables, à des retours variables ainsi qu’à des pannes et réparations aléatoires. Les modèles développés permettent de prédire le coût total du système et de déterminer les paramètres de contrôle associés aux activités de fabrication et de refabrication. Les résultats montrent que l’approche proposée surpasse systématiquement l’optimisation basée sur la simulation reposant sur des seuils fixes et permet d’améliorer les performances économiques du système.

Dans l’ensemble, les résultats obtenus démontrent que l’apprentissage automatique constitue un outil pertinent pour la détermination des paramètres de contrôle dans les systèmes de production soumis à l’incertitude. Les travaux réalisés confirment la capacité de l’approche proposée à traiter efficacement des systèmes manufacturiers et fabrication–refabrication soumis à des niveaux croissants de complexité et d’incertitude.

Titre traduit

Optimization of control policies for failure-prone production systems through data analytics and machine learning

Résumé traduit

This research focuses on the development of an approach combining simulation, machine learning, and optimization for determining the control parameters of manufacturing and manufacturing–remanufacturing systems subject to various sources of uncertainty, including machine failures, demand variability, and product return variability. The proposed approach relies on the use of simulation-generated data to train machine learning models integrated into the optimization process.

First, the approach is developed for an unreliable M1P1 manufacturing system (one machine, one product) operating under constant demand. A database construction strategy is proposed and used for training the machine learning models. The approach is then extended to environments characterized by variable demand. The results show that the developed model is able to accurately predict both the total system cost and the associated control parameters, providing results comparable to those obtained through simulation-based optimization. A further extension is carried out in the context of seasonal demand variability in order to evaluate the benefits of dynamically adapting the control parameters according to demand evolution. The results show that this dynamic approach yields lower costs than a static policy based on a fixed hedging point, with performance improvements becoming more significant as demand variability increases.

In a second stage, the approach is applied to a hybrid manufacturing–remanufacturing system subject to variable demand, variable product returns, and random machine failures and repairs. The developed models are used to predict the total system cost and determine the control parameters associated with manufacturing and remanufacturing activities. The results show that the proposed approach consistently outperforms simulation-based optimization relying on fixed control thresholds and leads to improved economic performance of the system.

Overall, the results demonstrate that machine learning constitutes a relevant tool for determining control parameters in production systems operating under uncertainty. The findings confirm the ability of the proposed approach to efficiently address manufacturing and manufacturing–remanufacturing systems characterized by increasing levels of complexity and uncertainty.

Type de document:	Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires:	"Mémoire présenté à l'École de technologie supérieure comme exigence partielle à l'obtention de la maîtrise avec mémoire en génie de la production automatisée". Comprend des références bibliographiques (pages 113-118).
Mots-clés libres:	apprentissage automatique, simulation, optimisation, contrôle de la production, systèmes manufacturiers non fiables, système fabrication–refabrication non fiable, demande variable, retours variables, politique à seuil critique, HPP
Directeur de mémoire/thèse:	Directeur(-trice) Gharbi, Ali
Programme:	Maîtrise en ingénierie > Génie de la production automatisée
Date de dépôt:	29 juill. 2026 22:07
Dernière modification:	03 août 2026 18:59
URI:	https://espace.etsmtl.ca/id/eprint/4051

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt