Upload
jehanne-gosselin
View
109
Download
0
Embed Size (px)
Citation preview
ORCA : Architecture hybride pour le contrôle de la myopie dans le cadre du
pilotage des Systèmes Flexibles de Production
1
Cyrille PACH
Thèse dirigée par Damien Trentesaux (Pr TEMPO-PSI)
et co-encadrée par Thierry Berger (MCF TEMPO-PSI)
Emmanuel Adam (MCF LAMIH-DIM)
Mardi 10 Décembre 2013
Plan de la présentation
2
Contexte et objectifs Etat de l’art
o Le problème de myopieo Le contrôle de la myopieo Typologie des architectures hybrides
Proposition d’une architecture et d’un modèle génériques
o L’architecture générique ORCAo Nécessité d’un modèle de représentation d’ORCAo Le modèle holonique Holo-Gen
Application d’ORCA aux FMS o Positionnement d’ORCA-FMSo L’architecture ORCA-FMSo Exemple de représentation d’entités d’ORCA-FMS avec
Holo-Gen Mise en œuvre et validation d’ORCA-FMS Intégration de la gestion de l’énergie dans ORCA-
FMS Conclusion et perspectives
Plan de la présentation
3
Contexte et objectifs Etat de l’art
o Le problème de myopieo Le contrôle de la myopieo Typologie des architectures hybrides
Proposition d’une architecture et d’un modèle génériques
o L’architecture générique ORCAo Nécessité d’un modèle de représentation d’ORCAo Le modèle holonique Holo-Gen
Application d’ORCA aux FMS o Positionnement d’ORCA-FMSo L’architecture ORCA-FMSo Exemple de représentation d’entités d’ORCA-FMS avec
Holo-Gen Mise en œuvre et validation d’ORCA-FMS Intégration de la gestion de l’énergie dans ORCA-
FMS Conclusion et perspectives
4
Systèmes manufacturi
ers
Systèmes de
transport
Systèmes
biologiques
Contexte Scientifique
Pilotage des Systèmes
Complexes
Systèmes
sociaux
Système
Boursier
Systèmes Hospitalie
rs
Systèmes de Production de Biens et Services
Chaînes logistiqu
es
Systèmes Multi-Agents
Contexte
Etat de l’art ORCAORCA-FMSValidationEnergieConclusion
RechercheOpérationnell
e
Lignes de
Production
Pilotage Intelligent des
Systèmes de Production
Flexibles
5
Environnement industriel fortement changeant (variation de la demande, énergie variable, mass customization…)
Contexte industriel
Contexte
Etat de l’art ORCAORCA-FMSValidationEnergieConclusion
6
Les architectures actuelles
(Nagalingam & Lin, 2008)
(Buzacott & Yao, 1986)(Kenneth et al., 1995)
(Scattolini, 2009)
Architectures de pilotage hiérarchique
Performances optimales (ou proches) en régime
déterministe
Difficulté à réagir en cas de perturbation ou
d’incertitude
Architectures de pilotage
hétérarchique(Lee & Kim, 2008)
(Tharumarajah, 1996)(Babiceanu & Chen, 2006)
(Ounnar & Pujo, 2010)
Réactivité et capacité d’adaptation importante
Performance globale insuffisante en régime
déterministe
Contexte
Etat de l’art ORCAORCA-FMSValidationEnergieConclusion
7
• Quelle est la cause du manque de performance des architectures de pilotage hétérarchique ?
• Comment remédier à ce manque de performance ?
Objectifs
Performances en régime non-
perturbé
Performances en régime perturbé
Meilleures
Moins Bonnes
Moins Bonnes
Meilleures
Contexte
Etat de l’art ORCAORCA-FMSValidationEnergieConclusion
Plan de la présentation
8
Contexte et objectifs Etat de l’art
o Le problème de myopieo Le contrôle de la myopieo Typologie des architectures hybrides
Proposition d’une architecture et d’un modèle génériques
o L’architecture générique ORCAo Nécessité d’un modèle de représentation d’ORCAo Le modèle holonique Holo-Gen
Application d’ORCA aux FMS o Positionnement d’ORCA-FMSo L’architecture ORCA-FMSo Exemple de représentation d’entités d’ORCA-FMS avec
Holo-Gen Mise en œuvre et validation d’ORCA-FMS Intégration de la gestion de l’énergie dans ORCA-
FMS Conclusion et perspectives
9
Identification du problème
Les Systèmes de Production Flexibles sont composés d’entités dans le cadre d’un pilotage intelligent.Entité : terme générique faisant référence à une unité autonome capable de communiquer, prendre des décisions et agir (Trentesaux, 2009).
Les décisions de pilotage dans ces systèmes sont :
• prises de manière distribuée par les entités du système.
• basées sur l’information locale à la disposition des entités.
• pas forcément optimales au regard du système global.
ContexteEtat de l’art
ORCAORCA-FMSValidationEnergieConclusion
10
Manque de « visibilité » des entités d’un système de production flexible.
Synthèse de l’état de l’art dans d’autres domaines : Médecine : (Larousse, 2013) Economie : (Langer & Weber, 2005) Analyse du comportement Humain : (Reb & Connolly 2009) Marketing : (Johnston, 2009) Robotique mobile : (Mataric, 1992) Programmation dynamique : (Puterman, 1987)
Proposition d’une définition de la myopie dans les systèmes de production flexibles.
Etat de l’art dans d’autres domaines
La myopie représente le manque d’information d’une entité sur son futur et celui des autres entités du système.
