Alahmad Khalaf SMZ0801 PDF

THÈSE DE DOCTORAT
Présentée à
L’UNIVERSITÉ PAUL VERLAINE-METZ

Pour l’obtention du grade de
Docteur de l’Université Paul Verlaine de Metz

Spécialité : Génie Industriel
Par
KHALAF ALAHMAD
Systèmes de contrôle de la qualité de

production :
Méthodologie de Modélisation, de Pilotage et
d'Optimisation des Systèmes de Production
Soutenue le 12 mars 2008 devant le jury composé de :
BERNARD LAGET Professeur à l’Ecole Nationale d’Ingénieurs de Saint Etienne

(Rapporteur)
MOUFID MOUWAKEH Professeur à l'Université d'Alep (Rapporteur)
NOUREDDINE ZERHOUNI Professeur à l'Ecole Nationale Supérieure de Mécanique et des

Microtechniques de Besançon (Examinateur)
PIERRE PADILLA Professeur et Directeur de l'ENIM (Directeur de thèse)
CHRISTIAN CLEMENTZ Professeur à l'ENIM (Co-encadrant)
ALEXANDRE SAVA Maître de Conférences à l’ENIM (Co-encadrant)

A MA FAMILLE
Remerciements
Le travail de thèse présenté dans ce mémoire a été effectué à l’ENIM (Ecole National
d'ingénieur de Metz) et au LGIPM (Laboratoire de Génie Industriel et Production Mécanique)
dans l’équipe SdP (Systèmes de Production) à l’Université Paul Velraine-Metz.
Je tiens à traduire ma respectueuse reconnaissance à mon directeur de thèse, Monsieur

directeur d'enim le Professeur P. PADILLA, de m’avoir accueilli au sein de son équipe de
recherche et d’avoir accepté de diriger ce travail. Qu’il soit remercié en premier pour sa
grande disponibilité, son suivi continu, ses conseils constructifs et la qualité de ses idées qui
m’ont permis d’atteindre la finalité de ce travail.
J’exprime toute ma gratitude à mon Co-encadrant de thèse M. C. CLEMENTZ, pour son aide,
sa compréhension, sa gentillesse et sa compétence qu’elle m’a témoignées tout au long de ces
années.
Aussi, j’exprime toute ma gratitude à mon Co-encadrant de thèse M. A. SAVA, pour son aide,
sa compréhension, sa gentillesse et sa compétence qu’elle m’a témoignées tout au long de ces
années.
Ma gratitude et mes remerciements vont ensuite aux membres du jury qui ont bien voulu me
faire l’honneur de participer à ce jury :
z M. Bernard LAGET, Professeur, Ecole Nationale d’Ingénieurs de Saint Etienne, Rue

Jean Parot, 42023 Saint Etienne, France.
z M. Moufid MOUWAKEH, Professeur, Université d’Alep, Faculté de Génie
Mécanique, Alep, Syrie.
z M. Noureddine ZERHOUNI, Professeur, Ecole Nationale Supérieure de Mécanique et
des Microtechniques de Besançon, chemin de l’Epitaphe, 25030 Besançon, France.
J’adresse mes remerciements le plus chaleureux aux membres de l’équipe de SDP pour leur
sympathie et leur convivialité.
C’est le moment aussi de dire un grand merci à tous ceux qui m’ont aidé pour que je puisse
réaliser mes études supérieures par leurs encouragements. Je cite surtout ma mère, mes sœurs,
et tous mes amis. J’exprime mes plus sincères gratitudes à toutes ces personnes : vous étiez
toujours présents ici, malgré la distance, avec votre humour, votre charme et votre chaleur.
Enfin un remerciement très particulier à celui donné le courage pour surmonter les moments
difficiles durant cette thèse, pour son soutien et sa confiance à ma femme et mes enfants.
Encore une fois, merci à toutes et à tous
6
Table des Matières
Table de Matières
INTRODUCTION GENERALE .................................................................................................. 15

CHAPITRE I ........................................................................................................................... 21
Système de production & Contrôle de la qualité.............................................................. 21
I.1 Qualité ......................................................................................................................... 23
I.2 Système de management de la qualité ........................................................................ 25
I.3 Approche Processus .................................................................................................... 27
I.3.1 Vision hiérarchique et vision processus .............................................................. 29
I.4 Système de production ................................................................................................ 30
I.5 Problématique ............................................................................................................. 32
I.6 Modélisation du système de production...................................................................... 34
I.7 Optimisation du système de production...................................................................... 35
I.7.1 Méthodes d'optimisation exactes......................................................................... 38
I.7.1.1 Méthodes analytiques .................................................................................. 38
I.7.1.2 Méthodes algorithmiques............................................................................. 38
I.7.2 Méthodes d'optimisation heuristiques ou méta-heuristiques............................... 40
I.7.2.1 Méthodes de recherche locale définies par un voisinage ............................ 40
I.7.2.1.1 Algorithme du Grimpeur (ou de la descente stochastique)..................... 40
I.7.2.1.2 Algorithme de la plus grande pente ........................................................ 41
I.7.2.2 Méthodes d'exploration aléatoire................................................................. 42
I.7.2.3 Méthodes méta-heuristiques ........................................................................ 43
I.7.2.3.1 Méthode TABOU.................................................................................... 43
I.7.2.3.2 Recuit Simulé.......................................................................................... 43
I.8 Conclusion................................................................................................................... 46
CHAPITRE II.......................................................................................................................... 47
Approche de mise en place et modélisation d'un système de management de la
qualité ................................................................................................................................... 47
II.1 Mise en place d’un système de management de la qualité ........................................ 49
II.2 Description de l'entreprise ......................................................................................... 51
II.2.1 Objectif du service maintenance ........................................................................ 52
II.2.2 Ressources du service maintenance ................................................................... 52
II.2.3 Indicateurs de maintenance ................................................................................ 53
II.3 Application de la méthode de mise en place de système de management de la
qualité ............................................................................................................................... 53
II.4 Approche formelle ..................................................................................................... 61
II.4.1 Famille d'IDEF ................................................................................................... 61
II.4.1.1 IDEF0/SADT.............................................................................................. 62
II.4.1.2 IDEF3 ......................................................................................................... 66
7
Table des Matières
II.5 Modèle SADT du service de maintenance ................................................................ 68

II.6 Modèle IDEF3 ........................................................................................................... 73
II.7 Conclusion ................................................................................................................. 73
CHAPITRE III ........................................................................................................................ 77
Du SADT aux réseaux de Petri .......................................................................................... 77
III.1 L'outil réseaux de Petri ............................................................................................. 79
III.1.1 Quelques définitions d'un RdP.......................................................................... 80
III.1.2 RdP Temporisés................................................................................................ 82
III.1.3 RdP stochastique............................................................................................... 83
III.2 Passage du IDEF0/SADT aux réseaux de Petri........................................................ 84
III.3 Application ............................................................................................................... 91
III.4 SADT temporel ........................................................................................................ 97
III.5 Comparaison............................................................................................................. 103
III.6 Conclusion................................................................................................................ 104
CHAPITRE IV ........................................................................................................................ 107
Optimisation des ressources ............................................................................................... 107
IV.1 Optimisation de ressources....................................................................................... 109
IV.2 Méthode d'optimisation de ressources proposée ...................................................... 112
IV.3 Application ............................................................................................................... 115
IV.3.1 Modèle SADT................................................................................................... 117
IV.3.2 Modèle réseau de Petri ..................................................................................... 118
IV.3.3 Résultats numériques........................................................................................ 121
IV.3.3.1 Résultats obtenus par le Recuit simulé ..................................................... 124
IV.3.3.2 Méthode proposée..................................................................................... 125
IV.4 Conclusion................................................................................................................ 126
CHAPITRE V .......................................................................................................................... 129
Analyse de différentes politiques de contrôle de la qualité ............................................. 129
V.1 Politiques de contrôle ................................................................................................ 131
V.2 Méthode utilisée ........................................................................................................ 132
V.2.1 Contrôle par échantillonnage et opérateurs polyvalents (scénario 1)................ 132
V.2.2 Contrôle avec régleur (scénario 2)..................................................................... 136
V.2.3 Contrôle par lot (scénario 3) .............................................................................. 137
V.3 Méthode d'optimisation ............................................................................................. 139
V.4 Résultats numériques................................................................................................. 140
V.5 Comparaison .............................................................................................................. 146
V.6 Conclusion ................................................................................................................. 148
CONCLUSION GENERALE ...................................................................................................... 151
REFERENCES BIBLIOGRAPHIQUES ....................................................................................... 155
ANNEXE 1 .............................................................................................................................. 167
Etapes de création de modèle SADT ................................................................................. 167
8
Table des Matières
ANNEXE 2 .............................................................................................................................. 179

Tableaux de calcule de la méthode d'optimisation........................................................... 179
9
Liste de Tableaux
Liste de Tableaux
Tableau I.1. But de système de management de la qualité [Heitz, 03] .................................... 26
Tableau III.1. Eléments de SADT et leurs équivalents de RdP selon [Santarek, 97] .............. 87
Tableau III.2. Règles pour faire le passage de SADT vers RdP .............................................. 90
Tableau III.3. Description les abréviations du diagramme A0 ................................................ 92
Tableau III.6. Comportement des activités dans le diagramme A0 du modèle SADT .......... 100
Tableau IV.1. Comparaison entre les deux méthodes............................................................ 126
Tableau V.1. Résultats de simulation de scénario 1............................................................... 141

Tableau V.4. Comparaison entre les scénarios ...................................................................... 148
11
Liste de Figures
Liste de Figures
Figure I.1. Système de management de la qualité [Pillet, 01a]................................................ 27
Figure I.2. Principaux éléments d’un processus [Mitonneau, 04]............................................ 28
Figure I.3. Liens entre processus, procédure, produit et client [Mitonneau, 04] ..................... 28
Figure I.4. Entreprise et vision verticale (vision hiérarchique)................................................ 29
Figure I.5. Entreprise et la vision horizontale (vision processus)............................................ 30
Figure I.6. Modèle conceptuel de production [Clementz, 00] ................................................. 31
Figure I.7. Notre méthodologie ................................................................................................ 33
Figure I.8. Optimisation et simulation [Castagna, 04] ............................................................. 36
Figure II.1. Principe du pilotage par la quallité ....................................................................... 51

Figure II.2. Architecture d'une centrale thermique .................................................................. 52
Figure II.3. Schéma du processus de maintenance................................................................... 54
Figure II.4. Fonctionnement du processus de maintenance dans une centrale thermique ....... 54
Figure II.5. Schéma de fonctionnement du processus d'achat ................................................. 55
Figure II.6. Modèle explicatif et global de la compétence [Harzallah, 00] ............................. 56
Figure II.7. Digramme cause-effet du service de maintenance dans une centrale thermique.. 58
Figure II.8. Risques et leurs contraintes................................................................................... 59
Figure II.9. Planifications des améliorations proposées........................................................... 60
Figure II.10. Principe de la méthode SADT............................................................................. 63
Figure II.11. Modèle SADT avec des points de vue ................................................................ 64
Figure II.12. Actigramme et datagramme du modèle SADT ................................................... 65
Figure II.13. Méta-modèle de IDEF3 [Maye, 95] .................................................................... 67
Figure II.14. Modèle SADT de centrale thermique - Diagramme A-0 .................................... 69
Figure II.15. Modèle SADT de centrale thermique - Diagramme A0 ..................................... 69
Figure II.20. Modèle IDEF3 du diagramme A2....................................................................... 73
Figure II.21. SADT et Principe PDCA .................................................................................... 75
Figure III.1.Transition de puit et de source.............................................................................. 82

Figure III.2. RdP temporisé...................................................................................................... 83
Figure III.3. RdP stochastique.................................................................................................. 84
Figure III.4. Représentation d'une tâche .................................................................................. 85
Figure III.5. Flèches de synchronisation .................................................................................. 86
Figure III.6. Modélisation des ressources partagées ................................................................ 87
Figure III.7. Diagrammes SADT et les RdP équivalents selon [Santarek, 97] ........................ 88
13
Liste de Figures
Figure III.8. Modéle SADT - diagramme A0........................................................................... 91

Figure III.9. Exemple de ramification d'interfaces................................................................... 93
Figure III.10. Exemple de regroupement d'interfaces .............................................................. 93
Figure III.11. Contôle externe .................................................................................................. 94
Figure III.12. RdP équivalent de diagramme A0 ..................................................................... 94
Figure III.15. Règles de visualisation des types de flèches [Zaytoon, 93]............................... 98
Figure III.16. Règles de représentation graphique de comportement des activités ................. 99
Figure III.17. Modèle SADT temporel - diagramme A0 ....................................................... 100
Figure III.20. Comportement entre les activités..................................................................... 103
Figure III.21. SADT temporel et l'outil SADT - RdP ensemble ............................................ 104
Figure IV.1. Ligne de fabrication........................................................................................... 116

Figure IV.2. Ligne de fabrication avec les effets de réglage et partage de ressources .......... 116
Figure IV.3. Modèle SADT.................................................................................................... 117
Figure IV.4. Modèle SADT - Effets de réglages.................................................................... 118
Figure IV.5. Modèle RdP – processus de deux machines sans réglage ................................. 119
Figure IV.6. Modèle RdP – avec les réglages ........................................................................ 120
Figure IV.7 Algorithme de simulation de la solution ............................................................ 123
Figure IV.8. Optimisation de ressources - Recuit simulé ...................................................... 124
Figure IV.9. Optimisation de ressources - Notre méthode..................................................... 125
Figure V.1. Contrôle par échantillonnage et ressources polyvalentes ................................... 133

