Résumé:
Dans le contexte de la transformation numérique de l'industrie, la simulation à événements discrets constitue un outil d'aide à la décision pour analyser et évaluer la performance des systèmes de production. Cependant, la complexité des systèmes industriels et le nombre important de configurations possibles rendent l'évaluation de multiples scénarios coûteuse en temps de calcul. Cette limite pose un défi pour les décisions industrielles qui nécessitent des évaluations rapides et fiables.
Ces travaux de thèse portent sur le couplage de l'intelligence artificielle et de la simulation à travers des modèles de substitution (surrogate models), afin d'accélérer l'évaluation des scénarios industriels tout en conservant la simulation comme référence.
La méthodologie proposée repose sur un modèle de simulation à événements discrets développé sous AnyLogic, appliqué à l'atelier d'assemblage des boites de rotor et de transmission d'Airbus Helicopters. Des données synthétiques sont générées à partir de différentes demandes clients et configurations industrielles. Elles permettent d'entraîner et de comparer plusieurs modèles d'apprentissage automatique pour prédire trois indicateurs de performance : les encours de production, les investissements et la satisfaction client, mesurée par le respect des délais de livraison.
Ces travaux étudient la fiabilité des modèles pour leur utilisation dans les processus de décision industrielle. Une approche fondée sur l'analyse des profils de demande et des seuils de performance permet d'identifier les situations dans lesquelles les prédictions peuvent être utilisées avec confiance ou nécessitent une validation supplémentaire par simulation. Des mécanismes d'apprentissage actif et d'adaptation des modèles sont également étudiés pour prendre en compte l'évolution des conditions industrielles.
Les résultats soutiennent une approche hybride qui associe la rapidité des modèles d'intelligence artificielle à l'évaluation détaillée fournie par la simulation, afin de faciliter la comparaison des scénarios, la configuration des ateliers et l'aide à la décision industrielle.
Abstract:
Discrete-event simulation is used to assess production system performance. However, the complexity of these systems and the diversity of possible configurations lead to high computational costs, and limit the exploration of alternative scenarios.
This PhD research explores the coupling of artificial intelligence and simulation through surrogate models to reduce computational time and facilitate production workshop configuration and control.
The methodology relies on an AnyLogic discrete-event simulation model of an Airbus Helicopters production workshop. Synthetic datasets are generated from different customer demand scenarios and workshop configurations. Several machine learning algorithms are then trained and compared to predict three performance indicators: Work-in-Progress (WIP), investment, and customer satisfaction based on on-time delivery.
Beyond prediction accuracy, the research examines the reliability of surrogate models. A trust-based approach uses demand profiles and performance thresholds to determine when predictions can be trusted and when additional simulation is needed. Active learning and model adaptation are also explored to address changes in customer demand and production conditions.
The results demonstrate the potential of a hybrid framework that combines the computational speed of surrogate models with the accuracy of discrete-event simulation. This framework enables faster scenario comparisons and provides a basis for reliable decisions on workshop configurations.