(Pach et al., 2011)
MyopieMyopic loss aversion Myopic regret
avoidanceBoundary & Capabitiliy MyopiaMyopi
a Myopic Policy
ContexteEtat de l’art
ORCAORCA-FMSValidationEnergieConclusion
11
Exemple de myopie
R2
R1
R3
S3
S3
(S3)
(S3)
Entité décisionnelle (Produit)
Ressource
R4
(Pach et al., 2011)
ContexteEtat de l’art
ORCAORCA-FMSValidationEnergieConclusion
12
Etudes de solutions existantes Spécifiques au cas d’étude
Simulation (Cardin & Castagna, 2009)Information Unit (Cavalieri et al., 2000)Autonomous Control Entity (Ounnar et al., 2008)
Prônent un contrôle hiérarchiqueComparaison entre architecture hétérarchique et hiérarchique
(Brennan 2000)Ajout de niveaux hiérarchiques (Sunderesh 2002,)Holon superviseur d’ADACOR (Leitão & Restivo, 2006)
mixent hétérarchie et hiérarchie : hybride
Le contrôle de la myopie
Architecture hiérarchique Architecture hybride Architecture hétérarchique
Interaction hétérarchiqueInteraction hiérarchique
ContexteEtat de l’art
ORCAORCA-FMSValidationEnergieConclusion
13
1er axe de la typologie : le dynamisme du pilotagepossibilité d’évolution de l’architecture de pilotage ou non ?
2e axe de la typologie : l’homogénéité du pilotagele pilotage est-il identique pour toutes les entités du système ou non ?
Typologie des approches hybrides
Böhnlein et al., 2011Chu et al., 2003
Cox & Durfee, 2003Ottaway & Burns,
2000Ou-Yang & Lin, 1998
Tawegoum et al., 1994
Cardin et al., 2013Rolon & Martinez,
2012Yang et al., 2008
Heragu et al., 2002Maturana et al., 1999
Trentesaux et al., 1998
Parunak et al., 1985
Novas et al., 2012Raileanu et al., 2011
Barbosa et al., 2011Zambrano et al., 2011
Valckenaers et al., 2007
Statique
Dynamique
Homogène
Hétérogène
ContexteEtat de l’art
ORCAORCA-FMSValidationEnergieConclusion
14
Besoin d’une architecture générique• Applicable à différents domaines.• Applicable à de nombreux cas d’études.
Besoin d’une architecture réactive et optimisée
• Architecture hybride pour bénéficier des avantages de la hiérarchie et de l’hétérarchie.
• Architecture dynamique et hétérogène pour pouvoir réagir en limitant la dégradation de la performance globale.
Spécifications
ContexteEtat de l’art
ORCAORCA-FMSValidationEnergieConclusion
Plan de la présentation
15
Contexte et objectifs Etat de l’art
o Le problème de myopieo Le contrôle de la myopie o Typologie des architectures hybrides
Proposition d’une architecture et d’un modèle génériques
o L’architecture générique ORCAo Nécessité d’un modèle de représentation d’ORCAo Le modèle holonique Holo-Gen
Application d’ORCA aux FMS o Positionnement d’ORCA-FMSo L’architecture ORCA-FMSo Exemple de représentation d’entités d’ORCA-FMS avec
Holo-Gen Mise en œuvre et validation d’ORCA-FMS Intégration de la gestion de l’énergie dans ORCA-
FMS Conclusion et perspectives
16
Composition d’ORCA
Optimiseur Global
Couche de Contrôle Global
Elément Système 1
Couche Système
Elément Système i
Elément Système n
Mode Exécutant
Mode Autonome
Entité i
Couche de Contrôle
Local
Optimiseur Local n
Optimiseur Local 1
Optimiseur Local i
Architecture for an Optimized and Reactive Control(Pach et al., 2013)
ContexteEtat de l’art ORCA
ORCA-FMSValidationEnergieConclusion
17
Comment mettre en œuvre ?
Comment faciliter la mise en œuvre des concepts d’ORCA sur un cas d’application ?
Modélisation des entités pour la mise en œuvre
ContexteEtat de l’art ORCA
ORCA-FMSValidationEnergieConclusion
Systèmes Flexibles de ProductionSystèmes Hospitaliers
Systèmes Logistiques
Différents modèles permettent de représenter notre architecture : holonique, bionique, multi-agents, fractal…
L’intérêt du modèle holonique n’est plus à prouver depuis PROSA
( Van Brussel et al., 1998).
Pour ORCA, les modèles holoniques existants nécessitent une adaptation.
Proposition d’un modèle holonique plus générique Holo-Gen :• Structurel• Comportemental• Interactionnel
18
Vers un modèle holonique
ContexteEtat de l’art ORCA
ORCA-FMSValidationEnergieConclusion
19
Modèle structurel
H1
H1.1.1
φ1
H1.2.1
φ2
H1.2.2
φ3
H1.1 H1.2
φ Elément Physique
Interactions Inter-Holon Retour d’Information
Ordre/recommandation de Pilotage
Couche Pilotage
Couche PilotéeContexteEtat de l’art ORCA
ORCA-FMSValidationEnergieConclusion
20
Modèle comportemental
Les comportements des holons sont décrits par la notion de rôle. (Pach et al. 2011)
ContexteEtat de l’art ORCA
ORCA-FMSValidationEnergieConclusion
CHolon = {Rôles, Gestion Rôles}
Rôles Ce sont les fonctions du Holon dans le système. Un rôle est joué dans un but précis et est défini par un ensemble de règles.
Gestion Rôles
C’est un rôle permanent permettant de gérer le passage d’un rôle à un autre pour le holon. Dans le cas particulier où un seul rôle est associé (statiquement) au holon, la « gestion rôles » n’a pas lieu d’être.
Rôle = {Connaissance, Buts, Règles}
Connaissance
Elle regroupe l’ensemble des données nécessaires pour pouvoir jouer le rôle. Les pré-requis à l’obtention du rôle et à son activation sont inclus dans la connaissance.
Buts Ce sont les objectifs à atteindre et les contraintes à satisfaire par le rôle. Ils correspondent aux obligations liées au rôle.