Figure V.2. Organigramme de simulation de RdP corresspondant au scérnario 1 ................ 135
Figure V.3. Contrôle avec régleur.......................................................................................... 136
Figure V.4. Contrôle par lot ................................................................................................... 137
Figure V.5. Organigramme de simulation de RdP corresspondant au scérnario 3 ................ 138
Figure V.6. Evolution de productivité dans le scénario 1 ...................................................... 140
Figure V.7. Changement de ratio de blocage dans le scénario 1 ........................................... 141
Figure V.8. Evolution de productivité dans le scénario 2 ...................................................... 142
Figure V.9. Changement de ratio de blocage dans le scénario 2 ........................................... 143
Figure V.10. Changement de ratio de réglage dans le scénario 3 .......................................... 144
Figure V.11. Changement de ratio de blocage dans le scénario 3 ......................................... 145
Figure V.12. Comparaison la producitvité entre les différentes scénarios ............................ 146
Figure V.13. Comapraison le ratio de temps de blocage entre les différentes scénarios....... 147
Figure V.14. Comparaison de ratio de temps de réglage entre les différentes scénarios....... 148
14
INTRODUCTION GENERALE
Introduction Générale
16
La qualité est devenue un outil de management et un critère de choix essentiel dans les
entreprises qui doivent faire face à une concurrence de plus en plus forte. Le concept de la
qualité a évolué en étroite liaison avec l’environnement économique et l’organisation de
l’entreprise. Ainsi au début du XXème siècle, la qualité était assimilée à la conformité aux
spécifications. La mise en place d’un système qualité reposait exclusivement sur le contrôle
unitaire de la production. Ensuite, l’augmentation de la taille des entreprises et du volume de
la production a rendu cette pratique trop onéreuse. Le contrôle statistique par échantillonnage,
défini et promu par Shewhart se développe. Après la Seconde Guerre mondiale, se
développent des secteurs industriels tels que le l’aérospatiale et le nucléaire où les
conséquences d’un défaut peuvent êtres tellement importantes que l’engagement de la
responsabilité du fabriquant ne suffit plus pour couvrir les dégâts. Dans ce cas est apparue la
nécessité d’assurer les clients et de garantir à priori que le fabricant maîtrise la fabrication du
produit : l’assurance de la qualité fait ses premiers pas.
Les évolutions dans les entreprises se succèderont. Elles naissent d’abord au Japon,
car c’est un pays très touché par la guerre et qui ne dispose pas de richesses naturelles. Par
conséquent, les entreprises japonaises ont dû mettre au point des techniques efficaces pour
limiter le gaspillage. Elles adoptent les concepts développés par des ingénieurs comme
Deming, Juran et Feigembaun et la qualité devient la préoccupation principale des japonais.
C’est l’adoption de cette stratégie qui permet à ces entreprises de se positionner
favorablement sur les marchés internationaux.
En Europe, après la guerre, les concepts liés au contrôle de la qualité et à l’assurance
de la qualité prennent un peu de retard par rapport au Japon. Cette situation est due
principalement à l’abondance des ressources naturelles, ainsi qu’à un marché caractérisé par
une concurrence très faible. Ce n’est qu’après le premier choc pétrolier dans les années 1970
et le développement de la concurrence que les entreprises prennent conscience de
l’importance des techniques qualité pour le développement et la pérennité de leurs activités. Il
s’en suite que des normes ont étés définis pour faciliter la collaboration entre les entreprises et
pour les aider à mettre en place des structures d’organisations adaptées aux nouvelles
exigences du marché.
Le contrôle de la qualité dans l'industrie fait appel à des techniques scientifiques pour
mesurer l’adéquation d'un produit ou d'un service aux exigences des clients et pour permettre
à une organisation de fournir de façon économique le produit ou le service approprié. Les
17
techniques utilisées varient d'un produit et d'un service à l'autre, mais les principes de base
restent les mêmes : connaître les exigences des clients, vérifier que ces exigences sont
atteintes et apporter les améliorations ou les corrections qui s'imposent.
Le sujet de la thèse porte sur les systèmes de contrôle de la qualité de production. Son
objectif est de proposer une méthodologie pour la mise en place d’un système de management
de la qualité, qui permet d’utiliser au mieux les ressources matérielles, humaines et
financières disponibles pour maximiser les performances du système de production.
La base de tout système de management de la qualité est la satisfaction des besoins du
client. Ainsi, notre méthodologie commence par déterminer les objectifs attendus. Ensuite,
nous utilisons une approche formelle basée sur l'analyse de l'entreprise et la compréhension
les différentes tâches à effectuer, ainsi que les contraintes liées aux ressources disponibles
(budget, ressources humaines et équipement), à la productivité et à la politique qualité de
l'entreprise. Cette analyse est basée sur les outils de la famille IDEF, notamment le modèle
SADT qui permettent d’obtenir une représentation fonctionnelle claire et intuitive du système
étudié. Ce modèle ne permet pas une analyse du comportement dynamique. Pour palier à ce
problème nous construisons un modèle dynamique basé sur l’outil réseaux de Petri. Ce
modèle permet l’analyse des propriétés tels que la vivacité. De même, on s’appuie sur ce
modèle pour développer une méthode d’allocation des ressources dans un système de
production avec prise en compte des ressources non renouvelables comme par exemple les
ressources financières.
Le mémoire est organisé en cinq chapitres :

Dans le premier chapitre, nous présentons le contexte et la motivation de nos travaux
de recherche. Ainsi, nous rappelons les notions importantes de la qualité liées à notre travail.
Nous détaillons les principes de système de management de la qualité parce que dans notre
synthèse, le système de management de la qualité est un élément indispensable pour créer
cette dynamique de progrès dans l’entreprise et pour contrôler et piloter l’entreprise par la
qualité. Ensuite nous proposons un état de l’art des approches existantes dans la littérature qui
traitent des problématiques proches de celles abordées dans ce mémoire.
Dans le deuxième chapitre, nous proposons une approche de mise en place et

modélisation d'un système de management de la qualité. Dans le premier temps, nous
expliquons étape par étape l’approche que nous proposons pour la mise en place d'un système
de management de la qualité. Pour illustrer cette approche nous étudions son application dans
le service de maintenance d’une centrale thermique.
18
Cependant, pour atteindre notre objectif nous avons besoin d’une représentation
formelle d’un système de management de la qualité susceptible de nous permettre l’analyse
de ses propriétés. Nous nous intéressons tout d’abord à vérifier la cohérence fonctionnelle du
modèle. Par conséquent nous étudions les avantages et les inconvénients des outils de la
famille IDEF, notamment, IDEF0 et IDEF3.
Nous complétons l'approche formelle dans le troisième chapitre par l’introduction

d’une méthode pour analyser le comportement dynamique du système. Cette méthode est
basée sur la construction d’un modèle de réseau de Petri à partir du modèle SADT du système
étudié. Ensuite, les propriétés dynamiques sont évaluées à partir du modèle de réseau de Petri.
Dans ce chapitre, nous commençons par une brève introduction de l’outil réseaux de Petri
(RdP). Ensuite, nous développons l’algorithme de passage de l’IDEF0/SADT aux RdP. Nous
proposons également une deuxième méthode pour la modélisation du comportement
dynamique basée sur l’outil SADT temporel. Nous clôturons le chapitre par une comparaison
des deux méthodes et la justification de notre choix.
Le chapitre quatre traite le problème d’optimisation des ressources dans un système de

contrôle de la qualité de la production. L’objectif est de déterminer une affectation des
ressources qui permet de maximiser les performances de l’entreprise pour un budget donnée.
Dans un premier temps nous rappelons les méthodes existantes dans la littérature et nous
analysons leur adéquation à notre problème. Ensuite nous présentons notre algorithme et
nous le validons sur un exemple numérique.
Dans le dernier chapitre nous appliquons notre approche pour évaluer différentes
politiques de contrôle de la qualité pour un système de production composé de ressources
réutilisables et des ressources consommables. Les ressources réutilisables sont représentées
par les machines, les opérateurs et les régleurs, tandis que les ressources consommables sont
représentées par le budget de développement. Les machines peuvent être réutilisées pour
effectuer plusieurs taches, alors que l’argent une fois dépensé, ne peut plus être réutilisé.
Nous concluons avec une présentation synthétique de notre contribution et nous citons
les directions de recherche future ouvertes par les travaux présentés dans ce mémoire.
19
CHAPITRE I
Système de production & Contrôle de la qualité
Chapitre I Système de production & Contrôle de la qualité
22
Chapitre I
Système de production & Contrôle de la qualité
Les buts de ce chapitre sont multiples. Dans un premier temps, nous rappelons
quelques principes de la qualité, les outils de la qualité et du système de mangement de la
qualité.
Ensuite, nous présentons la problématique de notre thèse. Puis, nous expliquons la
notion de système de production et l'approche processus parce que notre méthodologie est
basée sur ces deux notions.
Enfin, nous abordons le problème d'optimisation et quelques méthodes d'optimisation.
I.1 Qualité
Actuellement, la qualité est devenue un outil de management et un critère de choix
essentiel des les entreprises pour les échanges commerciaux. Le souci de chaque entreprise
est d'avoir en permanence l’amélioration de sa productivité et sa compétitivité. Dans notre
synthèse, le système de management de la qualité est un élément indispensable pour créer
cette dynamique de progrès dans l’entreprise et pour contrôler l’entreprise par la qualité,
parce qu’il existe un lien fort entre la qualité et la productivité et le suivi de production car
l’utilisation de la qualité comme un outil de management nous aide à accroître la productivité
de l’entreprise, en même temps, l’utilisation les outils de la qualité nous aide à suivre et à
améliorer la production.
Avant d'aller plus loin, nous allons rappeler la définition de la qualité et les huit
dimensions de la qualité.
Tout d'abord, nous allons commencer avec la définition de la qualité, en fait, il existe
de nombreuses définition liées au type de produit proposé (matériel ou immatériel), aux
utilisateurs auxquels il est destiné, à la satisfaction des besoins de ceux-ci et au coût de la
qualité.
En conséquence, la définition de la qualité dépend du point de vue où l’on se place
[Heitz, 03] :
Pour un client ou un utilisateur : la qualité c’est l’aptitude d’un produit ou d’un service
à satisfaire les besoin de ses utilisateurs (NF-X-50-109).
Pour la production : la qualité d’un produit réside dans son aptitude à produire au
moindre coût des produits satisfaisant les besoins de leur utilisateurs. En sachant qu’un
23
produit est le résultat d’une activité : produits manufacturés, produits issus de processus
continus, logiciels, services.
Pour l’entreprise ou une organisation : la qualité consiste en la mise en œuvre d’une
politique qui tend à la mobilisation permanente de tout son personnel pour améliorer :
9 La qualité de ses produits et services ;
9 L'efficacité de son fonctionnement ;
9 La pertinence de la cohérence de ses objectifs, en relation avec l’évolution de
son environnement.
Pour la société : la qualité d’une entreprise (liée à celle de sa politique ou de son
projet), tient essentiellement à sa capacité d’innover, de créer de la valeur ajoutée (sur le plan
matériel, comme sur celui des connaissances, des valeurs…) et à la partager au mieux entre
les parties prenantes (clients, fournisseurs, employés et actionnaires, et la société en tant que
communauté sociale) en respectant ou protégeant l’environnement physique (J.Chové). Mais
selon Taguichi, la qualité est la perte qu’un produit, une fois expédié, cause à la société, en
dehors des pertes dues à ses fonctions intrinsèques.
Maintenant, nous rappelons les huit dimensions de la qualité [Tarondeau, 96] :
La performance, qui est un attribut mesurable et observable par lequel se définit la
qualité d’un produit ou d’un service ;
Les caractéristiques secondaires, contribuent à la satisfaction du client ;
La fiabilité se mesure par la probabilité de mauvais fonctionnement ou de défaillance,
elle est essentielle pour les équipements dont la sécurité de fonctionnement est un attribut
important ;
La conformité d’un produit ou d’un service traduit son respect des spécifications,
normes ou standards qui le définissent. Elle garantit la régularité et l’homogénéité de la
qualité produite ;
La longévité est la durée d’usage d’un produit avant sa dégradation par usure ou
rupture ;
Les services associés à un produit ajoutent de la qualité à l’offre de produits,
L’esthétique nous aide à définir la qualité de nombreux produits ou services comme la
forme, la couleur, le goût, l’odeur, etc.
La perception de la qualité, c’est la manière dont se forme la perception de la qualité
qu’il faut comprendre pour agir judicieusement sur la qualité.
On n'oublie pas de distinguer entre les, deux parties de la qualité [Louchner, 92] :
La qualité de la conception : concerne les activités visant à assurer que les produits et
services nouveaux ou modifiés sont conçus pour répondre aux besoins et aux attentes des
24
clients et qu'ils sont économiquement réalisables. Ce type de qualité est principalement la

responsabilité des départements R&D, Ingénierie des Processus, Etudes de Marché et des
services connexes, Bureau des études.
La qualité de conformité : signifie fabriquer des produits ou fournir des services
répondant à des spécifications préalablement établies et clairement définies. Les départements
Production, programmation, Achats et Expédition sont essentiellement concernés par cette
qualité. Il appartient aux dirigeants de veiller à ce que les hommes aient la formation, les
outils et les ressources nécessaires pour accomplir leur travail, et qu'ils aient la possibilité de
participer aux processus de contrôle et d'amélioration de la qualité.
Selon le développement du concept de la qualité, nous pouvons déterminer trois
grandes modes de la gestion de la qualité [Messeghem, 99] [Mederios, 98] :
9 L’inspection qualité qui a marqué le début du siècle ;
9 Le contrôle qualité qui s’est imposé à partir des années 30 ;
9 L’assurance de la qualité qui est apparue au cours des années 50 ;
9 La qualité totale qui est né dans les années 70.
I.2 Système de management de la qualité

D’une part, un système de qualité contient une organisation, des responsabilités, des
procédures et processus et les moyens nécessaires pour maîtriser la qualité. D’autre part, le
système de management de la qualité implique une planification de la qualité, la maîtrise de la
qualité, le bon fonctionnement du système assurance de la qualité et un programme
d'amélioration de la qualité [Clavier, 97].
Comme dans la définition de la qualité, nous pouvons voir plusieurs considérations du
système de management de la qualité.
Selon Ségot et Gasquet, le système de management de la qualité est l’élément du
management de l’organisme qui se concentre sur l’obtention des résultats, en s’appuyant sur
les objectifs qualité, pour satisfaire selon le cas les besoins, attentes ou exigences des parties
intéressées [Ségot, 01].
Le système de management de la qualité doit garantir l'atteinte systématique des
objectifs qualité définis, de plus, il doit accroître la satisfaction relative aux prestations
produites et aux modes de fonctionnement de l'organisme [IRDQ, 03].
Cependant, il faut distinguer entre SMQ et le management de la qualité, selon ISO
9000/2000 le management de la qualité est l'ensemble des activités cordonnées permettant
d’orienter et de contrôler un organisme en matière de qualité [Afnor, 02], alors que le système
25
de management de la qualité englobe l'assurance de la qualité, l'amélioration de la qualité, le

contrôle statistique de la qualité et le contrôle unitaire [Joucla, 00].
De plus, Massacre et Dagusié nous donnent une classification intéressante du système
de management de la qualité [Massacre, 03] :
Le type directif qui résulte généralement d’un mode de management où la qualité a été
imposée ;
Le type participatif qui tient plus la qualité démocratique, constructive mais fragile
devant d’éventuels coups de poings ;
Le type technique basé sur une maîtrise solide d’outils statistiques (comme MSP).
Un système de production est toujours accompagné d’un système de management de
la qualité qui a pour mission la planification, la maîtrise, l’assurance et l’amélioration de la
qualité. Le Tableau I.1 résume le but de système de management de la qualité.
« Partie du management de la qualité…
Planification de la qualité …axée sur la définition des objectifs qualité et la spécification
des processus opérationnels et des ressources afférentes,
nécessaires pour atteindre les objectifs qualité. »
Maîtrise de la qualité ….axée sur la satisfaction des exigences pour la qualité. »
Assurance de la qualité ….visant à donner confiance en ce que les exigences pour la
qualité seront satisfaites. »
Amélioration de la qualité ….axée sur l’accroissement de la capacité à satisfaire aux
exigences pour la qualité. »
Tableau I.1. But de système de management de la qualité [Heitz, 03]
Schématiquement, le système de management de la qualité peut se présenter comme

dans la Figure I.1.
Les travaux présentés dans [Larsen, 01] proposent une analyse des raisons possibles
du succès de la norme ISO 9000/2000. Ils confirment qu’avec cette version de la norme, nous
passons d’un système de qualité à un système de management de la qualité.
Cependant, le système de management de la qualité réalise son but s'il [Krestel, 00] :
Rend les actions plus transparentes et compréhensibles ;
Soutient le personnel par des règlements clairs et non ambigus ;
Augmente la satisfaction de client en évitant les erreurs.
26
Politique Qualité
PLANIFICATION
Plan Qualité
Qualité
-Maîtrise de la qualité Qualité
demandée
-Assurance de la qualité réalisée
par le
-Amélioration de la qualité
marché
Audit internes
Qualité perçue &
en interne Outils de la qualité
Qualité perçue par Audits

les clients et enquête clients
Figure I.1. Système de management de la qualité [Pillet, 01a]
I.3 Approche Processus

Dans la littérature, nous remarquons que plusieurs définitions sont présentées pour la
notion du processus. Selon le point de vue de la qualité :
La norme ISO 8042 définit un processus comme un ensemble de moyens et d’activités
liés, qui transforment des éléments entrants en éléments sortants (ces moyens pouvant inclure
le personnel, les installations, les équipements, les techniques et les méthodes.) [Afnor, 92].
Selon ISO 9000, chaque organisation existe pour améliorer un travail. Le travail est
accompli à travers un réseau de processus. Chaque processus a des entrées et des sorties qui
sont les résultats du processus. La structure du réseau n’est pas toujours une structure
séquentielle simple, mais complexe [Mathieu, 00].
La version 2000 de ISO 9000 définit un processus comme un ensemble d’activités
corrélées ou interactives qui transforme des éléments d’entrée en éléments de sortie [Mathieu,
00].
En plus, il faut bien comprendre les trois éléments liés à la notion du processus (selon
ISO 9000) [Mitonneau, 04] :
Produit : Résultat d’un processus.
Client : Organisme ou personne qui reçoit un produit.
Procédure : Manière spécifiée d’accomplir une activités ou un processus.
27
Nous proposons les deux schémas la Figure I.2 et la Figure I.3, pour mieux
comprendre les principaux éléments d’un processus et les liens entre processus, procédure,
produit et client.
Processus Entrants
amont
Sortants
Produits
Activités Client
Services
Résultats
Ressources
Figure I.2. Principaux éléments d’un processus [Mitonneau, 04]
Sortants
Processus Produits
Entrants Client
amont Services
Résultats
Activités Procédure
Ressources
Processus
Figure I.3. Liens entre processus, procédure, produit et client [Mitonneau, 04]
Il y a deux grandes catégories de processus [Cattan, 03] :

