Utilisation d’un mode D-Optimal en deux étapes pour sélectionner l’équipement des systèmes de production flexibles

Pourquoi cela compte pour les usines modernes

Partout dans le monde, les industriels s’efforcent d’automatiser leurs lignes de production avec des robots, des machines intelligentes et des systèmes de transport informatisés. Mais combien l’automatisation vaut-elle réellement ? Cet article explore la question dans une usine d’électronique réelle et livre une réponse surprenante : le système le plus performant n’est pas entièrement automatisé, mais soigneusement équilibré entre machines et humains. Grâce à des expériences informatiques et des simulations avancées, les auteurs montrent comment choisir le bon mélange d’équipements pour réduire les gaspillages, accélérer la production et éviter de dépenser excessivement en technologies.

Les usines comme systèmes vivants et flexibles

L’étude se concentre sur un système de production flexible (FMS), où différents types de machines, de robots, d’unités de stockage et de moyens de transport sont tous coordonnés par un ordinateur central. Dans l’entreprise étudiée, deux lignes parallèles fabriquent des produits électriques basse tension et haute tension, chacune traversant cinq étapes principales, de l’inspection à l’arrivée des matières jusqu’à l’emballage final. La direction souhaite que ces lignes réagissent rapidement aux variations des commandes clients, mais doit respecter des limites strictes sur le nombre de machines et d’opérateurs déployables. Plutôt que d’ajouter simplement plus d’automatisation, les chercheurs se demandent : quelle combinaison de ressources automatisées et manuelles offre la meilleure performance globale sous ces contraintes ?

Tester des milliers de scénarios « et si » sur une ligne virtuelle

Au lieu d’expérimenter directement sur le plancher réel, l’équipe construit un modèle informatique détaillé de l’usine à l’aide de la simulation à événements discrets. Cette ligne virtuelle reproduit l’arrivée des pièces, la durée de chaque opération, la fréquence des défauts ainsi que les périodes d’activité ou d’inactivité des machines et des opérateurs. Ils relient ensuite ce modèle à un outil informatique de planification d’expériences qui définit quelles combinaisons d’équipements tester. Un plan « D-Optimal » spécial en deux étapes est utilisé pour couvrir un très large éventail de possibilités avec le moins de simulations possible, tout en respectant une capacité totale fixe de 84 unités de ressources partagées entre équipements automatisés et manuels.

Trouver le point d’équilibre entre personnes et machines

Pour juger si une configuration donnée est bonne ou mauvaise, les auteurs combinent plusieurs mesures pratiques en un seul score. Celles-ci incluent le nombre de produits fabriqués par jour, la durée de séjour des articles dans le système, la quantité d’encours entre les postes, le taux de rebut, l’utilisation des machines et des opérateurs, et le rythme de production. Des responsables de l’entreprise contribuent à attribuer l’importance relative de ces indicateurs via une méthode de comparaison structurée, en donnant un poids supplémentaire à la production rapide de produits conformes et un poids moindre (mais non nul) au maintien faibles des inventaires et des déchets. Chaque configuration simulée reçoit ensuite un score composite reflétant les priorités réelles de l’usine.

Pourquoi l’automatisation totale n’est pas la solution gagnante

Dans la première étape, le plan D-Optimal balaie un large panorama de niveaux d’automatisation, identifiant des régions prometteuses. Dans la seconde étape, la méthode affine l’exploration de ces régions et teste de nombreuses combinaisons d’équipements plus fines. Les résultats montrent un comportement fortement non linéaire : la performance s’améliore lorsque l’automatisation augmente depuis le niveau modeste actuel, atteint un pic lorsque près de 92,8 % des ressources sont automatisées, puis décline à nouveau à l’approche d’une automatisation quasi totale. À ce point optimal, l’usine peut accroître son débit quotidien d’environ deux tiers, réduire les rebuts d’environ 40 %, raccourcir les temps de cycle et de production, et augmenter l’utilisation des équipements, tout en n’augmentant que légèrement la quantité moyenne d’encours dans le système.

Ce que cela signifie pour les décideurs industriels

Le message clé pour un public non spécialiste est simple : « plus d’automatisation » n’est pas automatiquement synonyme de meilleur résultat. Dans cette usine d’électronique réelle, viser l’automatisation complète aurait coûté plus cher tout en offrant de moins bonnes performances globales qu’un mélange soigneusement réglé où une part réduite mais essentielle du travail reste manuelle. La méthode assistée par ordinateur en deux étapes développée ici offre aux managers un moyen pratique de tester des milliers de scénarios « et si » sur un jumeau numérique de leur ligne de production, sous des contraintes réalistes de budget, de personnel et d’équipements. En ajustant les mesures de performance et les contraintes, la même approche peut guider le choix d’équipements dans d’autres secteurs, aidant les usines à trouver leur propre point d’équilibre entre personnes et machines plutôt que de viser aveuglément 100 % d’automatisation.

Citation: Yu, X., Mi, J., Liu, J. et al. Using a two-stage D-Optimal mode to select equipment for flexible manufacturing systems. Sci Rep 16, 11136 (2026). https://doi.org/10.1038/s41598-026-41466-7

Mots-clés: systèmes de production flexibles, optimisation du niveau d’automatisation, simulation à événements discrets, sélection d’équipements, Industrie 4.0