Règles Elles sont constituées d’ensembles d’inférences élémentaires à suivre pour atteindre les buts du rôle.
21
Modèle interactionnel
• Les interactions sont modélisées par la notion de service.
• Basée sur la théorie générale des systèmes (Le Moigne, 1994)
Services d’un Holon
SE SF ST
SEI SEP SFI SFP STI STP
Espace
TempsForme
Informationnel
Physique
ContexteEtat de l’art ORCA
ORCA-FMSValidationEnergieConclusion
Plan de la présentation
22
Contexte et objectifs Etat de l’art
o Le problème de myopieo Le contrôle de la myopie o Typologie des architectures hybrides
Proposition d’une architecture et d’un modèle génériques
o L’architecture générique ORCAo Nécessité d’un modèle de représentation d’ORCAo Le modèle holonique Holo-Gen
Application d’ORCA aux FMS o Positionnement d’ORCA-FMSo L’architecture ORCA-FMSo Exemple de représentation d’entités d’ORCA-FMS avec
Holo-Gen Mise en œuvre et validation d’ORCA-FMS Intégration de la gestion de l’énergie dans ORCA-
FMS Conclusion et perspectives
23
Positionnement d’ORCA-FMSNiveau
Stratégique
Planification
Logistique…
Niveau
Pilotage
Niveau Pilotage
1
…
Maintenance
Gestion des Stocks
…
Gestion Matière
Expéditions
Gestion Coûts
Produits
Conduite
Niveau Contrôle Commande
Niveau Physiq
ueSystème Physique
Ordonnancement
Approvisionnement
ERP
MES
ORCA-FMS
2*
ContexteEtat de l’art ORCAORCA-FMS
ValidationEnergieConclusion
24
Architecture ORCA-FMS
Allocation des produits
Routage des
produits
Mode Exécutant
Mode Autonome
Allocation des
produits
ContexteEtat de l’art ORCAORCA-FMS
ValidationEnergieConclusion
Entité Produit 1
Optimiseur Local 1
Stock + File + robot
Entité Ressource 1
Optimiseur Global
ProduitPhysique
Res. transport
Optimiseur Local 2
EP2 EP3 EPx ER3 ERyER2
… …
25
Fonctionnement d’ORCA-FMS
Analyse de la situation
Opération terminée
Entité Produit attend un produit physique
Routage & exéc.par la ressource
Produit physique lié à l’entité produit
Situation conforme
Opération suivante
Produit non fini
Produit fini
Mode AutonomeMode Exécutant
Situation non conforme
Routage & exéc.par la ressource
Produit non fini
Allocationréactive
Ressource choisie
Opération terminée
Opération suivante
Produit fini
Basculement
« Retour »
Basculement
ContexteEtat de l’art ORCAORCA-FMS
ValidationEnergieConclusion
Ressource choisie
Allocation prédictive
26
Entité ressource avec Holo-Gen
SEI SEP
SFI SFP
STPSTI
Communication
Transitique
Traitement Usinage
Mémorisation Stockage
Cressource = { Performance - Economie, Gestion Rôles) Rôle = Performance
Connaissance
Vitesse de fonctionnement maximum, Gamme de fabrication, Trajectoires, Ordonnancement Global.
Buts Fournir des services aux produits le plus rapidement possible.
Règles Respecter l’ordonnancement Global, Respecter les gammes de fabrications, Utiliser la vitesse maximum.
Rôle = Economie
Connaissance
Vitesse de fonctionnement économe, Gamme de fabrication, Trajectoires.
Buts Fournir des services aux produits en consommant le moins possible.
Règles Respecter les gammes de fabrications, Utiliser la vitesse économe.
Rôle = Gestion Rôles
Connaissance
Ordonnancement Global, Taux de charge de la ressource.
Buts Choisir le meilleur rôle possible pour la ressource.
Règles { Si le taux de charge prévu pour la ressource est faible, Alors jouer le rôle Économie, Sinon jouer le rôle Performance }.
ContexteEtat de l’art ORCAORCA-FMS
ValidationEnergieConclusion
Gestion Ressource Active
ContrôleRobot
File φ Robot φ
ContrôleStock
ContrôleFile
Stock φ
Gestion Entité Ressource
27
Vers la mise en œuvre
Stock + File + robot
Entité Ressource
1
Optimiseur Local 2 Holon Ressource
ContrôleRobot
φfile φstock φrobot
ContrôleStock
ContrôleFile
Holo-Gen facilite la mise en œuvre d’ORCA-FMS sur une cellule réelle
ContexteEtat de l’art ORCAORCA-FMS
ValidationEnergieConclusion
Plan de la présentation
28
Contexte et objectifs Etat de l’art
o Le problème de myopieo Le contrôle de la myopie o Typologie des architectures hybrides
Proposition d’une architecture et d’un modèle génériques
o L’architecture générique ORCAo Nécessité d’un modèle de représentation d’ORCAo Le modèle holonique Holo-Gen
Application d’ORCA aux FMS o Positionnement d’ORCA-FMSo L’architecture ORCA-FMSo Exemple de représentation d’entités d’ORCA-FMS avec
Holo-Gen Mise en œuvre et validation d’ORCA-FMS Intégration de la gestion de l’énergie dans ORCA-
FMS Conclusion et perspectives
Modèle Linéaire (PLNE)
29
Choix de mise en œuvre
Entité Produit 1
Optimiseur Local 1
Stock + File + robot
Entité Ressource 1
Optimiseur Global
ProduitPhysique
Res. transport
Optimiseur Local 2
EP2 EP3 EPx ER3 ERyER2