Ceux qui constituent des fondements même de l’entreprise et que l’on pourrait
qualifier de processus principaux, par exemple :
9 Pour une entreprise de fabrication : les processus de conception, de réalisation,
d’exploitation, de maintenance, etc.
9 Pour une entreprise de service : les processus de validation du service, d’après-
vente, etc.
28
Ceux qui, étant une déclinaison des précédents, correspondent de façon plus concrète
au vécu et aux préoccupations de chacun. On peut les qualifier de « simple » eu égard au
faible nombre de fonctions et de tâches impliquées, par exemple :
9 Pour une entreprise de fabrication : le processus d’usinage peut se décomposé
en processus de préparation de la machine (programmation, montage des outils,
..), les contrôles dimensionnels.
9 Pour une entreprise de service : le processus de service après-vente pourrait se
décomposer en processus de planification de l’intervention, de mise à
disposition du personnel compétent.
L'approche processus présente en effet l'avantage de favoriser la communication entre
les différents acteurs de l'entreprise [Megartsi, 01]. De plus, nous indiquons que l'approche
processus applique dans plusieurs spécialités telles que l'évaluation des performances [Guio,
97] [Ducq, 01], la modélisation d'entreprise [Vernadat, 99] [Williams, 98], la conduite des
systèmes de production [Grabot, 96], l'amélioration de la qualité [Cattan, 03].
I.3.1 Vision hiérarchique et vision processus

Nous avons toujours besoin d’une approche par processus parce que la vision
hiérarchique (verticale) ne permet pas à l’entreprise d’être dirigée et pilotée efficacement. La
Figure I.4 montre que la vision verticale au sein d’entreprise est indispensable car elle permet
de savoir « qui fait quoi ». Par contre, pour mieux gérer l’entreprise il faut avoir une vision
horizontale, c'est-à-dire une approche par processus comme dans la Figure I.5.
Secteur d’entreprise Ministère

Indicateurs
Objectifs
Entreprise
Le directeur général + les vice-directeurs
Objectifs
Chef des travaux électriques Chef des travaux mécaniques Bureaux administratifs
Contrôleurs Bureau d’achat Autres
Maintenance électrique Maintenance mécanique

Groupe de
Groupe de
l’urgence
Indicateurs
Les différentes équipes Les différentes équipes

de la maintenance de la maintenance
électrique mécanique
Figure I.4. Entreprise et vision verticale (vision hiérarchique)
29
Indicateurs
Objectifs
Entreprise
Objectifs
Chef des travaux électriques Chef des travaux mécaniques
planification et développement du processus
Satisfaction des clients

Exigences des clients
Contrôleurs Bureaux administratifs
Autres processus
Bureau d’achat Autres
Groupe de de
Groupe de de
l’urgence
l’urgence
Réalisation et assurance du processus
Indicateurs
Groupe
Groupe
Les différentes
équipes de la
Figure I.5. Entreprise et la vision horizontale (vision processus)
De plus, toute satisfaction des clients est réalisée au travers des processus
opérationnels (Figure I.5). Il faut insister sur le fait que nous ayons besoin les deux visions
verticales et horizontales pour aider le manager à définir une stratégie d’entreprise [Frecher,
03] [Anis, 04].
I.4 Système de production

Il est difficile de donner une définition précise des domaines que recouvre la
production tant cette fonction varie d'une entreprise à l'autre [Clementz, 00]. Le modèle
conceptuel du système de production présente deux sous-systèmes distincts: un système
physique de production et un système de conduite de production [Doumeingts, 83]. Le
système physique est alors composé de deux unités d'organisation : l'unité
d'approvisionnement et l'unité de fabrication. Le système de conduite est constitué d'un
système de décision et d'un système de pilotage. Ce modèle a présenté dans la Figure I.6.
La compétition mondiale s'intensifie depuis le début des années 1990. Elle nécessite
désormais des systèmes de production capables non seulement de réagir en temps réel à la
demande mais aussi, si possible, de devancer les désirs des clients. Le but est la satisfaction
des clients. Dans ce domaine, [Proth, 06] définit chaque système de production se focalisant
sur la compétitivité, c'est-à-dire sur la satisfaction du client et l'adaptabilité aux évolutions de
30
la demande, comme des systèmes de production modernes. De plus, dans le même ouvrage de
Proth, on différencie le système de fabrication et le système de production. Ici, le système de
fabrication est l'ensemble des ressources requises pour fabriquer un produit ou un ensemble
donné de produits, mais le système de production est l'ensemble des moyens déployés pour
satisfaire un client, depuis l'enregistrement d'une commande jusqu'à sa livraison et
l'encaissement de la facture correspondante.
Objectifs généraux
Informations
commerciales Système de conduite de
production
Informations
Ordres de conduite sur le
système
Matières
premières Système physique de production Produits
Approvisionnement Fabrication
Figure I.6. Modèle conceptuel de production [Clementz, 00]
La ressource est une entité qui permet de modifier l'état d'un produit, d'effectuer des
mesures sur ce produit, de le manipuler ou de le tester. Par conséquent, les employés, les
machines, les centres d'usinage, les outils, les chariots, les stockeurs, les appareils de mesures,
etc. sont des ressources.
Alors, nous pouvons marquer l'évolution de la notion de système de production. Dans
les années 80 le système de production est constitué deux parties : une partie pour le contrôle
et le pilotage, et une deuxième pour la transformation (fabrication). Au contraire,
actuellement, le système de production inclut l'étude de marché, l'achat de la matière première
et des composants, la formation, la fabrication, le conditionnement des produits finis, leur
livraison, le service après vente. Pour cela, les chercheurs l'appellent système de production
modern.
De plus, [Senechal, 04] a considéré que le système de production comme étant une
catégorie particulière de système :
Constitué par un ensemble de ressources humaines, techniques et financières ;
Placé dans un environnement naturel, économique, social et politique ;
31
Fonctionnant pour sa propre pérennité, pour le bien de ses membres, de ses utilisateurs
et de la société en général ;
Réalisant des produits matériels (biens) ou immatériels (services) ;
Mettant en oeuvre différents processus (de conception, de production, de gestion, de
commercialisation,…) ;
et dont la composition (équipements, effectifs, …), l'organisation, et les activités
(innovations, externalisations,…) évoluent.
Cet auteur a proposé la méthode SADT et la méthode GRAI pour la formalisation des
processus et des activités.
I.5 Problématique
Face à l'actuel contexte économique et social, la majorité des entreprises industrielles
se trouve confrontée aux problèmes de l'augmentation de la productivité, de l'adaptation aux
variations de la demande, du respect des délais et du contrôle et de l'amélioration de la
qualité.
Notre objectif est de mettre une méthodologie de la modélisation et pilotage du
système de production pour répondre à tous les défis du système de production moderne.
Nous pouvons réaliser notre méthodologie grâce à une approche formelle pour le
déploiement et le pilotage de système de production à l'aide du système de management de la
qualité et aux outils de modélisation (IDEF0, IDEF3, RdP,….etc.). S'il n'existe pas un SMQ,
on propose une démarche contenant dix étapes pour la mise en place d’un tel système
management de la qualité : 1) précision de la politique qualité et des objectifs qualité dans
l’entreprise ; 2) détermination des processus critiques par rapport aux objectifs qualité ; 3)
détermination de l’efficacité de chaque processus choisi et recherche des possibilités
d’amélioration ; 4) détermination des moyens permettant de réduire le nombre de pannes et
des non conformités ; 5) détermination des risques et choix des améliorations qui peuvent
donner les meilleurs résultats avec un minimum de risques ; 6) planification des procédures,
des processus et des moyens permettant la mise en place des améliorations identifiées ; 7)
mise en œuvre du plan d’actions ; 8) surveillance des effets des améliorations ; 9) évaluation
les résultats obtenus par rapports aux résultats prévus ; 10) s’il y a une révision des objectifs
qualité, aller à l’étape 1, sinon aller à l’étape 3.
Cette approche formelle est basée sur l’analyse de l’entreprise et la compréhension les
différentes tâches à effectuer, ainsi que des contraintes liées aux ressources disponibles
(budget, ressources humaines et équipement), à la productivité et à la politique qualité de
32
l’entreprise. Par conséquent, il faut identifier les relations et les interfaces entre les différentes
activités et les contraintes associées, nous représentons ces interactions dans le cadre d’un
modèle formel basé sur la famille d'IDEF. On peut dire que cette approche formelle nous aide
à contrôler les processus d’entreprise afin de diriger et piloter efficacement notre système.
Identification & Recueil

Outils d'analyser
(MSP, outils de qualité, résolution de
problème,…..)
Contrôle du système
Approche formelle
Famille d'IDEF
(IDEF0, IDEF3)
Approche dynamique
RdP, SADT temporelle
Algorithme de Simulation
Optimisation du système
Ressources, Type de contrôle,…
Figure I.7. Notre méthodologie
Ensuite, nous étudions les aspects dynamiques de notre système grâce au réseaux de
Petri (RdP) après avoir réaliser un passage entre la famille d'IDEF vers le RdP, c'est-à-dire un
passage des aspects fonctionnelle vers les aspects dynamiques. Après la réalisation de ces
étapes, on peut dire qu'on a contrôlé notre système, puis, on commence à faire l'optimisation
de notre système. Cette optimisation concerne les optimisations de ressources et les différents
types de ressources.
33
I.6 Modélisation du système de production

Les méthodes de modélisation du système de production sont nombreuses, mais il est
possible de dresser une typologie des familles de méthodes comme la suivante : Approche
orientées données, Approche orientées opérations, Approche orientées comportement et
Approches combinées.
Approches orientées données : ces modèles explicitent les niveaux d'abstraction dans
la représentation ; ce sont des méthodes conceptuelles. Apparues vers le milieu des années 60,
elles définissent une structure générale de données, indépendante des programmes qui les
manipulent. Cette approche figure également dans les principes fondateurs des bases de
données. Les limites de cette approche sont dues au fait qu’elle n'intègre pas les aspects
dynamiques, le modèle étant par définition statique ; les conditions de déclenchement,
l'ordonnancement dans le temps des contraintes opératoires sont difficilement représentables.
Approche orientées opération : ces approches raisonnent en termes d'application, elles
partent des besoins ou résultats à obtenir (écrans, états, ...) pour en déduire les données
d'entrée nécessaires à cette application. Les limites de cette approche sont liées au fait qu’elle
conduit à une redondance de données identiques pour différents traitements, donc un risque
d'incohérence de ces mêmes données connues de façon différentes en plusieurs endroits du
système. On note encore que le modèle obtenu est peu évolutif car il est spécifié pour les
besoins du moment. En conclusion, ces approches sont dans l'incapacité de définir un schéma
de base de données [Coad, 93].
Approches orientées comportement : Elles présentent l'avantage de représenter les
contraintes de dynamique et d'évolution dans le temps. Ces approches privilégient cependant
ensuite soit l'aspect donné, soit l'aspect traitements et se heurtent aux mêmes difficultés que
les approches orientées données.
Approches combinées : (MERISE - SADT) ces méthodes prennent bien en compte les
aspects traitement et données, mais de façon séparée. MERISE utilise l'approche entité
association pour modéliser les données et conçoit le modèle de traitement (M.C.T. pour
Modèle Conceptuel des Traitement) à l'aide d'un formalisme largement inspiré des réseaux de
Pétri. La méthode conseille de réaliser les deux études par deux équipes séparées. En
particulier, un M.C.D. (Modèle Conceptuel des Données) est validé par les vues externes
issues du M.C.T. : le risque d'obtenir en final un M.C.D. basé sur les besoins immédiats des
utilisateurs n'est pas négligeable. SADT, quant à elle, semble accorder une place secondaire
aux données (modélisée à travers le datagramme). Elle est surtout utilisée pour vérifier la
validité des modèles de traitement (actigrammes), nous allons détailler SADT dans le
34
deuxième chapitre dans notre thèse parce que cet outil est le point d’entrée de l'approche que
nous développons dans cette thèse.
Approche orientée objet : l'idée majeure du concept d’objet consiste à conserver la
même approche depuis l'analyse des besoins jusqu'à la réalisation du système [Meyer, 88]
[Bailin, 89] [Ward, 89]. Un objet peut être considéré comme étant une entité à laquelle sont
associés des attributs ainsi qu'un certain nombre d'actions, appelées aussi méthodes. Les
méthodes utilisent la valeur de ces attributs pour procéder à l'exécution d'un comportement.
Ce concept particulièrement simple permet de former des classes d'objets, à partir desquelles
des instances peuvent être générées. Les concepts associés aux objets, comme ceux de
l'héritage (une classe hérite des caractéristiques de sa super-classe) ou l'encapsulation (le
fonctionnement interne d'un objet est caché aux autre objets) favorisent la réalisation et la
maintenance des systèmes informatiques.
I.7 Optimisation du système de production

Un système de production est composé d'un ensemble de ressources qui permet de
réaliser l'objectif de production, c'est-à-dire la transformation de matières premières et/ou de
composants en produits finis. En sachant qu'il y a cinq types de ressources : les équipements,
les hommes, les matières, les ressources financières et les informations. L'optimisation est une
méthode (ensemble de méthodes) qui permet d'obtenir le meilleur résultat approché d'un
problème de recherche, autrement dit, l'optimisation revient à estimer des minimum ou des
maximum d'une fonction ou d'un système de fonctions. Il ne faut pas oublier les contraintes,
par exemple Sugden, dans sa thèse [Sugden, 92], a proposé que l'optimisation soit un
processus pour obtenir le meilleur résultat possible avec des contraintes. De plus, le résultat
est mesuré en terme d'objectif (minimisation, maximisation), et les contraintes sont définies
par un ensemble d’équations linéaires ou non linéaires.
Au regard du contexte économique, les industriels cherchent à configurer au mieux
leur système de production selon divers critères de performance tels que le temps de
fabrication, le nombre d’en-cours ou le nombre de demandes mises en attente. L’optimisation
de ces systèmes consiste souvent à déterminer la meilleure combinaison des paramètres qui
les caractérisent, tels les capacités de stockage, les tailles de lots de transport par exemple.
Malheureusement, il y a souvent de fortes interactions entre ces paramètres. Il paraît donc
difficile d’utiliser des approches analytiques sans formuler d’hypothèses trop restrictives pour
évaluer et optimiser de tels systèmes. La solution la plus adaptée pour permettre leur
évaluation est souvent la simulation car elle permet de prendre en compte au mieux les divers
35
paramètres des systèmes de production. Toutefois, la simulation n’est qu’un outil d’évaluation
des performances d’un système en fonction de ses paramètres. Il faut donc utiliser la
simulation conjointement à d’autres méthodes afin de rechercher les solutions optimales. Ce
couplage optimisation-simulation est connu sous le terme d’optimisation via simulation où le
module d’optimisation propose successivement des solutions que l’on espère de plus en plus
performantes au module de simulation [Paris, 04]. On peut dire que c'est le mobile de notre
thèse, parce que nous avons vu qu’une méthodologie proposée pour modéliser et piloter le
système de production ne suffit pas pour son optimisation ; pour cela nous nous orientons vers
la simulation pour l'optimisation de notre système ; de plus, les aspects stochastiques contenus
dans notre modèle nous conduisent à la simulation numérique.
De plus, [Castagna, 04] a confirmé qu'un modèle de simulation est toujours construit
pour résoudre un problème, mais sa seule utilisation ne permet pas de trouver une solution. Il
doit être utilisé dans un processus d’optimisation, c'est-à-dire une méthode ou méthodologie
pour l'optimisation. Sa méthode est illustrée par la Figure I.8.
OPTIMISATION
Paramètres Solution On retient pour

