Affordable Access

Planification des activités de la production des systèmes de production avec demandes aléatoires

Authors
Publisher
École de technologie supérieure
Publication Date
Disciplines
  • Mathematics
  • Political Science

Abstract

Ce travail traite de la stratégie de la planification de la production des systèmes de production soumis à des perturbations et des phénomènes aléatoires tout au long de leur durée de vie. Ces phénomènes aléatoires et perturbations sont responsables des défaillances et réduisent l’aptitude des systèmes à assurer leur fonction intrinsèque. En tenant compte de ce disfonctionnement des équipements et de la demande qui se présente de façon aléatoire, il serait utile de mettre en place une politique optimale de production tout en satisfaisant la clientèle. Dans la littérature, les études qui traitent de la planification de la production avec demandes aléatoires avec l’approche de la méthodologie adoptée sont presque inexistantes. Avec la levée des frontières commerciales, les entreprises doivent s’adapter au marché mondial tout en maîtrisant les coûts de production et satisfaire le marché. Ce faisant, nous avons considéré dans ce mémoire, un système de production constitué d’une machine et ensuite deux machines en parallèle produisant un seul type de produit avec un taux de demande variable. Ces machines sont sujettes à des pannes et réparations aléatoires. Le problème de la planification de la production de ce système est formulé comme un problème d’optimisation stochastique. La variable considérée est le taux de production. Ce système a été modélisé par les chaînes de Markov homogènes (taux de transition constant). Nous avons utilisé la méthode numérique basée sur l’approche de Kushner pour résoudre les équations du type Hamilton Jacobi Bellman afin d’obtenir la structure de la politique. Cette structure s’appelle la politique à seuil critique (Hedging Point Policy). Le modèle de simulation a permis de déterminer les coûts afférents à chaque combinaison obtenue par le biais du plan d’expérience des seuils critiques. Partant de ces coûts, nous avons fait une analyse de régression pour trouver la nouvelle commande optimale du problème d’optimisation considéré. Et pour illustrer nos résultats, nous avons effectué une analyse de sensibilité.

There are no comments yet on this publication. Be the first to share your thoughts.