… …Champs de Potentiel
Cellule AIP PRIMECA
VALENCIENNES
Produit Actif
Ressource Active
ContexteEtat de l’art ORCAORCA-FMSValidation
EnergieConclusion
30
Mise en œuvre du PLNECalcul Cmax
Précédence
OpérationsTemps
Transport
Allocation Opérations
Liaison Ordo Job et Ordo
local machine
Limitation du nombre de jobs selon capacité
système de transport
Calcul Cmax
Précédence
OpérationsTemps
Transport
Allocation Opérations
Liaison Ordo Job et Ordo
local machine
Limitation du nombre de jobs selon capacité
système de transport
Produit
B E L T A I P
Chargement Chargement Chargement Chargement Chargement Chargement Chargement
Montage_Axe Montage_Axe Montage_Axe Montage_Axe Montage_Axe Montage_Axe Montage_Axe
Montage_Axe Montage_Axe Montage_Axe Montage_Axe Montage_Axe Montage_Axe Montage_Axe
Montage_Axe Montage_Axe Montage_Axe Montage_Axe Montage_Axe Montage_Axe Montage_Axe
Montage_r Montage_r Montage_I Montage_L Montage_r Montage_Vis Montage_L
Montage_r Montage_r Montage_I Inspection Montage_L Inspection Inspection
Montage_I Montage_L Montage_Vis Déchargement Montage_I Déchargement Déchargement
Montage_Vis Inspection Montage_Vis Montage_Vis
Inspection Déchargement Inspection Inspection
Déchargement Déchargement Déchargement
Opération R1 R2 R3 R4 R5 R6 R7
Chargement 10 - - - - - -
Déchargement 10 - - - - - -
Montage_Axe - 20 20 - - - (20)
Montage_r - 20 20 - - - (20)
Montage_I - - - 20 - - (20)
Montage_L - 20 - 20 - - (20)
Montage_Vis - - 20 20 - - -
Inspection - - - - 5 - -
Réparation - - - - - 60 -
n1 n2 n3 n4 n5 n6 n7 n8 n9 n10 n11 R1 R2 R3 R4 R5 R6 R7
n1 4 - - - - - - - 5 - - - - - - - -
n2 - 4 - - - - - - - - 5 - - - - - -
n3 - - 4 - - - 5 - - - - - - - - - -
n4 - - - 4 - - - - - - - 5 - - - - -
n5 - - - - 3 - - - - - - - 11 - - - -
n6 - - - - - 4 - - - - - - - 5 - - -
n7 - - - 5 - - 4 - - - - - - - - - -
n8 - - - - - - - 4 - - - - - - 5 - -
n9 - 5 - - - - - - 4 - - - - - - - -
n10 - - - - - - - - - 4 - - - - - 7 -
n11 9 - - - - - - - - - - - - - - - 10
R1 - - - 6 - - - 7 - - - - - - - - -
R2 - - - - - 5 - - - - - - 13 - - - -
R3 - - - - - - 6 - - - - - - 7 - - -
R4 - - - 7 - - - 6 - - - - - - - - -
R5 - 7 - - - - - - - 6 - - - - - - -
R6 12 - - - - - - - - - - - - - - - 13
R7 - 6 - - - - - - - 7 - - - - - - -
Paramètres
SolveurCplex
NomOpération
Identifiant de la ressource conseillée
ContexteEtat de l’art ORCAORCA-FMSValidation
EnergieConclusion
31
R1
P1
Champs depotentiel S1
Champs depotentiel S1
Champs depotentiel S2
Champs depotentiel S2
Champs depotentiel S3
Champs depotentiel S3
(S1)
(S2)
Niveau Physique
Niveau Physique
S1
S2
S3 R2
R3
(S1, S3)
P1 Produit
R1, R2, R3 Ressource
S1, S2, S3 Service
?
Mise en œuvre Champs de Potentiel
(Pach et al., 2012)
ContexteEtat de l’art ORCAORCA-FMSValidation
EnergieConclusion
Produit Actif
32
Eeepc
Produit Passif
Navette + RFID
Navette φ+ RFID φ
Gestion Produit Actif
Produit Passif φ
ContrôleNavette
Gestion Produit Actif
ProduitPassif φ
Navette φ+ RFID φ
Holon* Produit PassifHolon* Navette
ContrôleNavette
(Sallez et al., 2010)
ContexteEtat de l’art ORCAORCA-FMSValidation
EnergieConclusion
33
Ressource Active
Gestion Ressource Active
ContrôleRobot
File φ Robot φ
ContrôleStock
ContrôleFile
Stock φ
Robot
StockFile
API
Stock φ
Gestion Ressource Active
ContrôleFile
Robot φ
File φ
ContrôleStock
ContrôleRobot
Contrôleur
ContexteEtat de l’art ORCAORCA-FMSValidation
EnergieConclusion
sur le cas d’étude de l’AIP PRIMECA Valenciennes
34
Validations
et par expérimentation
ContexteEtat de l’art ORCAORCA-FMSValidation
EnergieConclusion
par simulation
35
Protocole Expérimental
Cmax régime normal#1
Etude des couches locale et globale
Temps de résolution#2
Temps de bonne solution#3
Etude ORCA-FMS
Cmax régime perturbé #4
PLNE CP
Cmax Régime normal
15 % d’écart
Recalcul
PLNE CP
PLNE > 1 heure
ContexteEtat de l’art ORCAORCA-FMSValidation
EnergieConclusion
PLNE : Programme Linéaire à Nombre Entiers
CP : Champs de Potentiel
36
ORCA-FMS
CP
Optimal
PLNE
Produits
Temps (secondes)
#1: P#2: A#3: I#4: A#5: P#6: I
R2 en panne
Mode Exécutant
Mode Autonome
Basculements individuels
Mode Exécutant
388
Produits
Temps (secondes)
#1: P#2: A#3: I#4: A#5: P#6: I
R2 en panne
Mode Autonome
405
Produits
Temps (secondes)
#1: P#2: A#3: I#4: A#5: P#6: I
R2 en panne
Comportement Optimal
376
Produits
Temps (secondes)
#1: P#2: A#3: I#4: A#5: P#6: I
R2 en panne
Mode Exécutant Mode ExécutantRecalcul
3600+ 3600+
Expérimentations
ContexteEtat de l’art ORCAORCA-FMSValidation
EnergieConclusion
37
Synthèse des expérimentations
ORCA-FMS permet de piloter notre système de façon optimisée et réactive sur les scénarios testés.