initiaux SIMULATION solution les
Améliorable ? paramètres finaux
Calcul de nouveaux
paramètres
Figure I.8. Optimisation et simulation [Castagna, 04]
Dans la pratique, si le système est suffisamment complexe, il est fort probable que le
seul outil universel disponible pour estimer ses performances est la simulation par ordinateur.
De plus, Le processus de recherche du meilleur jeu de paramètres de simulation d’un système
complexe, dont les performances sont évaluées à partir des résultats d’un modèle de
simulation est dénommé optimisation par simulation [Andradottir, 98] [Olafsson, 02].
36
L’objectif de l’optimisation par simulation est d’optimiser les performances choisies du

système tout en minimisant le nombre de jeux de paramètres évalués [Li, 06].
Dans [Cauvin, 05] l'optimisation de la réactivité des systèmes de décision dans les
organisations industrielles a été étudié dans trois axes :
Un axe contextuel orienté vers les organisations industrielles qu'il définirait comme
des systèmes qui supportent les activités qu'une entreprise met en oeuvre pour produire des
biens ou des services ;
Un axe scientifique défini autour des systèmes de décision qu'il considèrerait comme
des systèmes constitués des moyens humains et techniques mobilisés pour adapter l'évolution
du système qu'ils pilotent, en fonction de son comportement, de l'état de l'environnement et
des objectifs fixés ;
Un axe problématique tournée vers la réactivité qu'il définirait comme la capacité d'un
système à assurer des délais de réponse optimaux par rapport aux horizons de travail de ce
système.
L'optimisation du système de production, dans le premier temps, consiste a minimiser
les ressources avec la maximisation de la productivité, car pour répondre aux défis du système
de production, il faut adopter des stratégies de production avec des budgets limités.
Les systèmes de production peuvent être modélisés par un outil de modélisation,
comme les outils de famille IDEF, les réseaux de Petri (RdP) ou les graphes d'évènements
(GdE) qui sont un cas spécial des RdP. Dans la modélisation des systèmes de production par
RdP ou par GdE, les opérations sur les machines sont souvent modélisées par des transitions,
et à chaque transition est associée un temps de franchissement correspondant au temps
nécessaire d'exécution de l'opération.
Nous nous intéressons aux études qui s'intéressent au problème d'optimisation du
système de production, où il y a différents problèmes d'optimisation étudiés en utilisant les
RdP ou les GdE. Les travaux de Commoner, Holt, Even et Pnueli en 1971, Chretinne en 1983
et Magott en 1984 sont parmi les premiers chercheurs qui sont utilisé la fréquence de
franchissement de GdE pour analyser les circuits élémentaires.
Nous pouvons classer les méthodes d'optimisation appliquées aux systèmes de
production en deux grandes catégories :
• Les méthodes d'optimisation exactes ;
• Les méthodes d'optimisation heuristiques ou méta-heuristiques.
37
I.7.1 Méthodes d'optimisation exactes

Ces méthodes sont basées soit sur une résolution algorithmique ou analytique, soit sur
une énumération exhaustive de toutes les solutions possibles. Elles s'appliquent donc aux
problèmes qui peuvent être résolus de façon optimale et rapidement.
Nous trouvons essentiellement deux types de méthodes :
I.7.1.1 Méthodes analytiques
Ces méthodes sont basées sur l'existence de dérivées, donc sur l'existence d'équations
ou de systèmes d'équations, linéaires ou non linéaires. Le principe général consiste à
rechercher un extremum hypothétique en déterminant les points de pente nulle dans toutes les
directions [Goldberg, 94]. La méthode du Gradient ou du Quasi-Newton consiste à se
déplacer dans une direction dépendant du gradient de la fonction objectif. Les inconvénients
de ces méthodes sont nombreux : elles s'appliquent localement, les extremums qu'elles
atteignent sont optimaux au voisinage du point de départ et l'existence de dérivées n'est pas
systématique. Ces méthodes sont donc peu efficaces pour résoudre des problèmes
d'optimisation en production.
I.7.1.2 Méthodes algorithmiques

La programmation linéaire permet de déterminer l'optimum d'une fonction linéaire
tout en respectant des contraintes linéaires [Sakarovitch, 84]. L'algorithme du Simplexe a été
développé en 1947 par G.B. Dantzig pour résoudre ce type de problème. Par la suite, cet
algorithme a été perfectionné pour pouvoir être adapté à sa programmation informatique. On
trouve ainsi une forme matricielle de cet algorithme qui permet de décrire le déroulement des
opérations en termes algébriques et moyennant la résolution de systèmes d'équations linéaires.
De nombreuses recherches ont été menées et sont encore menées dans l'application de la
programmation linéaire à des cas de production. On peut citer par exemple l'ouvrage de
[Thiel, 90] qui présente des exemples de traitement de problèmes de production en utilisant la
Recherche Opérationnelle. Vient ensuite la Théorie des Graphes, et les méthodes
arborescentes (ou "Branch and Bounds Methods") qui permettent de traiter des problèmes
complexes de façon exacte à partir d'une énumération intelligente de l'espace de solutions.
Elles peuvent très bien s'appliquer à des problèmes de taille moyenne, mais pour des
problèmes de grande taille, leur durée d'exécution peut devenir prohibitive. Dans son ouvrage,
[Prins, 97] présente ces méthodes de façon très claire, pédagogique et concrète, sous la forme
d'algorithmes de graphes.
Des recherches plus récentes ont permis de développer la Programmation Dynamique
et la Programmation Linéaire en Nombres Entiers, afin de trouver des solutions exactes à
38
des problèmes réputés difficiles. Mais la résolution de problèmes par ces méthodes n'est pas
toujours facile, notamment à cause de la difficulté à caractériser les problèmes susceptibles
d'être traités. Par la suite, nous indiquons quelques travaux dans ce domaine.
[Panayiotou, 99] ont développé une approche pour l'affectation de nombre fini de
ressources avec la maximisation de fonction de performance donné. En fait, ils ont proposé
deux algorithmes. Algorithme d'optimisation accroissement (IO Incremental Optimization)
appliquant quand à chaque étape la solution optimale est unique, le deuxième est l'algorithme
d'optimisation d'accroissement généralisée (GIO Generalized Incremental Optimization)
appliquant dans le cas général quand on a plusieurs solutions optimales. Mais, pour appliquer
ces algorithmes, il faut vérifier que la fonction de performance doit être douce, c'est-à-dire on
ne compte que la solution qui est maximum de la précédente solution avec chaque nouvelle
affectation de ressources. Cette condition importante et suffisante pour la convergence et pour
garantir que une affectation optimale va donner une nouvelle solution optimale dans la
prochaine affectation. De plus, cette condition est très importante dans l'application de ces
algorithmes, même si elle est une limite très forte, parce que dans les méthodes heuristique,
les deux choses importantes sont la condition d'arrêt et la convergence, car la condition d'arrêt
nous donne la précision souhaitée et la convergence nous garantit d'avoir une solution
optimale. Les auteurs ont appliqué leurs algorithmes sur un système de production s'appelant
système de Kanban.
De plus, [Giua, 02] ont traité le problème d'affectation de nombre fini de ressources
avec la maximisation de fréquence de franchissement. Ils ont utilisé les GdE déterministes
cycliques comme un outil de modélisation, en plus, ils ont considéré que le marquage initial et
la fréquence de franchissement sont deux variables de décisions. Les auteurs ont proposé trois
procédures pour résoudre ce problème, la première se basant sur l'algorithme GIO. Dans cette
partie, ils ont supposé que la fonction de performance (fréquence de franchissement) n'est pas
douce ; pour cela, ils ont proposé une règle pour l'affectation de ressources ; ensuite, ils ont
montré un nouvel algorithme pour calquer la solution optimale (TIO Two-index Incremental
Optimization). Cet algorithme est efficace en terme de temps de calcul et de nombre de
solutions optimales, parce que dans cet algorithme, on garde une seule solution optimale.
Nous pouvons considérer que cet algorithme TIO est une extension de l'algorithme GIO, de
plus, en réalité la règle d'affectation de ressources est comme la condition de « doux »
d'algorithme GIO, parce que cette règle va garantir le doux de fonction de performance.
Par ailleurs, ils ont proposé deux méthodes pour résoudre le problème en général sans
utilisation de la règle d'affectation de ressources. La première utilise la technique de
programmation linéaire avec nombre entier ; dans cette méthode, il faut connaître tous les
39
circuits élémentaires dans GdE, ce qui peut être considéré comme un inconvénient de cette
méthode. La deuxième méthode est une extension de la première, elle dépend du problème de
programmation avec nombre entiers et du limite le calcule par modifier les variables de
décision en s'appuyant sur le résultat de travaux de [Campos, 92].
I.7.2 Méthodes d'optimisation heuristiques ou méta-heuristiques

Une méthode heuristique ou méta-heuristique est un algorithme d'optimisation qui a
pour but de trouver une solution réalisable de la fonction objectif, mais sans garantie
d'optimalité. Le principal avantage de ces méthodes est qu'elles peuvent s'appliquer à
n'importe quelle classe de problèmes, faciles ou très difficiles, bien ou mal formulés, avec ou
sans contrainte. En particulier, elles ne nécessitent pas une modélisation mathématique du
problème. Elles semblent être tout à fait adaptées à l'optimisation de systèmes de production
et c'est donc ce type de méthode qui sera utilisé dans la suite de ce travail.
Ces méthodes peuvent être classées en trois familles :
• Les méthodes de recherche locale définies par un voisinage,
• Les méthodes de recherche aléatoire,
• Les méthodes méta-heuristiques.
I.7.2.1 Méthodes de recherche locale définies par un voisinage

Nous pouvons définir principalement deux méthodes qui différent uniquement par
l'énumération du voisinage d'une solution :
I.7.2.1.1 Algorithme du Grimpeur (ou de la descente stochastique)

On part d'une solution initiale et on lance l'exploration de son voisinage jusqu'à ce que
l'on rencontre une solution meilleure, à partir de laquelle on applique le même principe. Dans
ce cas, la recherche locale du voisinage d'une solution se termine après un nombre variable
d'itérations, quand elle n'arrive plus à trouver une solution meilleure que la solution courante.
On n'explore donc pas systématiquement tout le voisinage d'une solution.
Présentation de cet algorithme (minimisation de f) :
Soit V(min) = voisinage de la solution courante, comportant k solutions,
Soit s(i) Є V(min), une solution parmi les k solutions de V(min).
40
Début
min = s (0 ) ∈ {S }
[
Pour [i = 1 à k ] et s ( i ) ∈ V (min) ]
Si f (S (i ) p f (min) )
Alors min = s (i ) , i = 0
Fin Pour
min = Solution finale
Fin
I.7.2.1.2 Algorithme de la plus grande pente

L'algorithme est le même que le précédent, mais toutes les solutions du voisinage
correspondant à la transformation élémentaire sont énumérées et on ne retient que la
meilleure.
Présentation de cet algorithme en (minimisation de f) :
Soit V(min) = voisinage de la solution courante, comportant k solutions,
Soit s(i) ЄV(min), une solution parmi les k solutions de V(min).
Début
min = s (0 ) ∈{S }, min_ v = s (0 )
Répéter
min = min_ v
Pour [i = 1 à k ] et [s (i ) ∈ V(min ) ]
Si f (s (i ) ) p f (min_ v )
Alors min_ v = s (i )
Fin Pour
Jusqu ' à ce que min_ v = min
min = Solution finale
Fin
41
Le principal avantage de chacun de ces deux algorithmes est qu'ils sont faciles à
programmer. En contrepartie, ils ont l'inconvénient de ne pas être adaptés à des fonctions
objectifs multimodales (avec plusieurs pics et creux) car ils s'arrêtent dès qu'un minimum
local est trouvé, à moins de les relancer à partir d'une autre solution initiale. Pour des
problèmes comportant beaucoup de variables, le temps de calcul peut être très long si l'on
opte pour une transformation élémentaire exhaustive ou si l'on utilise l'algorithme de la plus
grande pente.
Si la fonction d'objectif est très bruitée, on risque de tomber dans un minimum local
qui est bien loin du minimum global, sans qu'il soit possible d'en sortir. Ces algorithmes sont
donc utilisés de façon complémentaire à un autre type d'algorithme qui peut sortir d'un
minimum local.
I.7.2.2 Méthodes d'exploration aléatoire

Nous trouvons peu de références dans la littérature au sujet de cette méthode. Cela est
peut être dû au fait qu'il est impropre d'appeler "Méthode" une recherche qui est purement
aléatoire. D'autre part, cette exploration aléatoire peut sembler trop peu efficace aux yeux des
chercheurs en optimisation combinatoire. Cependant, la recherche aléatoire d'un optimum a
été utilisée avec succès avant que les méthodes de recherche globale ne soient développées
[Goldberg, 94].
Le principe de cette recherche aléatoire est donc des plus simples : on génère "au
hasard" une solution s(i) puis on évalue la fonction objectif f avec cette solution et on
recommence ces deux étapes jusqu'à ce qu'un nombre d'itérations (arbitraire ou pas) fixé par
l'utilisateur soit atteint.
Malgré le manque d'intérêt de cette recherche par les spécialistes, on peut quand même
penser que pour les problèmes de très grande taille et qui ont une fonction objectif
multimodale, compte tenu du temps de calcul nécessaire à n'importe laquelle des méthodes
globales vues précédemment, cette recherche aléatoire permet :
• soit de dégrossir le problème avant de l'explorer par une méthode globale ou locale de
voisinage, et sur ce point, beaucoup de spécialistes sont d'accord ;
• soit de se contenter de cette recherche si la nature et la complexité du problème sont
telle qu'une méthode de voisinage ne permet pas l'obtention d'un gain significatif par
rapport à une solution obtenue aléatoirement.
42
I.7.2.3 Méthodes méta-heuristiques

Le développement de ces méthodes est issu du constat d'échec des méthodes locales.
Le principe recherché est donc de pouvoir sortir d'un optimum local, mais on s'appuie
toujours sur une recherche locale avec une transformation élémentaire, que l'on fait ensuite
évoluer si elle s'avère insuffisante. Deux méthodes ont été développées très récemment : le
Recuit Simulé (Simulated Annealing) et la recherche Tabou (Taboo Search).
I.7.2.3.1 Méthode TABOU

Cette méthode est encore plus récente que le Recuit Simulé, puisqu'elle a été proposée
par Glover en 1986. Dans [Glover, 97], l'auteur de cette méthode détaille les différents
algorithmes à base de listes Tabou. Depuis, de nombreuses contributions ont été apportées à
cette méthode, notamment à l'Ecole Polytechnique Fédérale de Lausanne où [Widmer, 91] l'a
appliquée à l'optimisation des ateliers flexibles. Son principe repose sur une méthode de
déplacement dans l'espace des solutions de façons à améliorer la meilleure solution courante
[Hao, 99].
Encore une fois, le point de départ de cette méthode est identique à une recherche
locale avec une transformation de voisinage. La différence provient du fait que l'on va sur la
meilleure solution voisine, même si elle est plus mauvaise que la solution initiale. L'autre
originalité de cette méthode est la construction d'une liste de mouvements tabous T, qui
correspondent aux solutions testées dans un passé proche et sur lesquelles on s'interdit de
revenir. A partir de la solution courante s(i) et pour la remplacer, on choisit dans V(s(i)) -T la
solution s(j) qui minimise la fonction objectif f, tout en ajoutant s(i) à la liste T.
La difficulté majeure de cette méthode est la gestion de cette liste Tabou. En pratique,
cette liste est de taille réduite (comprise entre 3 et 12) et elle fonctionne en FIFO : quand la
liste est pleine, on supprime la solution qui s'y trouve depuis le plus longtemps et on la
remplace par la nouvelle solution à interdire.
Les recherches et applications dans le domaine de la production sont encore une fois
nombreuses. On pourra trouver par exemple dans [Taillard, 89], [Widmer, 89], [Cavory, 00]
et dans [Mati, 02] des applications de cette méthode à l'optimisation de l'ordonnancement
dans une chaîne de montage et dans un atelier de type Job Shop.
I.7.2.3.2 Recuit Simulé

