Dans le cadre du parcours usine du futur de la spécialité génie électrique, Benjamin Marous diplômé en 2019 de la spécialité a réalisé son projet de fin d’études sur l’optimisation de la cadence d’une ligne de production par l’intermédiaire d’un jumeau numérique prédictif.

Ce projet de fin d’études a été encadré par Tedjani Mesbahi et Roland De Guio, respectivement maître de conférences et professeur des universités à l’INSA Strasbourg et chercheurs au sein de l’unité de recherche ICube.

Retour sur son expérience :

Un projet de fin d’études portant sur un jumeau numérique prédictif

 Dans le cadre d’un Projet de fin d’étude (PFE) réalisé au sein de Lilly France, j’ai modélisé un jumeau numérique prédictif d’une ligne de conditionnement, dans le but d’optimiser les performances de cette dernière.

Un jumeau numérique, est une représentation numérique d’un système ou d’un processus réel, disposant d’une couche supplémentaire d’information, provenant de cloud, de signaux réels ou d’analyses de données.

Dans le cadre de ce projet, les informations sont issues d’analyses statistiques de données, d’où l’appellation de jumeau numérique « prédictif ». Ce modèle numérique est réalisé à partir du logiciel « WITNESS » de Lanner. Il s’agit d’un logiciel de simulation des flux (liquide ou solide) où machines, convoyeurs, capteurs, opérateurs humains peuvent y être configurés de manière très précises.

Démarche

La première phase de ce projet a été l’acquisition des informations sur le fonctionnement des machines industrielles complexes à partir de documents techniques et étant beaucoup sur le terrain : des machines telles que le déchargeur de plateau, l’étiqueteuse, l’encartonneuse, la trieuse pondérale et le palétiseur.

S’en est suivi des analyses des historiques des pannes des machines disponibles au cours des deux dernières années pour orienter la suite des analyses. Ces premières analyses ont permis d’identifier les machines susceptibles de limiter les performances. Par la suite, des analyses statiques des machines ont été menées à partir des données mesurées (cadences de convoyeurs et de machines) pour identifier de manière qualitative les machines limitantes. Ensuite chaque machine a été modélisée séparément puis mise bout-à-bout pour constituer l’ensemble du modèle numérique.

La précision de ce modèle a été évaluée premièrement en considérant chaque sous-modèle puis avec le processus réel se basant sur les données d’une journée de 24h de production. Le logiciel permet l’expérimentation automatisée de l’ensemble des paramètres qui composent le modèle. Des configurations optimales ont pu être identifiées donnant lieu à des actions d’améliorations mise en place réellement en dernière phase sur la ligne de production.

Le modèle numérique comporte 155 éléments (machines, convoyeurs, capteurs…) et un ensemble de 333 variables (vitesse, temps de commutation et position de capteurs…).

Résultats : une amélioration de 20% de l’output/h

Ces actions d’améliorations qui consistent en le déplacement et le changement de temps de commutation de quelques capteurs, ainsi que le changement de cadences de convoyeurs, ont permis une amélioration de 20% de l’output/h (pièces par heure).

Livrables

L’ensemble de la ligne a été modélisée numériquement. Ce modèle est lié à une base de données Excel disposant des informations susceptibles d’être modifiées, telles que les positions ou temps de commutations de capteurs, cadences de convoyeurs et machines. Cette base de données sert d’interface simple à l’utilisateur pour y modifier les paramètres souhaités.

Benjamin Marous

Crédit photo : droits réservés