ORCA-FMS peut être mise en œuvre sur un système industriel réel via le modèle Holo-Gen.
Comment étendre ORCA-FMS pour intégrer de nouvelles contraintes ?
ContexteEtat de l’art ORCAORCA-FMSValidation
EnergieConclusion
Entité Produit 1
Optimiseur Local 1
Stock + File + robot
Entité Ressource 1
Optimiseur Global
ProduitPhysique
Res. transport
Optimiseur Local 2
EP2 EP3 EPx ER3 ERyER2
… …
Plan de la présentation
38
Contexte et objectifs Etat de l’art
o Le problème de myopieo Le contrôle de la myopie o Typologie des architectures hybrides
Proposition d’une architecture et d’un modèle génériques
o L’architecture générique ORCAo Nécessité d’un modèle de représentation d’ORCAo Le modèle holonique Holo-Gen
Application d’ORCA aux FMS o Positionnement d’ORCA-FMSo L’architecture ORCA-FMSo Exemple de représentation d’entités d’ORCA-FMS avec
Holo-Gen Mise en œuvre et validation d’ORCA-FMS Intégration de la gestion de l’énergie dans ORCA-
FMS Conclusion et perspectives
Intégration dans la couche de contrôle local d’ORCA : Extension du modèle de Champs de Potentiel pour intégrer la consommation d’énergie dans les décisions (Pach et al. ,2013).
39
Intégration de l’énergie
ContexteEtat de l’art ORCAORCA-FMSValidationEnergie
Conclusion
Entité Produit 1
Optimiseur Local 1
Stock + File + robot
Entité Ressource 1
Optimiseur Global
ProduitPhysique
Res. transport
Optimiseur Local 2
EP2 EP3 EPx ER3 ERyER2
… …
R1
P1
Champs dePotentiel Resources S1
Champs dePotentiel Resources S1
(S1)
Niveau Physique
Niveau Physique
R3
(S1, S3)
Champs dePotentiel Produit P1
Champs dePotentiel Produit P1
40
Résultats Energie
ContexteEtat de l’art ORCAORCA-FMSValidationEnergie
Conclusion
• En fonction de la charge du système gain de 12 à 40% d’énergie consommée,
• Peu de variations au niveau du Cmax,
• Possibilité de limiter le nombre de basculements si ressources « sensibles ».
Intégration d’une contrainte supplémentaire sans
travail de re-conception important.
Plan de la présentation
41
Contexte et objectifs Etat de l’art
o Le problème de myopieo Le contrôle de la myopie o Typologie des architectures hybrides
Proposition d’une architecture et d’un modèle génériques
o L’architecture générique ORCAo Nécessité d’un modèle de représentation d’ORCAo Le modèle holonique Holo-Gen
Application d’ORCA aux FMS o Positionnement d’ORCA-FMSo L’architecture ORCA-FMSo Exemple de représentation d’entités d’ORCA-FMS avec
Holo-Gen Mise en œuvre et validation d’ORCA-FMS Intégration de la gestion de l’énergie dans ORCA-
FMS Conclusion et perspectives
42
La myopie est présente dès qu’une architecture de pilotage permet une prise de décision distribuée sur de l’information locale.
Cette myopie est la cause principale du manque de performance d’un système non hiérarchique et doit être corrigée si on veut améliorer la performance globale du système.
A l’opposé, les entités myopes possèdent une réactivité importante.
La myopie est donc le levier qui permet de balancer réactivité et performance globale.
Conclusions Myopie
ContexteEtat de l’art ORCAORCA-FMSValidationEnergieConclusion
Réactivité Performance
43
Conclusions ORCA-FMS
ORCA-FMS permet de contrôler la myopie des entités du système pour conserver performances globales et réactivité dans notre cas d’étude.
Possibilité d’intégrer des contraintes supplémentaires comme la gestion de l’énergie.
ORCA-FMS a été mise en œuvre sur un système industriel.
Ce type d’architectures est utilisable dans de nombreux cas d’études et domaines.
ContexteEtat de l’art ORCAORCA-FMSValidationEnergieConclusion
44
Perspectives ORCA-FMS
Champs de Potentiel
Integer Linear ProgramAllocation des
produits
Routage desproduits
Entité Produit 1
Optimiseur Local 1
Stock + File + robot
Entité Ressource 1
Optimiseur Global
ProduitPhysique
Res. transport
Optimiseur Local 2
EP2 EP3 EPx ER3 ERyER2
… …
Utiliser d’autres approchesméta-heuristiques…
Utiliser d’autres approchesDMAS, coopération…
Tester d’autres cellules ou systèmes physiques
Obtenir les résultats d’autres approches sur le cas d’étude utilisénotamment grâce au benchmark proposé (Trentesaux et al., 2013)
Tester d’autres scénarios, plus complexes, avec des pannes différentes…
ContexteEtat de l’art ORCAORCA-FMSValidationEnergieConclusion
45
Perspectives ORCAORCA-ED : Projet ANR HOST
Optimiseur Global
Couche de Contrôle Global
Elément Système 1
CoucheSystème
Elément Système i
Elément Système n
Couche de Contrôle
Local
Optimiseur Local n
Optimiseur Local 1
Optimiseur Local i
Procédures et Protocoles de Soins, Prévisions, Planning
Ressources (S1)
Ressources (Si)
Ressources (Sn)
Optimiseur Service n
Optimiseur Service 1
Optimiseur Service i
Optimiseur Global
Couche de Contrôle Global
Elément Système 1
CoucheSystème
Elément Système i
Elément Système n
Couche de Contrôle
Local
Optimiseur Local n
Optimiseur Local 1
Optimiseur Local i
ORCA-PI : Projet ARI π-NUTS
Allocation des camions /trains
au cross-dock
ContexteEtat de l’art ORCAORCA-FMSValidationEnergieConclusion
Situations de crises dans un service d’urgences
46
Approfondir l’étude du mécanisme de basculement retour (hétérarchique / hiérarchique).