Cet algorithme a été développé en 1982. Il repose sur une analogie avec la métallurgie
et le recuit des métaux : en dehors d’un traitement thermique spécifique, un métal refroidi
43
trop vite présente de nombreux défauts qui correspondent à des excédents d'énergie interne et
donc des tensions résiduelles dans le matériau. L'objectif du recuit est de minimiser ces
excédents de façon à obtenir une configuration d'énergie minimale. Pour le réaliser, on
réchauffe le métal ce qui a pour effet d'augmenter encore l'énergie interne, mais un réglage
judicieux de la température de refroidissement permet de sortir de l'état initial et d'obtenir
finalement une énergie interne plus faible. L'application de ce principe à l'optimisation est le
suivant : il est possible, contrairement à un algorithme de recherche locale, d'accepter une
dégradation de la fonction objectif avec une certaine probabilité, sachant que cette
dégradation pourra entraîner une amélioration ultérieurement.
Dans la littérature des recherches plus récentes ont appliqué et intégré ces méthodes
[Pibouleau, 05] [Nearchou, 04] [Chen, 99], parmi ces méthodes :
[Sauer, 03] a proposé une heuristique itérative pour résoudre le problème
d’optimisation de marquage des GdE valué, parce que la résolution de problème
d'optimisation avec les méthodes directes dépend de plusieurs facteurs, par exemple la
capacité du logiciel ; de plus, avec un certains nombres d'inconnus dans la fonction les
méthodes directes deviennent inappropriées, c’est pour cela que les chercheurs appellent les
méthodes heuristiques. Dans ces méthodes, la solution optimale est généralement obtenue
après un certain nombre d'itérations lorsqu'on arrive à une précision souhaitée. L’idée de la
méthode proposé est d’enlever à chaque itération un jeton dans une place p* en répondant à
deux objectifs fondamentaux : réduire au maximum la valeur du critère à optimiser, c’est-à-
dire le coût des ressources, et augmenter aussi faiblement que possible le temps de cycle
moyen, c’est-à-dire diminuer au minimum la productivité. Pour déterminer le temps de cycle
moyen du GdE valué, l’auteur utilise la simulation. Pour pouvoir résoudre le problème
d’optimisation du marquage en limitant le nombre de simulations (c’est-à-dire en limitant les
temps de calcul) ; les informations obtenues lors de cette simulation permettent également de
déterminer la place recherchée. En particulier, pour chaque place p∈ P , la quantité suivante
est calculée :
s
1
L( p , s ) = . ∫ Max (0, M 0 ( p,θ ) − Pr e ( p, p•) ). dθ
s 0
Où M 0 ( p,θ ) est le nombre de jetons dans la place p à l’instant θ en considérant les
jetons en cours de franchissement de la transition suivante (i.e. les jetons réservés).

L( p,∞ ) correspond au nombre moyen de jetons non utilisés lors du prochain franchissement
de p • . Si cette valeur est grande, cela signifie que des jetons devront attendre longtemps
dans la place p avant le prochain franchissement de la transition p•. Ainsi, pour réduire le
44
critère à optimiser, une place candidate est celle ayant le plus grand coefficient u p et la plus
grande valeur L( p, ∞) . Par conséquent, on choisit la place qui maximise L( p, ∞). u p . En
sachant que u p présente le coefficient du vecteur P-invariant.
L’inconvénient des méthodes basées sur l’amélioration itérative est que la recherche
s’arrête dés que le processus ne peut plus améliorer la solution obtenue. La recherche peut
aboutir à un minimum local de mauvaise qualité d’où elle ne pourra pas sortir. De plus, dans
ces méthodes, nous ne pouvons pas savoir si la solution estimée se dirige vers la solution
optimale si un critère de convergence n'est pas défini, autrement dit, on peut arriver à une
solution optimale si la convergence tombe vers 0.
[Toursi, 06] ont proposé une méthode pour résoudre le problème d'optimisation du
marquage des GdE valués basée sur un algorithme du recuit simulé modifié. Cet algorithme
suit la même démarche que le recuit simulé mais au lieu de générer une configuration dans le
voisinage considéré et décider de son acceptation en fonction d’une probabilité, ils décident
d’améliorer l’objectif ou de le détériorer suivant une probabilité définie, pour cela. Ils ont
appelé le recuit simulé modifié. La méthode du recuit simulé peut être considérée comme une
méthode d'optimisation locale qui part d'une solution initiale et l'améliore en déterminant la
solution optimale dans un voisinage de solution initiale. Ce processus est répété en
remplaçant la solution initiale par la solution optimale jusqu'à convergence. L'avantage de
l'optimisation locale est la simplicité mais elle risque de conduire à un optimum local. Pour
éviter le piège d'un optimum local, la méthode du recuit simulé accepte des solutions moins
bonnes mais cette acceptation est contrôlée par un processus inspiré de la méthode du recuit
dans la physique statistique [Kirkpatrick, 83] [Cerny, 85]. Il s'agit de solidifier un matériel en
état liquide afin d'atteindre un état d'énergie minimale, cet état ne peut être atteint qu'en
partant d'une haute température et en baissant très lentement la température. Cette méthode
utilise la notion de température pour contrôler la dégradation des solutions dans la recherche
de l'optimum.
De plus, les auteurs ont défini quelques paramètres pour mieux pouvoir résoudre le
problème d'optimisation, parmi ces paramètres : ils ont défini la solution initiale comme :
M 0
( p) = x p• Pr e( p, p•) ∀p ∈ P où Pr e( p, p•) est le poids de l’arc reliant la place p à sa
transition de sortie et x p• est le coefficient du T-invaraint correspondant à cette transition ;
mais pour le critère d'arrêt, leur algorithme s'arrête et retourne à la meilleure solution trouvée
lorsque aucune amélioration n’est possible et aucune détérioration n’est acceptée sur un palier
de température donné ou lorsque la température atteint une valeur inférieure à ε proche de 0.
45
Par contre le plus important dans cet algorithme est la procédure d'amélioration de
l'objectif et de détérioration de l'objectif. Dans cet algorithme, l'amélioration de l’objectif se
fait en enlevant successivement de chaque place p un jeton à condition que le temps de cycle
reste inférieur ou égal à la valeur C. Pour cela, la valeur du temps de cycle est calculée à
chaque fois qu’un jeton est enlevé d’une place. Si cette valeur est supérieure à C, le jeton est
remis dans la place et on passe à la place suivante. Mais la détérioration de l’objectif se fait en
ajoutant un jeton dans chaque place p. Ceci permettra d’atteindre des valeurs maximales de
l’objectif et par conséquent de sortir des pièges des minimums locaux.
Pour conclure sur ces méthodes, nous pouvons noter leurs différences :
• Le Recuit Simulé est stochastique et sans mémoire, alors que la méthode Tabou est
déterministe et possède une mémoire sous la forme d'une liste ;
• Les paramètres intrinsèques sont moins nombreux pour la méthode Tabou que pour le
Recuit Simulé ;
• Le Recuit Simulé ne s'intéresse qu'à un seul voisin à chaque itération, la méthode
Tabou nécessite l'exploration exhaustive du voisinage, ce qui peut prendre beaucoup
de temps si le cardinal de V(s(i)) est élevé. Dans un tel cas, on se contente donc d'un
échantillon du voisinage, prélevé de façon aléatoire ou non.
I.8 Conclusion
Dans ce chapitre, nous avons rappelé quelques principes de la qualité, ensuite, nous
avons montré les principes et les concepts du système de management de la qualité, de plus,
nous avons présenté l'approche processus en citant les différentes définitions et les éléments
lié à la notion du processus : Produit, Client, Procédure. Par ailleurs, nous avons expliqué les
différences entre la vision hiérarchique et la vision processus.
Ensuite, nous avons montré l'évolution de notion du système de production notamment
la notion de système de production moderne qui inclut, de plus, l'étude de marché, l'achat de
la matière première et des composants, la formation, la fabrication, le conditionnement des
produits finis, leur livraison et le service après vente.
Pourtant, nous avons expliqué les étapes et les outils utilisés dans notre méthodologie.
Finalement, nous avons montré la modélisation et l'optimisation du système de production.
46
CHAPITRE II
Approche de mise en place et modélisation d'un système de
management de la qualité
Chapitre II Approche de mise en place et modélisation d'un système de management de la qualité
48
Chapitre II
Approche de mise en place et modélisation d'un système de
management de la qualité
Dans ce chapitre, nous présentons une méthode pour la mise en place d’un système de
management de la qualité en respectant la norme ISO 9000/2000. Cette approche est
générique. Son but est doter le système de production avec un outil de pilotage afin de mieux
répondre aux objectifs tels que l'augmentation de productivité, la satisfaction du client et
l'optimisation du système. Cependant, nous portons une attention particulière aux entreprises
qui évoluent dans un environnement économique centralisé. Tel est le cas des entreprises
syriennes.
Un premier objectif est de vérifier la cohérence fonctionnelle du système. Dans ce cas,
un outil de modélisation qualitatif est suffisant. Nous avons porté notre attention sur les outils
de la famille IDEF. Ensuite, dans les chapitres suivants, nous étendons notre analyse aux
performances dynamiques du système et nous proposons une méthode pour optimiser
l’utilisation des ressources dans le cadre de ce système. Dans cette thèse nous traitons plus
spécifiquement le contrôle de la qualité dans la production.
II.1 Mise en place d’un système de management de la qualité

Dans le chapitre I nous avons présenté une définition du SMQ, une typologie
intéressante des SMQ selon certains chercheurs, le but de SMQ ainsi que le résultat attendu
par le pilotage d’un SMQ. Par la suite, nous proposons une méthode pour la mise en place de
ce système.
Un système de management de la qualité est un outil de management qui vise à
améliorer l'organisation et le fonctionnement d’une entreprise. Dans ce sens, nous pouvons
citer le travaux de [Gingele, 02] où les principes d'un modèle technique appelé IDEF9000 sont
discutés. Ce modèle permet de modéliser les activités, les rapports fonctionnels et les données
dans une organisation, en utilisant des techniques de reengineering et la norme ISO 9001.
Cependant, les auteurs remarquent qu'une grande partie du développement dans le domaine de
management de la qualité a une tendance à se concentrer sur la conception et la
documentation des systèmes de management de la qualité sans tenir compte de la mise en
place d’un tel système au sein d’une organisation. Beaucoup de chercheurs s’intéressent au
pilotage d’un système de management de la qualité dans l'entreprise, mais peu d’entres eux
49
présentent des méthodes pour mettre en place ce système. Par exemple, dans [Partington, 96],
l’auteur montre que l'approche projet est assez répandue pour manager les innovations
organisationnelles mais dans certains cas, comme la mise en place du système de management
de la qualité, ce type d'approche est encore peu utilisé.
Nous pouvons citer également les travaux de [Gautier, 95] qui visent à apporter des
éléments de réponses concrètes à l'attente de fiabilisation du processus de conception de
produits nouveaux au niveau du management de l'information. Dans ce cadre, les auteurs ont
proposé des étapes pour la mise en place d'un système de management de la qualité :
1. Analyser le projet sous l'aspect processus pour en dégager les premiers éléments de sa
modélisation ;
2. Analyser les modalités de prise en compte des risques ;
3. Montrer que ces risques sont gérés, de manière formelle en terme de coûts, délai et
performance.
La méthode que nous proposons porte sur la mise en place et le pilotage des systèmes
de management de la qualité. Plus particulièrement, nous sommes intéressés au cas des
entreprises qui évoluent dans des pays d’économie émergeante. Un cas typique est représenté
par les entreprises contrôlées par l‘état. Nous avons choisi l’exemple d’un service de
maintenance d’une centrale thermique. Cette organisation est caractérisée par :
Une forte dépendance des organismes de tutelle, notamment le Ministère, ce qui rend
la durée du processus de prise de décision particulièrement importante ;
L'existence d'un coût de la main d'œuvre particulièrement faible ;
Un traitement différé des achats selon leur valeur. Les achats dont le montant dépasse
un certain seuil doivent faire l'objet d'une validation par le ministre, ce qui entraîne un délai
supplémentaire.
Le principe du pilotage par la qualité d’un service de maintenance d'une centrale
thermique est illustré dans la Figure II.1.
50
Outils de
production
Actions Aléas,
correctives et Indicateurs
préventives de qualité
Système de
management de
la qualité
Ressources Politique Contraintes

qualité
Figure II.1. Principe du pilotage par la quallité
Par la suite, nous présentons les étapes que nous proposons pour la mise en place d’un
SMQ au sein de ce système de production [Alahmad, 05a] :
1. Préciser la politique qualité et les objectifs qualité de l’entreprise ;
2. Déterminer les processus critiques par rapport aux objectifs qualité ;
3. Déterminer l’efficacité de chaque processus et rechercher des possibilités
d’amélioration ;
4. Déterminer les actions permettant de réduire le nombre de pannes et de non
conformités ;
5. Déterminer les risques et choisir les améliorations qui peuvent donner les meilleurs
résultats avec un minimum de risques ;
6. Planifier les procédures, les processus et les moyens permettant de mettre en places les
améliorations identifiées ;
7. Mettre en œuvre le plan d’actions ;
8. Surveiller des effets des améliorations ;
9. Evaluer les résultats obtenus par rapports aux résultats prévus ;
10. S’il y a une révision des objectifs qualité, aller à l’étape 1sinon aller à l’étape 3.
II.2 Description de l'entreprise

L’entreprise choisie pour cette étude est une centrale thermique. Ce type d’entreprise
est caractérisé par une forte dépendance au niveau décisionnel des organismes de tutelle
(Ministère, gouvernement). Nous focalisons notre attention sur le service de maintenance de
51
cette entreprise. Ce service joue un rôle important dans la performance de l’entreprise dans la
mesure où il veille au bon fonctionnement des moyens de production.
La structure de cette organisation est illustrée dans la Figure II.2.
Entreprise
Chef des travaux électriques Chef des travaux Bureaux administratifs

Contrôleurs Bureau Autres
Groupe de
Groupe de
l’urgence
l’urgence
Figure II.2. Architecture d'une centrale thermique
II.2.1 Objectif du service maintenance

Le rôle du service maintenance dans une centrale thermique est d’assurer le bon
fonctionnement des installations : les chaudières, les pompes, les valves….etc. Ce service doit
effectuer toutes les opérations de maintenance préventive et corrective.
II.2.2 Ressources du service maintenance

Le service maintenance dispose des ressources humaines et des ressources techniques
propres. D’un coté, les ressources humaines sont représentées par les opérateurs de
maintenance organisés en équipes de maintenance. Vu le faible coût de la main d’œuvre, une
éventuelle réduction du nombre d’opérateurs de maintenance ne représente par un gain
significatif. D’un autre coté, les ressources techniques sont représentées par les équipements
et les matériaux nécessaires pour réaliser la maintenance. Tout besoin de matériaux ou des
équipements, doit faire l’objet d’une demande auprès du bureau d'achat. L’achat est
conditionné par le budget technique, ainsi que par un seuil fixé pour chaque achat.
Le traitement d’une demande d’achat est différent selon la position de sa valeur par
rapport à un seuil fixé :
52
Si le montant est inférieur au seuil fixé, alors l’achat peut se faire sans validation
préalable par le Ministère ;
Sinon, l’achat doit être validé au niveau du Ministère, ce qui entraîne des délais
supplémentaires.
II.2.3 Indicateurs de maintenance

