Soutenance de thèse de OSTOVARI Alireza
Titre de thèse
Conception et ordonnancement durables des systèmes de production reconfigurables sous incertitudes
Sustainable Production Scheduling and Configuration Design in Reconfigurable Manufacturing Systems under Uncertainty
Résumé de la thèse
Les systèmes de production reconfigurables (RMS) constituent une réponse prometteuse pour les industriels confrontés à des marchés instables, grâce à leur flexibilité, leur évolutivité et leur rentabilité. Cette thèse s'intéresse à deux défis majeurs : l'intégration de l'ordonnancement de la production avec la planification de la main-d'œuvre, et l'optimisation de la configuration du système dans un contexte d'incertitude.
La première contribution consiste en le développement d'un modèle de programmation linéaire en nombres entiers mixtes multi-objectif permettant de coordonner les plannings de production avec l'affectation de la main-d'œuvre. Le modèle intègre des critères de durabilité sociale, tels que la réduction des risques professionnels et la prise en compte des préférences des employés en matière d'horaires flexibles. Trois objectifs sont poursuivis : la minimisation du makespan, des coûts de production et des indicateurs sociaux. Pour résoudre efficacement ce problème, trois méthodes avancées d'optimisation multi-objectif sont mobilisées : NSGA-II, AMOSA et AUGMECON-R. L'ajustement des paramètres par la méthode de Taguchi améliore la performance des algorithmes. Des expérimentations numériques sur divers cas tests valident l'approche et apportent de nouvelles perspectives pour la planification des RMS intégrant les contraintes humaines.
La deuxième contribution porte sur l'optimisation de la configuration et de l'évolutivité en capacité des machines-outils reconfigurables dans des environnements incertains. Un modèle de programmation en nombres entiers multi-objectif est proposé afin de réduire simultanément la consommation énergétique, la capacité inutilisée et le coût total, tout en respectant des contraintes telles que les seuils de puissance et la disponibilité limitée des outils. Pour faire face à l'incertitude de la demande, une approche robuste basée sur des scénarios est adoptée, permettant de concilier adaptabilité et robustesse. L'approche est évaluée à travers une étude de cas complète et des analyses de sensibilité, qui mettent en évidence les paramètres déterminants pour la performance des systèmes. Ces résultats offrent des orientations méthodologiques et pratiques pour concevoir et gérer des RMS plus durables, en intégrant à la fois les enjeux économiques, énergétiques et sociaux.
Thesis resume
Reconfigurable manufacturing systems offer a promising solution for manufacturers seeking to navigate dynamic market conditions through scalable, flexible, and cost-effective production capabilities. This thesis addresses two critical challenges in RMS: the integration of production scheduling and workforce planning, and the optimization of system configuration under uncertainty.
In the first phase, a multi-objective mixed-integer linear programming model is developed to coordinate production schedules with workforce planning, incorporating social sustainble metric including workplace risk hazards and workforce preferences for flexible working hours. The model aims to minimize makespan, total production cost, and social sustainability metrics. To solve the problem efficiently, three advanced multi-objective optimization techniques are employed: NSGA-II, AMOSA, and AUGMECON-R. Parameter tuning via the Taguchi method enhances algorithmic performance, and computational experiments using diverse problem instances validate the proposed approach, offering insights into workforce-aware RMS scheduling.
The second phase of the thesis focuses on designing the configuration and capacity scalability of reconfigurable machine tools in uncertain environments. A novel multi-objective integer programming model is proposed to minimize total energy consumption, unused capacity, and total cost while satisfying constraints such as peak power thresholds and limited tool availability. A scenario-based robust optimization framework is adopted to address demand and cost parameter uncertainty, balancing robustness and adaptability. Additionally, the Lagrangian relaxation method is applied to the model to decrease the model complexity. The proposed methods are evaluated through a comprehensive case study and sensitivity analyses, highlighting key parameters affecting system performance.