Etudier la compatibilité entre entités en mode autonome et en mode exécutant.
Explorer la myopie dans d’autres fonctions du MES (ex. qualité, approvisionnement) ou de l’ERP (ex. planification, logistique).
Mettre en œuvre ORCA-FMS à l’aide d’un langage acteur, adapté aux systèmes distribués, tel que Erlang, Scala, JavAct…
Mettre en œuvre ORCA-FMS sur un système réellement implanté en industrie et connecté au marché.
Autres Perspectives
ContexteEtat de l’art ORCAORCA-FMSValidationEnergieConclusion
47
MERCI DE VOTRE ATTENTION
48
Références 1Babiceanu, R.F., Chen, F.F., 2006. Development and Applications of Holonic Manufacturing Systems: A Survey. Journal of Intelligent Manufacturing 17, pp.111–131.
Böhnlein, D., Schweiger, K., Tuma, A., 2011. Multi-agent-based transport planning in the newspaper industry. International Journal of Production Economics, vol. 131, no. 1, pp. 146–157,.
Brennan, R. W., 2000. Performance comparison and analysis of reactive and planning-based control architectures for manufacturing », Robotics and Computer Integrated Manufacturing 16, pp.191-200
Buzacott, J.A., Yao, D.D., 1986. Flexible manufacturing systems: a review of analytical models. Management Science, pp. 890–905.
Cardin, O. Castagna, P. , 2009. Using Online Simulation in Holonic Manufacturing Systems. EngineeringApplications of Artificial Intelligence 22, pp.1025–1033.
Cavalieri, S., Garetti, M., Macchi, M., Taisch, M., 2000. An experimental benchmarking of two multi-agent architectures for production scheduling and control. Computers In Industry 43, pp.139–152.
Cox, J. S., Durfee, E. H., 2003. Discovering and exploiting synergy between hierarchical planning agents. Proceedings of the second international joint conference on Autonomous agents and multiagent systems, pp. 281–288.
Christensen, J.H., 1994. Holonic manufacturing systems: initial architecture and standards directions. Proceedings of the first European Workshop in Holonic Manufacturing Systems.
Heragu, S. S., Graves, R. J., Byung-In Kim, St Onge, A., 2002. Intelligent agent based framework for manufacturing systems control. IEEE Transactions on Systems, Man and Cybernetics part A, vol. 32, no. 5, pp. 560–573.
49
J. Jarvis, R. Rönnquist, D. McFarlane, L. Jain, « A Team-Based Approach to Robotic Assembly Cell Control ». Journal of Network and Computer Applications 29, 160-176, (2006)
Johnston, K. ,2009. Extending the marketing myopia concept to promote strategic agility. Journal of Strategic Marketing 17: 2, pp.139-148.
Kenneth, N.M., Frank, R.S., Buzacott, J.A., 1995. A review of hierarchical production planning and its applicability for modern manufacturing. Production Planning Control 6, pp. 384–394.
Lee, J.H., Kim, C.O., 2008. Multi-agent systems applications in manufacturing systems and supply chain management: a review paper. International Journal of Production Research 46, pp. 233–265.
Leitão, P., Alves, J., Pereira, A.I., 2010. Solving myopia in real-time decision-making using Petri nets models’ knowledge for service-oriented manufacturing systems. Preprints of the IFAC Workshop on Intelligent Manufacturing Systems (IMS’10). Lisboa, Portugal. pp. 155–160.
Leitão, P., Restivo, F., 2006. ADACOR: A holonic architecture for agile and adaptive manufacturing control. Computers In Industry 57, pp.121–130.
Nagalingam, S.V., Lin, G.C.I., 2008. CIM-still the solution for manufacturing industry. Robot.ics Computers Integrated Manufacturing 24, pp. 332–344.
Langer, T., Weber, M., 2005. Myopic prospect theory vs. myopic loss aversion: how general is the phenomenon? Journal of Economic Behavior & Organization 56, pp. 25–38.
Mataric, J., 1992. Minimizing complexity in controlling a mobile robot population. Proceedings of the IEEE International Conference on Robotics and Automation1, pp. 830-835.
Références 2
50
Maturana, F., Shen, W., Norrie, D. H., 1999. MetaMorph: an adaptive agent-based architecture for intelligent manufacturing. International Journal of Production Research, vol. 37, no. 10, pp. 2159–2173.
Novas, J. M., Van Belle, J., Saint Germain, B., Valckenaers, P., 2013. A Collaborative Framework between a Scheduling System and a Holonic Manufacturing Execution System”. Service Orientation in Holonic and Multi-agent Manufacturing and Robotics, Studies in Computer Intelligence 472, Springer Verlag, DOI: 10.1007/978-3-642-35852-4_1. Ottaway, T.A., Burns, J. R., 2000. An adaptive production control system utilizing agent technology. International Journal of Production Research, vol. 38, no. 4, pp. 721–737.
Ounnar, F., Pujo, P., 2010. Isoarchic and Multi-criteria Control of Supply Chain Network, Benyoucef, L., Grabot, B. (Eds.), Artificial Intelligence Techniques for Networked Manufacturing Enterprises Management. Springer London, London, pp. 161–180.
Ounnar, F., Pujo, P., Mekaouche, L., Giambiasi, N., 2008. Integration of a flat holonic form in an HLA environment. J. Intell. Manuf. 20, pp. 91–111.