Il y a deux types de maintenance dans une centrale thermique : la maintenance
préventive périodique et la maintenance corrective.
Les données nécessaires pour déclencher les deux types d’activité de maintenance sont
envoyées par le système de surveillance (Contrôleurs).
II.3 Application de la méthode de mise en place de système de management de

la qualité
Etape 1 : Préciser la politique qualité et les objectifs qualité de l’entreprise
Dans cette étape, la direction doit préciser la politique et les objectifs qualité. En
effet, la politique qualité permet d’orienter l’activité de l’entreprise afin d’assurer la
satisfaction de ses clients. Dans le cas d’un service de maintenance, le client est représenté
par le système de surveillance qui est en même temps le commanditaire et le bénéficiaire des
opérations de maintenance. Il exige que les équipements de la centrale thermique fonctionnent
correctement.
Etape 2 : Déterminer les processus critiques par rapport aux objectifs qualité
Un objectif qualité est un but atteignable et mesurable, lié à l’application de la
politique qualité. Les processus essentiels permettant d’atteindre les objectifs qualité d’un
service de maintenance sont les suivants : le processus de maintenance, le processus d’achat,
et le processus de formation.
Processus de maintenance : un processus de réalisation
Les Figure II.4 et Figure II.3 présentent la modélisation du processus de maintenance.
Dans la Figure II.4 nous avons montré le processus de maintenance en déterminant le rôle de
chaque acteur dans ce processus.
Les contraintes envisagées ici sont les informations qui viennent de la part des
Contrôleurs et la qualité des outils. Les éléments de pilotage pour cette activité sont : le
budget, les programmes de maintenance préventive et corrective et les lois de dégradation des
machines et des composants.
53
Eléments de pilotage Contraintes
Entrée Sortie
(Machines dégradées)
Maintenance (Machines maintenues)
Ressources
Humaines & Techniques
Figure II.3. Schéma du processus de maintenance
Contrôleurs Chef d’équipe de maintenance Opérateurs de maintenance
Demande de
maintenance Non
La demande est
complète ?
Oui
Faire une inspection pour la machine demandée
Faire un plan pour les causes probables
Arrêter
Ou Non On peut
Continuer faire?
Oui
Chercher des solutions pour Passer la demande
Maintenance
continuation de travail
Préparer les outils
Réaliser les tests Faire la maintenance
Non
Résultat
Oui
Passer le rapport Faire un rapport
L’avis sur le
rapport et Noter l’avis de contrôleurs
l’inspection
Figure II.4. Fonctionnement du processus de maintenance dans une centrale thermique
Processus d’achat : un processus support

Ce processus est très important parce qu’il assure la disponibilité des ressources
techniques nécessaires au bon déroulement des opérations de maintenance.
54
Besoin d'achat
Demande d'achat en
attente
Expression du besoin d'achat
Non
Oui Décision du
Dépasse de seuil ?
Ministère ?
Non
Evaluation & Oui
Sélection des Options
fournisseurs
Consultation & Choix des fournisseurs
Réduction & Négociation du contrat d'achat
Non
Accord entre les
parties ?
Oui
Diffusion de documents d'achat
Suivi de contrat & de command
Non
Accord remplis
Oui
Réception du produit acheté
Traitement de
Non
réclamation Produit conforme
fournisseurs
Oui
Règlement de facture
Produit acheté disponible
Figure II.5. Schéma de fonctionnement du processus d'achat
Il faut dire que si le montant de l’achat ne dépasse pas un seuil fixe, alors le processus
d’achat est piloté par le bureau d’achat. Par contre, si le montant est supérieur à un seuil
donné, la décision d’achat est prise au niveau du Ministère. Nous expliquons le
55
fonctionnement du processus d'achat dans la Figure II.5 en se basant sur la proposition de

[Massot, 01].
Processus de formation : évaluer la formation

La finalité de ce processus est de fournir aux opérateurs de maintenance les
compétences nécessaires pour bien accomplir les opérations de maintenance. Les ressources
du processus de formation sont le budget technique de l’entreprise. Nous estimons la
compétence des opérateurs à partir du modèle d’Harzallah [Harzallah, 00], illustré dans la
Figure II.6.
Figure II.6. Modèle explicatif et global de la compétence [Harzallah, 00]
Ce modèle définit les attributs de la compétence. Selon l'auteur, la compétence est soit
requise soit acquise. La compétence nécessite des ressources et se réalise dans un contexte
défini en étant liée à l'accomplissement d'une ou plusieurs tâches. Plusieurs termes désignent
les catégories de ressources de la compétence : savoirs, connaissance, savoir-faire,
expériences, aptitudes, capacités, traits de personnalité. De plus, il y a plusieurs manières de
structurer les ressources de compétence en catégories. [Harzallah, 00] dans le cadre de ses
travaux de recherche sur la réorganisation d'entreprise, s'appuyant sur les travaux de [Boterf,
98], propose une caractérisation et un modèle d'explication de la compétence [Clementz, 00].
En plus, nous pouvons indiquer que le modèle montré dans la Figure II.6, définie la
compétence par une combinaison de ressources pour une mise en œuvre finalisée dans un
contexte donné.
56
Etape 3 : Déterminer l’efficacité de chaque processus, rechercher les possibilités
d’amélioration
Un système de management doit se fondre sur l'analyse des processus et des

techniques statistiques de contrôle pour fournir les données nécessaires à des ajustements ou à
des améliorations des processus qui ne fonctionnent pas aux conditions définies [Holdsworth,
03].
Processus de réalisation : processus de maintenance

Les centrales thermiques sont équipées des machines de grande taille (chaudière,
pompes…). La maintenance de ces machines nécessite des moyens de manutention
appropriés. Par conséquent, l’environnement nécessaire pour réaliser les travaux de
maintenance dans des bonnes conditions doit être caractérisé par des moyens de manutention,
des outils suffisamment précis et des opérateurs de maintenance qualifiés. L’efficacité du
processus de maintenance peut être mesurée à travers des tests de performance des
équipements réparés. Les indicateurs que nous proposons pour mesurer l’efficacité de cette
activité sont le taux d’intervention avec succès ainsi que le temps moyen de bon
fonctionnement.
Processus d’achat
Pour vérifier l’efficacité de ce processus, nous devons contrôler l’adéquation des outils
achetés au besoin exprimé. Cette vérification vise à déterminer la conformité entre la qualité
demandée pour les outils et la qualité des outils achetés. De plus, pour réaliser ce processus
dans un environnement optimal, il faut insister sur la compréhension du bureau d’achat de la
nécessité de privilégier, lors de la négociation, la qualité des outils.
Processus de formation
Le besoin en formation des opérateurs de maintenance est établi par le chef de l’équipe
qui envoie la proposition aux bureaux administratifs. L’efficacité de la formation peut être
évaluée à partir du taux d’intervention avec succès et de la rapidité de l’intervention.
Etape 4 : Déterminer les actions permettant de réduire le nombre de pannes et de non

conformités
Pour réaliser cette étape, nous utilisons le digramme cause-effet montré dans la Figure
II.7. Les avantages de ce diagramme sont nombreux : il permet de visualiser les relations de
57
cause à effet qui sont toujours complexes, en plus il nous aide à comprendre les liens entre les
causes (classification….) [Pillet, 01b].
Fautes de conception Défauts sur notre travail

Manque des informations
Protection des machines
Qualité des outils
Environnement
Formation de travailleur
Maintenance
Mécanique
Installations pas adaptées
Manque d’installations Qualité des machines
Fautes d’installations Les machines
Figure II.7. Digramme cause-effet du service de maintenance dans une centrale thermique
Etape 5 : Déterminer les risques, et choisir les améliorations qui peuvent donner les
meilleurs résultats avec un minimum de risques
Dans la Figure II.8, nous présentons les risques et les contraintes associées. Dans ce
schéma nous proposons également une solution pour chaque risque et la manière de mesurer
l'efficacité de chaque solution.
Les principaux risques sont classées en trois catégories : coûts, délai et conformité.
L’activité du service de maintenance est assujettie au budget technique alloué. Le risque liés
aux coûts concerne les produits achètes par le service de maintenance. Il s’agit des matériaux
ainsi que la formation nécessaire pour garantir la disponibilité des compétences nécessaires au
bon fonctionnement du service.
Compte tenue de la taille des machines utilisées dans une centrale thermique, les
risques liés au délai de mise à disposition des équipements en maintenance sont dépendants
surtout des outils disponibles ainsi que des moyens de transport.
La conformité vise les travaux de maintenance mais également l’adéquation des outils
achetés à la spécificité des opérations de maintenance réalisées au sein du service.
58
Les risques et leurs contraintes
Coût Délai Conformité
Matériaux
Matériaux Formation et Travail Outils
Outils
Modifier ou Outils utilisés Stages Mettre L’efficacité Outils utilisés

Changer pour réaliser le ou en de ou
les machines travail conférences œuvre travail achetés
Les matériaux Dans notre On peut On peut Les On détecte la

sont très exemple : réaliser, respecter le compétence conformité
chères, de on peut mais en délai sans des grâce à la
plus si on acheter les respectant dépasser le travailleurs, métrologie, un
demande la outils, mais en le budget seuil, mais mais on a un risque
qualité ça va moins qualité technique on a un risque pour d’augmentatio
augmenter le si on ne risque pour les nombres n de prix
prix plus dépasse pas le les moyens de
seuil de transport travailleurs
Solution Solution Solution Solution Solution

évaluer le Faire Etudier bien : Avoir un
Avoir un budget
budget attention Les difficultés budget et seuil
et seuil spécial
technique pour les de travail et le spécial pour
pour chaque
selon les moyens de coût de man chaque
département de
besoins transport en d’œuvre département de
maintenance
deux termes: maintenance
la sécurité et
Efficacité Efficacité le coût Efficacité
Comparer entre Les taux Efficacité Comparer
la qualité d’évolution Efficacité Choisir des entre la qualité
obtenue et de travail Faire un travailleurs obtenue et
l’argent dépensé avec succès appel adaptés l’argent
d’offre dépensé
Figure II.8. Risques et leurs contraintes
La Figure II.9 montre la séparation entre les risques et les contraintes associées pour
faciliter le choix des améliorations et la façon de planifier ces améliorations. Les flèches
pointées signifient le chemin proposé pour planifier les améliorations choisies. Enfin, les
abréviations S&C signifient stages et conférences et l’abréviation MI signifie la décision du
Ministère.
59
Conformité
I II
A
Délai Outils Travail
Utilisés Efficacité
Mettre en place
Qualité de travail
Transport
Solution Solution Nombre des
opérateurs
Non Oui
Non Oui
Non Oui
Ok
B
Digramme 2 Digramme 3
Coût Coût
Composant
Formation
Machine Outils
S&C
Seuil
Achetés Solution Budget
Achetés technique
MI A
Solution
Métrologie
B Non Oui
Oui Non
I Ok
Digramme 1 Digramme 4
Figure II.9. Planifications des améliorations proposées
Etape 6 : Planifier (les procédures, les processus et les moyens) permettant de mettre en
place les améliorations identifiées
La Figure II.9, nous permet de planifier les améliorations choisies, elle montre les
chemins suivis, tout en respectant les contraintes.
En ce qui concerne le choix de modifier ou changer les machines, c’est le résultat
d’une décision du ministre. Le risque, défini dans ce cas par un délai important, est très élevé.
60
La nécessité d’une décision prise au niveau du ministère est marquée, dans la Figure II.9
digramme 1, par le signe MI. De plus, le digramme 1 présente également l'achat de
nouveaux outils. Dans ce cas, les contraintes à respecter sont les suivantes : 1) le seuil
d’achat ; 2) la vérification de la qualité des outils achetés (métrologie) et 3) le délai. Ces
contraintes sont illustrées dans les digrammes 1 et 2. Après avoir vérifier les digrammes 1 et
2, on continue avec la vérification du digramme 3 partie I, en sachant que nous pouvons
aussi réaliser le digramme3 partie I pour les composants anciens. Nous remarquons que ces
diagrammes ont une structure en boucle fermée.
Un autre chemin pour la mise en place d’une amélioration consiste à parcourir les
étapes illustrées dans le diagramme 3, partie II suivie par le diagramme 4, tout en prenant en
compte les contraintes sur le nombre d’opérateurs de maintenance disponibles et le budget
technique.
Les autres étapes (étapes 7, 8, 9 et 10) sont des étapes pratiques, liées à l’application
effective de la méthode proposée au sein de l’entreprise.
II.4 Approche formelle

Nous avons vu qu'il y a des étapes pratiques (étapes 7, 8, 9 et 10) dans notre méthode
de mise ne place d'un SMQ. Ces étapes pratiques ne permettent pas de bien valider la réussite
de cette méthode. Cependant, la mise en place d’une organisation nécessite du temps et un
certain budget. Par conséquent, il est important de disposer d’outils formels pour la
vérification de la cohérence fonctionnelle des processus et de la possibilité d'amélioration et
de maîtriser des processus.
L’approche formelle que nous proposons est basée sur les outils de la famille IDEF.
Ces outils permettent une représentation fonctionnelle claire du système, ainsi que de la
relation entre les différentes fonctions. Par la suite, nous détaillons ces outils.
II.4.1 Famille d'IDEF

IDEF (Integrated computer aided manufacturing DEFinition language) est une
technologie standardisée développée par l’U.S. Air Force sous le programme ICAM [ICAM,
81a] [ICAM, 81b]. Son but est de définir l’architecture de systèmes industriels. Ces méthodes
foutissent une réponse aux besoins ressentis en analyse et en communication entre les
personnes impliquées dans l'amélioration de la productivité des entreprise [Johansson, 93]
[Cheung, 98].
61
Elle est couramment utilisée par les industriels dans le cadre de l’analyse d’entreprise,
de la définition de processus, et de la modélisation de processus ou des activités [Galland,
01].
IDEF est un ensemble de méthodes composé de :
IDEF0 : Modélisation basée sur les activités,
IDEF1 : Modèles informationnels,
IDEF1X : Modélisation de structures de données,
IDEF2 : Modèles pour la simulation,
IDEF3 : Saisie de descriptions de processus,
IDEF4 : Conception orientée objet,
IDEF5 : Saisie de descriptions d’ontologies,
IDEF6 : Saisie de rationalités conceptuelles,
IDEF7 : Méthode d’audit pour les systèmes d’information,
IDEF8 : Modélisation d’interfaces utilisateurs,
IDEF9 : Spécifications de la conception dirigées par scénarios des systèmes
d’information,
….etc.
Nous utilisons dans notre approche les méthodes IDEF0 et IDEF3.
II.4.1.1 IDEF0/SADT
IDEF0 est une méthode basée sur « Structured Analysis and Design Technique »
(SADT) qui est une méthode dédiée à la modélisation des spécifications formelles. SADT
est composée de deux parties : 1) un formalisme qui exprime la définition des fonctions d’un
système (Structured Analysis) et 2) la démarche d’élaboration du modèle (Design
Technique).
Cet outil s’applique à des systèmes comportant des tâches à réaliser : systèmes
d’information, système de production, processus industriels, …etc. Cette méthode facilite la
communication entre les équipes de travail [Reimann, 95], [Hasan, 02], [Peffers, 05] grâce
aux caractéristiques suivantes :
Très bonne lisibilité ;
Nombre restreint de concepts de base ;
Aptitude à communiquer dans un langage non informatique ;
Structure hiérarchique et modulaire du modèle obtenu ;
Utilisation des diagrammes basés sur des éléments graphiques simples, composés de
boîtes et de flèches ;
62
Utilisation des étiquettes textuelles pour identifier les boîtes et les flèches et un
glossaire qui définit avec précision la signification des éléments de chaque diagramme ;
Bonne représentation dont la précision augmente graduellement, commençant par une
hiérarchie des fonctions principales du système et progressant par des niveaux de plus en
plus bas jusqu’aux fonctions élémentaires du système ;
Bonne représentation des flux des fonctions et des données d'un système étudié parmi
les autres fonctions.
Cet outil est utilisé également pour bien détailler et comprendre les processus et les
activités dans les entreprises complexes comme par exemple les hôpitaux [Staccini, 05].
La méthode SADT analyse un système ou un produit, de manière descendante,
modulaire et hiérarchique. Plusieurs concepts fondamentaux sont à la base de la méthode
SADT. Avant tout, une analyse par SADT d’un système permet d’en construire un modèle,
afin d’obtenir un enchaînement d’actions et de données moins complexes que celles de
départ.
Général A-0
Contrôles/Contraintes
Entrée Sortie
Activités/Données
A0
A1
Ressources/Moyens
A2
A3
A3
A31
A34
A32
Détaillé
A33
Figure II.10. Principe de la méthode SADT
63
Plusieurs modèles SADT peuvent s’avérer nécessaires pour exprimer différents points
de vue : le point de vue du concepteur, de l’utilisateur, des opérateurs de contrôle, de l’équipe
de maintenance, etc. Ces différentes représentations permettent une meilleure compréhension
du système.
Point de vue du
Kit 1 gestionnaire
Point de vue
de l'utilisateur
MODELE Kit 2
Kit 4
SADT
Point de vue de
la maintenance
Point de vue de Kit 3

la production
Figure II.11. Modèle SADT avec des points de vue
SADT est une méthode d’analyse descendante, hiérarchique, modulaire et structurée.

Elle permet ainsi de faire ressortir le maximum de détails au fur et à mesure que l’on
progresse dans la décomposition. La profondeur de la décomposition dépend du grain
informationnel entre les différents niveaux. De plus, elle est limitée par la lisibilité des
diagrammes, ce qui implique que chaque diagramme de niveau inférieur contient une
quantité limitée d’informations relatives à un sujet précis.
SADT permet la séparation du “QUOI” et du “COMMENT” en fournissant une
description fonctionnelle d’un système indépendamment des diverses solutions envisageables
pour sa réalisation. Par conséquent, il répond à deux niveaux d’abstraction : le niveau
conceptuel et le niveau organisationnel.
SADT modélise le système selon deux aspects : les “données” et les “activités”. Les
données ou objets sont les composants du système. Ils sont représentés à l’aide de
datagrammes. Les activités (humaines, matérielles et logicielles) sont représentées à l’aide
d’actigrammes (Figure II.12). Les activités sont représentées par des verbes, alors que les
64
données de contrôle, les données d’entrée, les données de sortie et les supports de l’activité
sont représentés par des substantifs.
Données de contrôle
Données Données
d'entrée ACTIVITE de sortie
Mécanismes ou supports de l'activité

Actigramme
Activités de contrôle
Activités Activités
génératrice DONNEE utilisatrice
Mécanismes ou supports de la donnée

Datagramme
Figure II.12. Actigramme et datagramme du modèle SADT
Les flèches représentent les contraintes de liaison entre les boîtes, mais ne symbolisent
en aucun cas des ordres de séquencement comme par exemple dans un organigramme.
Lorsque les boîtes SADT décrivent une activité, les flèches interagissent sur celle-ci de la
façon suivante [Tailland, 00] :
Les données d’entrée sont les données sollicitées par l’activité pour remplir son rôle,
elles sont donc modifiées par l’activité ;
Les données de contrôle sont les données qui entraînent une contrainte sur la façon
dont l’activité sollicite l’entrée ; contrairement aux données d’entrée, elles ne sont pas
modifiées par l’activité ;
Les mécanismes ou supports de l’activité illustrent les moyens mis en œuvre pour
réaliser l’activité ;
Les données de sortie sont les données générées par l’activité.
La représentation graphique adoptée par SADT permet ainsi de décrire le processus en
plusieurs niveaux, d’en montrer les relations, d’exposer les détails de façon progressive,
contrôlée et concise tout en évitant les imprécisions inhérentes au langage naturel. De plus,
cette méthode favorise le travail en équipe. Chaque membre de l’équipe a la possibilité de
65
communiquer ses idées, ses décisions ; les résultats peuvent alors facilement être mis en
évidence.
Les modèles SADT peuvent contenir également des flèches à double sens. Dans ce
cas, on met un petit point sur le côté de l'extrémité de la flèche pour rappeler qu'elle est
bidirectionnelle.
Nous pouvons résumer que un modèle de SADT ou un kit de modèle SADT est
composé de :
Diagramme d'ACTIVITES ou ACTIGRAMMES représentant l'ensemble des
activités du système ;
Digramme de DONNEES ou DATAGRAMMES montrant l'ensemble des données
du système ;
TEXTES explicatifs sur les ACTIGRAMMES et DATAGRAMMES ;
Digrammes Pour Explication Seulement appelé P.E.S ;
Une LISTE HIERARCHIQUE : schéma de la hiérarchie du système analysé ;
Une GLOSSAIRE définissant les principaux termes employés dans les diagrammes et
textes ;
CONDITION D'ACTIVATION.
Enfin, nous pouvons citer qu'il y a des points communs entre certains modèles de la
famille IDEF et SADT. Par exemple, IDEF0 qui analyse la fonctionnalité du système, est
identique à une description par actigrammes SADT. IDEF1 analyse la structure des
informations mises en jeu par l'intermédiaire d'un modèle entité-association. Ce modèle est
équivalent aux datagrammes de SADT.
II.4.1.2 IDEF3
IDEF3 est une méthode de modélisation graphique basée sur la description des
processus. Cette description est réalisée par des diagrammes de flux, complétés par des
documents d’information. La méthode IDEF3 offre un graphisme qui facilite la
compréhension d'un système complexe [Marier, 96].
Les diagrammes de flux sont composés à partir de quatre éléments :
Les unités de comportement (UDC) qui représentent toute entité ou artefact pouvant
être produit par le système. Elles sont représentées par un rectangle divisé en trois zones : son
nom, son niveau de détail dans la décomposition hiérarchique, et le numéro d’une éventuelle
activité IDEF0 associée ;
Les liens utilisés pour relier les UDC ;
66
Les connecteurs logiques (ET, OU, et OU exclusif) ;

Les références, propres à IDEF3, permettent d’accéder à une partie du modèle (ou à
un autre modèle) [Vernadat, 99].
Même si les concepts de base d’IDEF3 proposent un grand pouvoir expressif, les
modèles obtenus sont de nature qualitative et ne permettent donc pas l’analyse et
l’optimisation des processus modélisés.
Dans IDEF3, nous écrivons le processus selon les rapports de priorité et de causalité
entre les activités et les événements de ce processus, ainsi, IDEF3 est une méthode structurée
utilisée pour exprimer comment un système ou une organisation fonctionne et pour montrer
différentes vues d'utilisateur du système. Elle se compose de deux modèles : un modèle de
description du flux de processus et un modèle description de transition d'état. Le premier
modèle (en anglais PFD Process Flow Description) décrit le fonctionnement de
l'organisation. Le deuxième modèle (en anglais OSTD Object State Transition Description)
récapitule les transitions permises d'un objet dans un processus [Hanrahan, 95].
La méthode IDEF3 permet donc d’exprimer aisément les relations causales et de
précédence rencontrées dans l’expression des processus d’entreprise. En revanche elle fait
totalement abstraction de la présence de l’entité humaine et néglige donc sa description.
Notons cependant que d’autres extensions de la méthode IDEF définissent bien évidemment
la présentation associée à la notion de ressource [Bennour, 04].
Figure II.13. Méta-modèle de IDEF3 [Maye, 95]
La Figure II.13 présente le méta-modèle de IDEF3 selon [Mayer, 95]. En sachant que
l'auteur a utilisé les principes et les concepts de méthode UML pour construire un méta-
67
modèle de IDEF3. La description d'un processus s'articule autour du construit d'Unité De

Comportement (UDC) qui définit une étape quelconque d'un processus. Pour former des
Scénarios, les UDC sont connectées par l'intermédiaire de Liens et de connecteurs logiques
(Boîtes de jonction). Ces derniers traduisent les flux de contrôle, synchrones ou asynchrones,
d'un processus.
II.5 Modèle SADT du service de maintenance

Par la suite, nous proposons un modèle SADT pour le service de maintenance d’une
centrale thermique. Ainsi, nous détaillons les étapes de la création du modèle SADT afin de
bien montrer la force et l'efficacité de ce modèle. La préparation pour créer le modèle SADT
commence par la création du contexte général, dans ce domaine, if faut choisir le but et le
point de vue, par exemple, notre but est la mise en place d'un système de management de la
qualité pour le service de maintenance dans une centrale thermique. Le service de
maintenance exécute le programme de maintenance (maintenance corrective et préventive),
les acteurs dans ce service sont (voir Figure II.2) :
Directeur ;
Chef de travaux de maintenance ;
Chef d'équipe ;
Contrôleurs & Opérateurs.
Ce service participe à la satisfaction des clients (consommateurs d’électricité) car la
productivité d’énergie dépend directement du bon fonctionnement des machines. Les acteurs
qui participent à la mise en œuvre de la maintenance préventive, sont le directeur du service,
le chef de travaux de maintenance, chefs d’équipe, les opérateurs ainsi que les contrôleurs qui
fournissent des données nécessaires à l’élaboration du programme de maintenance. Ce
programme intègre des contraintes imposées par les organismes de tutelle.
Les acteurs impliqués dans la maintenance curative sont les contrôleurs, les chefs
d’équipe et les opérateurs.
Ensuite, la création de diagramme A-0 qui nous aide à poser le cadre général du service de
maintenance. On y retrouve les entrées, les résultats obtenus suite à l’activité du service, les
contraintes à respecter et les ressources disponibles.
Les autres étapes sont la création d’une base de données grâce à l'interview des
experts. Ensuite, l'organisation des données obtenues dans une liste, le regroupement des
données, la réalisation d'une liste d'activités sollicitant les données regroupées, le
regroupement des activités manipulant les mêmes groupes de données.
68
Par la suite, nous détaillons progressivement l’activité du service.
Figure II.14. Modèle SADT de centrale thermique - Diagramme A-0
Diagramme A0
Le diagramme A0 modélise les activités principales du service de maintenance. Ce
diagramme contient quatre activités qui présentent l’organisation du service de maintenance,
la mise ne œuvre de l’activité de maintenance, le suivi des résultats et l’amélioration des
performances.
Figure II.15. Modèle SADT de centrale thermique - Diagramme A0
69
Diagramme A1
Le diagramme A1 présent l’organisation du service de maintenance composé à son
tour de trois activités : 1) planifier les actions de maintenance 2) définir et allouer les
ressources humaines et techniques et 3) définir les dépenses.
De plus, quand on détermine l’état initial de la centrale qui indique toutes les
informations actuelles de la centrale (quantité, position dans la maintenance préventive, état
des composants, …etc.). En même temps, on envoie des informations pour commencer
l’activité définir et allouer les ressources humaines et techniques. Le programme de
maintenance défini prend en compte le seuil de production mini. Le résultat de cette étape est
l’affectation des ressources humaines et techniques, des demandes d’achat pour les
composants manquants et des demandes de formation pour les ressources humaines. En
revanche, avant de mettre en œuvre ces demandes, il faut définir les dépenses.
Diagramme A2
Ce diagramme explique la mise en œuvre du service de maintenance (exécuter). Il
contient quatre boîtes. En utilisant le programme de maintenance comme donnée d’entrée, le
seuil de production mini comme contrainte de contrôle, le résultat sera la réalisation de la
maintenance, autrement dit, un nouveau état de la centrale. Une autre donnée de sortie de
cette activité est l’état des outils employés pour effectuer les opérations de maintenance. Ces
outils doivent êtres vérifiés afin d’êtres prêts pour une nouvelle intervention. Les résidus
désignent les déchets générés par l’activité de maintenance.
70
On exécute l’activité de mise en œuvre de la formation des ressources humaines, suite

à l’affectation des ressources et à la validation des demandes de formation. Cette activité est
contrainte par le budget d’exploitation de la centrale. Le résultat de cette activité est
représenté par des ressources humaines formées qui permettront d’obtenir le niveau de qualité
du travail demandé.
Enfin, la dernière activité est la mise en œuvre d’achats. Cette activité est déclenchée
par les demandes d’achat. Le résultat est la disponibilité des ressources techniques Les
contraintes sont le budget d’exploitation et le délai d’achat.
Diagramme A3
Le diagramme A3 présent les activités de contrôle du service de maintenance. Il
contient deux cases. La première est le contrôle des actions de maintenance. On prend en
compte le nouvel état de la centrale ou la maintenance réalisé comme donnée d’entrée, l’écart
entre les objectifs atteints et les résultats obtenus comme information de sortie et le
programme de maintenance comme donnée de contrôle.
Cependant, en commençant avec les ressources humaines formées comme entrée pour
faire la deuxième activité dans ce diagramme, le contrôle de la qualité de la formation des
ressources humaines. Le résultat sera l’écart entre les formations obtenues et les formations
prévues. Les contraintes sont la validation les formations prévues et le programme de
maintenance.
71
Diagramme A4
Ce diagramme explique les activités de suivi et d’amélioration du service de
maintenance. La donnée d’entrée de cette activité est l'écart de la formation et l'écart entre
Objectifs/Résultat. Nous considérons également les résidus et le budget d'exploitation comme
des contraintes pour la proposition des actions correctives. Les données de sortie de cette
activité sont les actions correctives et préventives proposées.
72
II.6 Modèle IDEF3

Nous avons présenté le diagramme A2 dans la Figure II.17. La Figure II.20 présente le
modèle IDEF3 du diagramme A2. Ce diagramme décrit le flux de contrôle du processus
(exécuter le service de maintenance).
Figure II.20. Modèle IDEF3 du diagramme A2
Ce diagramme explique le processus d'exécution de service de maintenance. Grâce à

ce diagramme nous percevons qu'il y a la possibilité de deux décisions pour l'exécution de
service de maintenance. La première est de mettre en œuvre les formations des RH et les
achats. Nous voyons bien l'utilisation de l'opérateur logique Ou (OR).
La deuxième décision est de réaliser les actions de maintenance et de contrôle des
outils de travail. Nous pouvons marquer l'opérateur logique Et (AND). La flèche pointillée
modélise la relation ce deux activités [Alahmad, 06a].
II.7 Conclusion
Nous avons présenté une méthode pour la mise en place d’un système de management
de la qualité en respectant la norme ISO 9000/2000. Un système de management de la qualité
est un outil de management qui vise à améliorer l'organisation et le fonctionnement d’une
entreprise.
Notre méthode consiste de dix étapes suivantes :
1. Préciser la politique qualité et les objectifs qualité de l’entreprise ;
2. Déterminer les processus critiques par rapport aux objectifs qualité ;
3. Déterminer l’efficacité de chaque processus et rechercher des possibilités
d’amélioration ;
73
4. Déterminer les moyens permettant de réduire le nombre de pannes et de non

conformités ;
5. Déterminer les risques et choisir les améliorations qui peuvent donner les meilleurs
résultats avec un minimum de risques ;
6. Planifier les procédures, les processus et les moyens permettant de mettre en places les
améliorations identifiées ;
7. Mettre en œuvre le plan d’actions ;
8. Surveiller des effets des améliorations ;
9. Evaluer les résultats obtenus par rapports aux résultats prévus.
10. S’il y a une révision des objectifs qualité, aller à l’étape 1, sinon aller à l’étape 3.
Nous avons appliqué cette méthode pour le cas du service de maintenance d’une
centrale thermique.
Grâce à cette méthode, nous avons réussi à présenter les risques et les contraintes
associées. Ainsi, nous avons présenté également une solution pour chaque risque et la manière
de mesurer l'efficacité de chaque solution (voir Figure II.8). De plus, nous avons réussi à
montrer la séparation entre les risques et les contraintes associées pour faciliter le choix des
améliorations et la façon de planifier ces améliorations (voir Figure II.9).
Ensuite, nous avons proposé une approche formelle se basant sur les outils de la
famille IDEF. Ces outils permettent une représentation fonctionnelle claire du système, ainsi
que de la relation entre les différentes fonctions.
Nous avons utilisé l'approche formelle comme un outil de modélisation grâce aux
outils de la famille IDEF, pour un objectif de vérifier la cohérence fonctionnelle du système.
De plus, nous avons utilisé cette approche parce qu'il y a des étapes pratiques (étapes 7, 8, 9 et
10) dans notre méthode de mise en place de système de management de la qualité ; ces étapes
pratiques ne nous permettent pas de bien valider la réussite de notre méthode. Par conséquent,
il est important de disposer d’outils formels pour la vérification du fonctionnement des
processus et de la possibilité d'amélioration et de maîtriser des processus.
Enfin, on peut remarquer que le modèle SADT que nous avons proposé pour le service
maintenance respecte bien le principe PDCA (voir Figure II.21).
74
Figure II.21. SADT et Principe PDCA
75
CHAPITRE III
Du SADT aux réseaux de Petri
Chapitre III Du SADT aux réseaux de Petri
78
Chapitre III
Du SADT aux réseaux de Petri
Notre travail de recherche concerne la mise en place et le dimensionnement d’un

système de management de la qualité. Dans le chapitre précédent nous avons proposé une
approche de mise en place d’un système de management de la qualité et nous avons modélisé
les fonctionnalités d’un tel système à l’aide de l’outil SADT. Cet outil permet une vue claire
des fonctionnalités d’un système ainsi que de leurs interactions. Par contre, il ne permet pas
une analyse du comportement dynamique du système. Ainsi, dans ce chapitre, nous proposons
d’associer la facilité de modélisation d’une organisation de l’outil SADT à la puissance de
modélisation de l’outil réseau de Petri. L’objectif est de détecter des éventuels blocages dans
le fonctionnement du système ainsi que l’adéquation des ressources alloués avec les objectifs
fixés.
Dans ce chapitre nous proposons une méthode pour construire un réseau de Petri à
partir du modèle SADT d’un système de management de la qualité. Par la suite, dans le
chapitre 4, nous traiterons l’allocation des ressources dans un système de contrôle qualité de
la production.
L’outil SADT a été présenté dans le chapitre précédent. Par conséquent, dans la
section suivante nous présentons l’outil réseau de Petri (RdP).
III.1 L'outil réseaux de Petri