Ou-Yang, C., Lin, J. S. , 1998. The development of a hybrid hierarchical/heterarchical shop floor control system applying bidding method in job dispatching,. Robotics and Computer-Integrated Manufacturing, vol. 14, no. 3, pp. 199–217.
Parunak, H. V. D., Irish, B. W. , Kindrick, J., Lozo, W., 1985. Fractal actors for distributed manufacturing control. The engineering of knowledge-based systems, pp. 653–660.
Puterman, M.L., 1987. Dynamic Programming, in: Encyclopedia of Physical Science and Technology. Academic Press, pp. 438–463.
Références 3
51
Références 4Raileanu, S., Parlea, M., Borangiu, T., Stocklosa, O., 2012. A JADE Environment for Product Driven Automation of Holonic Manufacturing. Service Orientation in Holonic and Multi-Agent Manufacturing Control, pp. 265–277.
Reb, J. Connolly, T. , 2009. Myopic regret avoidance: Feedback avoidance and learning in repeated decision making. Organizational Behavior and Human Decision Processes 109, pp.182–189.
Rolón, M., Martínez, E., 2012. Agent-based modeling and simulation of an autonomic manufacturing execution system. Computer In Industry, vol. 63, no. 1, pp. 53–78,.
Scattolini, R., 2009. Architectures for distributed and hierarchical Model Predictive Control – A review. J. Process Control 19, pp. 723–731.
Sunderesh, S., Heragu, R., Graves, B., Art, O., 2002. Intelligent Agent Based Framework for Manufacturing Systems Control. IEEE Transactions on systems, Man and Cybernectics – Part A: Systems and Humans, 32, 5, pp. 560 – 573.
Tawegoum, R., Castelain, E., Gentina, J. C. , 1994. Hierarchical and dynamic production control in flexible manufacturing systems. Robotics and Computer-Integrated Manufacturing, vol. 11, no.4, pp. 327–334.
Tharumarajah, A., 1996. Comparison of the bionic, fractal and holonic manufacturing system concepts. Int. J. Comput. Integr. Manuf. 9, pp. 217–226.
Trentesaux, D., 2009. Distributed control of production systems. Eng. Appl. Artif. Intell. 22, pp.971–978.
Trentesaux, D. Tahon, C., Ladet, P., 1998.Hybrid production control approach for JIT scheduling. Artificial Intelligence in Engineering, vol. 12, no. 1–2, pp. 49–67.
52
Références 5Valckenaers, P., Van Brussel, H., Verstraete, P., Saint Germain, B., 2007. Schedule execution in autonomic manufacturing execution systems. Journal of manufacturing systems, vol. 26, no. 2, pp. 75–84.
Van Brussel, H., Wyns, J., Valckenaers, P., Bongaerts, L., Peeters, P., 1998. Reference architecture for holonic manufacturing systems: PROSA. Computers In Industry 37, pp. 255–274.
Yang, T., Ma, J., Hou, Z. G., Peng, G. , Tan, M., 2008. A Multi-agent Architecture Based Cooperation and Intelligent Decision Making Method for Multirobot Systems. Neural Information Processing, pp. 376–385.
Zambrano, G., Pach, C., Aissani, N., Berger, T., Trentesaux, D., 2011. An approach for temporal myopia reduction in Heterarchical Control Architectures. IEEE International Symposium on, Industrial Electronics (ISIE), pp. 1767–1772.
53
Pach, C., Zambrano, G., Berger, T., Sallez, Y., Trentesaux, D., 2011. Maitrise de la myopie des systèmes flexibles de production industriels, in: 12e Colloque National AIP PRIMECA. Le Mont Dore.
Pach, C., Berger, T., Bonte, T., Trentesaux, D., 2013, ORCA-MS: a Dynamic Architecture for theOptimized and Reactive Control of Manufacturing Scheduling, Comp. Ind. [Submitted]
Pach, C., Bekrar, A., Zbib, N., Sallez, Y., Trentesaux, D., 2012. An effective potential field approachto FMS holonic heterarchical control. Control Eng Pr. 1293–1309.
Pach, C., Berger, T., Sallez, Y., Trentesaux, D., Deneux, D., 2012. Holo-Gen: modèle de contrôleholonique générique- mise en oeuvre sur un SFP. 13ème Colloque National AIP PRIMECA, Le MontDore.
Pach, C., Zambrano, G., Adam, E., Berger, T., Trentesaux, D., 2011. Roles-based MAS applied to thecontrol of intelligent products in FMS. Lect. Note Comput. Sci., HOLOMAS 6867, 185–194.
Pach, C., Berger, T., Sallez, Y., Bonte, T., Adam, E., Trentesaux, D., 2013, Reactive and EnergyawareScheduling of Flexible Manufacturing Systems Using Potential Fields, ICT for Sustainability inIndustry special Issue of Comp. Ind. [Accepted]
Kadri, F., Pach, C., Chaabane, S., Berger, T., Trentesaux, D., Tahon, C., Sallez, Y., 2013. Modelling and management of the strain situations in hospital systems using ORCA approach. Presented at the International Conference on Industrial Engineering and Systems Management, Rabat.
Trentesaux, D., Pach, C., Bekrar, A., Sallez, Y., Berger, T., Bonte, T., Leitão, P., Barbosa, J.,2013. Benchmarking Flexible Job-Shop Scheduling and Control Systems. ControlEng. Pr. 21, 1204–1225.
Références 6
54
SLIDES ANNEXES
Domaine Auteurs Définition
Médecine LarousseAnomalie de la réfraction oculaire entraînant unemauvaise vue des objets éloignés sans toucher lavision de près.
Economie T. Langer et M. WeberMyopic loss aversion fait référence au fait quecertains décideurs essaient à tout prix d’éviter lespertes financières lors de leurs choix.
Analyse du comportement
humainJ. Reb et T. Connolly
Myopic regret avoidance concerne les décideurs quirefusent d’avoir un retour d’informations sur leschoix qu’ils n’ont pas faits pour éviter d’avoir desregrets.
Marketing K. Johnston
Capability myopia est liée à l’incapacité d’uneentreprise à se reconfigurer pour proposer denouvelles solutions lors de son adaptation à unenvironnement changeant.Boundary myopia caractérise une entreprise enmarketing qui a tendance à toujours communiquer ettravailler avec le même groupe d’entités en ignorantles nouveaux groupes quise créent.
Robotique mobile M. J. Mataric
La myopie représente l’incapacité de prévoir descycles (répétition d’un ensemble d’actions) ou desoscillations lors de trajectoires ou déplacements derobots mobiles.
RO et programmation
dynamiqueM.L. Puterman
Myopic Policy représente une politiqued’optimisation dans laquelle chaque règle de décisionignore les conséquences futures de la décision etchoisit l’action qui maximise la récompenseimmédiate.
Etat de l’art Myopie Autre domaines
P1
R2
R1
R4
R3
P1
Entité décisionnelle (Produit)
Ressource
S1
S2
S1
S2
(S1)
(S1,S
2)
Exemple de Myopie 2
56
Etude des couches locale et globale
I
Etude des couches locale et globale
I
Etude des couches locale et globale
I
57
PLNE CP
En régime normal
15 % d’écart
En régime pertubéPLNE CP
PLNE incapable de réagir rapidement
Une approche hybride comme ORCA-FMS vise à bénéficier des avantages du PLNE en régime normal et des Champs de Potentiel en régime
perturbé
1
10
100
1000
10000
1 2 3 4 5 6 7 8 9 10
Res
olu
tio
n T
ime
(sec
ond
s)
Number of jobs
Job A
Job I
Job P
Job A-I-P
3600
1
10
100
1000
10000
1 2 3 4 5 6 7 8 9 10
Bes
t sol
uti
on T
ime
(sec
ond
s)
Number of jobs
Job A
Job I
Job P
Job A-I-P
3600
PLNE
Champs de potentiel
Expérimentations
58
Champs de Potentiel
(S1, S3)
(S1)
(S2)P1
R2
R1
R3
R3
S1
S2
S3
Champs de Potentiel S1
P1 Produit
R1, R2, R3 Ressource
S1, S2, S3 Service
Champs de Potentiel S2
Champs de Potentiel S3
Niveau Système
R1
R3
R2
59
Modèle de champs de potentiel
Atténuation de l’environnement
Φr,p,s (t)Mr,p(t)
Emissiondes champs
Φp,r,s (t)βp,r,s(t)
μp
Mp,r(t)βp,r,s(t)
Seuils
𝝉h,r 𝝉l,rΦp,r,s (t)
Evènement
Capture des champs
Emissiondes champs
Gestion Ressource
μr
αr,s (t)Sr
αr,s (t)
Gestion des états
Sp
Capture des champs
Gestion Produit
Φr,p,s (t)Gestion des états
Evènement
60
Cycles de gestion
2
En TravailZ4,r
EteinteZ1,r
En VeilleZ2,r
PrêteZ3,r
Produitprésent
Fin de l’opération
1
Départ
ArrêtIncidentResource
𝐦𝐚𝐱𝒑 ቀ𝚽𝒓,𝒑,𝒔ሺ𝒕ሻቁ< 𝝉𝒍,𝒓
𝐦𝐚𝐱𝒑 ቀ𝚽𝒓,𝒑,𝒔ሺ𝒕ሻቁ≥ 𝝉𝒉,𝒓 − 𝝀
Opération en cours Z4p
Hors du système Z1p
En VeilleZ2p
ActifZ3p
Ressource ŕ atteinte
Service fourni
Produitcommencé
Produit finiProduit
défectueux 𝐦𝐚𝐱 (𝚽𝐫,𝐩,𝐬 ሺ𝐭ሻ) = 𝟎
𝐦𝐚𝐱 (𝚽𝐫,𝐩,𝐬 ሺ𝐭)ሻ> 𝟎
Scenario τh,R2 τh,R3 τh,R4 τl,R2 τl,R3 τl,R4 Cmax (sec) Cmax (%)Conso.
Globale (W.h)Conso.
Globale (%)Total des
Bascul.
10 x PIA 0 0 1369 - 410.2 - 3
10 x PIA 200 200 1398 102.1 333.3 81.3% 55
10 x PIA 200 195 189 195 1398 102.1 336.9 82.1% 8
10x PIA // 150 sec 0 0 1626 - 463.8 - 3
10x PIA // 150 sec 200 200 1622 99.8 334.0 72.0% 60
10x PIA // 150 sec 200 195 189 195 1622 99.8 338.0 72.9% 27
10x PIA // 200 sec 0 0 2091 - 560.6 - 3
10x PIA // 200 sec 200 200 2072 99 333.3 59.5% 60
10x PIA // 200 sec 195 189 195 2072 99 336.9 60.1% 30
50x PIA 0 0 6192 - 1915.0 - 3
50x PIA 200 200 6241 100.8 1668.8 87.1% 290
50x PIA 200 195 189 195 6241 100.8 1685.7 88.0% 35
61
Résultats Energie
Optimisation selon Cmax, Consommation ou nombre de basculements des ressources.
62
Complexité et avancée technologique
Complexité Ordinateur de référence
Ordinateur 100 fois plus rapide
Ordinateur 1000 fois plus rapide
N N1 100*N1 1000*N1
N2 N2 10*N2 31,6*N2
N3 N3 4,64*N3 10*N3
2N N4 N4+6,64 N4+9,97
3N N5 N5+4,19 N5+6,29
(Garey et Johnson 1979)