Les RdP constituent un puissant outil de modélisation et d'analyse pour l'étude des
systèmes à événements discrets SED (systèmes de production, protocoles de communication,
etc.). Le support mathématique associé à cet outil donne le soutien formel nécessaire pour
l’analyse, l‘évaluation et la validation des modèles proposés. La représentation graphique
d’un réseau de Petri est composée de trois éléments (les places, les transitions et les arcs). Le
caractère intuitif et visuel facilite la compréhension de son comportement et permet
l’identification visuelle de certaines propriétés de fonctionnement (partage de ressources,
synchronisation, …).
L’utilité des RdP dans le domaine des SED est incontestable car ils permettent une
modélisation facile des comportements tels que le parallélisme, la synchronisation, le partage
de ressources et le choix. La popularisation de cet outil est une évidence de son utilité. De
nombreux auteurs s’en servent pour décrire et analyser les systèmes avec des comportements
79
asynchrones, distribués, parallèles, non déterministes et stochastiques. Parmi une grande

gamme d’applications nous pouvons souligner les systèmes temps réel, la robotique,
l’avionique, les réseaux de communication, les systèmes distribués, l’intelligence artificielle,
etc.
Le principal inconvénient des RdP est l’explosion combinatoire de l’espace d’état qui
peut apparaître lorsque le système à modéliser devient complexe. Dans ce cas sa
représentation graphique peut devenir peu lisible [Silveira, 03].
Un système de management de la qualité évolue selon l’arrivée des événements. Les
contraintes sur l’occurrence de ces événements peuvent êtres déterministes ou stochastiques.
D’un coté, les contraintes déterministes concernent la mise en place des audits, le suivi des
procédures qualité. D’un autre coté, l’aspect stochastique est introduit entre autres par le
résultats des contrôles qualité qui ont une influence sur la fréquence du réglage des machines
et donc sur la productivité. Par conséquent, nous allons présenter les principales
caractéristiques des modèles réseau de Petri autonomes, les réseaux de Petri temporisés et les
réseaux de Petri stochastiques. Pour plus de détails les lecteurs sont renvoyés aux documents
suivants [Cesare, 93] [Proth, 97] [Camus, 97] [David, 92] [Sava, 01].
III.1.1 Quelques définitions d'un RdP

Un RdP est un graphe biparti composé de deux types de sommets : les places et les
transitions. Les places sont représentées par des cercles et les transitions par des rectangles
(par des barres dans quelques ouvrages). Des arcs orientés relient les places aux transitions et
les transitions aux places. Un arc ne relie jamais deux sommets de la même nature. Chaque
place peut contenir un ou plusieurs jetons appelés marques. Un marquage est un vecteur à
composantes entières positives ou nulles, dont la dimension est égale au nombre de places.
Chaque élément du vecteur de marquage mémorise le nombre de marques dans la place
associée. L'état d'un réseau est défini par le vecteur de marquage.
Définition 1 : Un RdP est un 5-uplet N = (P, T, A, Pré, Post) :
P = {p1 , p 2 , ..., p n }est l'ensemble fini des places ;
T = {t1 , t 2 , ..., t m }est l'ensemble fini des transitions ;
A ⊆ (P × T ) ∪ (T × P ) est l'ensemble fini des arcs ;
Pré : P×T→ℵ, Pré(pi, tj) désigne le poids des arcs qui relient la place pi à la transition
tj ;
Post : P×T→ℵ, Post(pi, tj) désigne le poids des arcs qui relient la transition tj à la
place pi.
80
Définition 2 : Un réseau de Petri marqué est un couple R=(N, M0) où :

N est un réseau de Petri ;
M0 est le marquage initial.
Soit •tj et tj• les ensembles des places respectivement d’entrée et de sortie de la
transition tj. De même, les ensembles •pi et pi• désignent les transitions d’entrée et
respectivement de sortie de la place pi.
Une transition tj est validée par un marquage si chacune des places i pi∈ •tj contient au
moins un nombre de marques égal au poids attaché à l'arc reliant pi à tj. Plus formellement,
une transition tj est franchissable à partir d’un marquage M si, et seulement si, M(p)≥ Pré(pi,
tj), ∀ p∈•tj , où M ( p) est le marquage de la place p .
Une transition validée peut être franchie. Le franchissement d'une transition est une
opération instantanée. Le franchissement d'une transition tj consiste à retirer Pré(pi, tj)
marques de chaque place pi∈•tj et à ajouter Post(pk, tj) marques dans chaque place pk∈tj•.
Le franchissement d'une transition franchissable à partir d'un marquage M conduit à
un nouveau marquage M'. Le franchissement successif des transitions est appelé séquence de
franchissement.
Un marquage M est dit atteignable à partir du marquage initial M0 s'il existe une
séquence de franchissement transformant M0 en M.
L’évolution du marquage d’un réseau de Petri peut être décrite à travers l’équation
fondamentale des réseaux de Petri :
M = M 0 +W σ
Où σ est une séquence de transitions franchissables transformant M0 en M, et W(pi,
tj)= Post(pi, tj)- Pré(pi, tj) représente la matrice d’incidence du réseau de Petri.
Une transition source est une transition sans place d'entrée, elle est toujours
franchissable. Une transition puit est une transition sans place de sortie.
Nous allons illustrer ces deux types de transition à l'aide de la Figure III.1. Dans la
Figure III.1, T1 est une transition source et T5 est une transition puit. Le marquage initial de
cet exemple est M 0 = [2, 1, 0,1] .
81
Figure III.1.Transition de puit et de source
Un circuit élémentaire est un chemin qui part d'un sommet (place ou transition) du
RdP et y revient sans jamais rencontrer plus d'une fois le même sommet.
Dans les RdP ordinaires, on identifie deux structures particulièrement importantes : les
verrous et les trappes. Un verrou, aussi appelé siphon, est un ensemble Ps de places où toute
transition, qui a une place de sortie dans Ps, a au moins une place d'entrée dans Ps. Une trappe
est un ensemble Pt de places où toute transition, qui a une place d'entrée dans Pt, a au moins
une place de sortie dans Pt. Soit A(N, M0) l’ensemble de marquages atteignables d’un réseau
de Petri N, par rapport au marquage initial M0.
Définition 3 : Un RdP est vivant si, et seulement si, ∀ M ∈ A (R , M 0 ) il existe une
séquence de transitions franchissables à partir de M contenant toutes les transitions.

Définition 4 : Un RdP est réversible si, et seulement si ∀ M ∈ A (R , M 0 ) il existe une
séquence de transitions transformant M en M0.

Définition 5 : Un RdP est borné si, et seulement s'il existe un nombre k f 0 tel que,
∀ M ∈ A (R , M 0 ) M ( p ) ≤ k .
III.1.2 RdP Temporisés

Il existe dans la littérature, plusieurs modèles de RdP temporisés. L'utilisation de la
temporisation et sa localisation dépendent de l'application. Lorsqu'on associe la temporisation
aux transitions, on obtient un RdP T-temporisé [Ramchandani, 74]. Lorsque la temporisation
est associée aux places, les RdP deviennent des RdP P-temporisés [Sifakis, 78].
82
Dans nos travaux, nous utilisons des réseaux de Petri avec des contraintes temporelles
associées aux transitions. Une transition peut être franchie si elle est restée validée sans
interruption par le marquage des places au moins une durée égale à la temporisation associée.
P1
T1 (5)
P3 P2
P4
T2 (8)
Figure III.2. RdP temporisé
Dans les RdP T-temporisés, on associe une durée aux transitions. Les jetons ont un
temps de séjour minimal dans chaque place et, pendant ce temps, les jetons ne peuvent pas
être utilisés pour le franchissement des transitions. La Figure III.2 présente un RdP temporisé
où nous avons ajouté un temps égal à cinq pour la transition T1 et un temps égal à huit pour la
transition T2, nous pouvons traduire ce temps dans le système de production comme le temps
nécessaire pour la machine pour réaliser le produit.
III.1.3 RdP stochastique

Les RdP stochastiques sont des réseaux de Petri pour lesquels le franchissement de
certaines transitions est conditionné par des variables aléatoires.
Nous allons utiliser le même réseau présentant dans la Figure III.2, mais le
franchissement de T2 selon une variable aléatoire (x), en sachant que nous appelons RdP
stochastique tout RdP dont au moins une des transitions a une temporisation stochastique
(Figure III.3).
83
P1
T1 (5)
P3 P2
P4
T2 (x)
Figure III.3. RdP stochastique
Dans la littérature, les lois de variables aléatoires les plus utilisées sont les lois
suivantes :
1. les variables aléatoires uniformément répartie sur [a,b] sont présentées comme suit :
⎧ 1
⎪ si x ∈ [a, b]
f ( x) = ⎨ b − a
⎪⎩ 0 si x ∉ [a, b]
2. les variables aléatoires d'Erlang de paramètres α et β sont présentées comme suit :
⎧ 1
⎪ α si x ≥ 0
f ( x) = ⎨ β Γ(α ) x (α − 1) exp ⎛⎜ − x ⎞⎟
⎝ β⎠
⎪
⎩ 0 si non
3. les variables aléatoires exponentielles de paramètre λ sont présentées comme suit :

⎧λ exp (− λ x ) si x ≥ 0
f ( x) = ⎨
⎩ 0 si non
III.2 Passage du IDEF0/SADT aux réseaux de Petri

Dans la littérature, il existe déjà des travaux sur l’association des modèles
IDEF0/SADT et RdP. Nous citons quelques approches.
La méthode utilisé dans [Jensen, 90] est basée sur l’annotation du modèle SADT avec
des informations décrivant les relations d'entrée/sortie en précisant explicitement la
84
signification des flèches. Des règles ont été déduites pour construire un RdP coloré associé au
modèle SADT annoté. Le réseau de Petri obtenu peut être simulé par un simulateur consacré.
Dans [Jafari, 94] les auteurs ont proposé une méthode basée sur l'utilisation d'un
certain nombre de règles de transformation pour construire le RdP autonome associé au
modèle SADT. La première étape consiste à bien préciser l’entrée et la sortie de chaque
activité. Ensuite, on remplace chaque activité par une structure transition-place-transition.
Chaque ressource partagée est représentée par une place avec un jeton. Dans cet article, les
auteurs s’intéressent à modéliser les activités parallèles ou en conflit. Ils ont considéré
seulement le cas des activités ayant une entrée unique et une sortie unique. Les auteurs ont
appliqué leur méthode sur un exemple qui traite un tour avec robot.
La méthode proposée par [Liang, 94] commence par la construction d'un diagramme
hiérarchique fonctionnelle représentant le flux de la matière. Puis ont construit un autre
diagramme pour le flux d’information qui commande le flux de la matière. Les deux
diagrammes regroupés donnent un diagramme contrôlable. A partir de ce diagramme ont
construit le RdP associé.
La méthode utilisé dans [Zaytoon, 97] est dédiée aux systèmes de production. Elle est
basée sur l’annotation des flèches de modèle SADT. Ensuite, on construit le RdP à partir du
modèle SADT en utilisant des réseaux secondaires correspondant aux éléments du modèle
SADT. Les règles utilisées dans cette méthode sont les suivantes: d’abord, on remplace
chaque tâche dans le modèle SADT par un RdP composé de deux places et deux transitions
(voir Figure III.4). La place (i) représente l’état « non-active » de la tâche. La place (a)
représente l’état « active ». Initialement, la place (i) est marquée.
Contrôle/contrainte
Non- active
i Activé
Entrée Sortie
Désactivé a
Active
Ressources
Figure III.4. Représentation d'une tâche
85
Ensuite, les autres définissent des règles pour décrire les flux (de matière,
d’information…) représentés par les flèches du modèle SADT. De plus, selon les auteurs, on
trouve sept types de flèches de synchronisation, comme dans la Figure III.5 [Zaytoon, 96].
Figure III.5. Flèches de synchronisation
Cependant, Les ressources partagées sont modélisées, selon le principe illustré dans la
Figure III.6.
86
Activité 1
a
i
Activité 2
a
Ressources partagées
Figure III.6. Modélisation des ressources partagées
A la fin, on ajoute des arcs et des transitions qui représentent les entrées et les sorties
externes du modèle SADT.
Une autre approche est présentée dans [Santarek, 97]. Celle-ci se consacre à une
méthode et des outils pour contrôler un système de production flexible. Les auteurs ont utilisé
la méthode SADT pour étudier les spécifications de systèmes modélisés, les interfaces ou les
dynamiques sont réalisées par un certain nombre de règles de transformation des
spécifications SADT/IDEF0 dans un RdP. Les auteurs ont considéré que la dynamique des
activités est déterminée par a deux événements : 1) le déclenchement et 2) la fin de l’activité,
pour cela, ils modélisent chaque activité par une structure transition-place-transition. De
même, ils ne modélisent que les ressources partagées. Le principe de cette méthode est illustré
dans la Figure III.7.
De plus, les auteurs ont expliqué la correspondance entre les éléments des modèles
SADT et RdP dans le Tableau III.1.
Eléments de SADT/IDEF0 Eléments de RdP

Boîte d'activité Transiton-Place-Transition
Flèche d'entrée Place
Flèche de sortie Place
Flèche de contrôle Place
Flèche de ressource Place
Tableau III.1. Eléments de SADT et leurs équivalents de RdP selon [Santarek, 97]
87
Figure III.7. Diagrammes SADT et les RdP équivalents selon [Santarek, 97]
Ces méthodes sont dédiées aux systèmes de production. Elles visent à représenter la
succession des activités, ainsi que les ressources partagées. Cependant, le management d’une
entreprise par la qualité se base sur l’existence de ressources propres à chaque activité. De
plus, certaines ressources sont consommées par l’exécution de l’activité (par exemple :
ressources financières, certaines ressources matérielles). Ces aspects nous ont poussé à
proposer une autre méthode de passage d’un modèle IDEF0/SADT à un modèle RdP.
De plus, nous voudrons préciser que les études récentes sur les RdP ont mené à deux
domaines principaux de recherches [Estraillier, 96] :
prolonger des réseaux de Pétri afin d'ajouter des possibilités de modélisation
hiérarchiques ou structurantes ;
associer les réseaux de Pétri avec un autre formalisme qui apporte ses possibilités de
structuration.
L’approche que nous proposons pour la construction du réseau de Petri associé à un
modèle SADT s’appuie sur les approches présentées tout en intégrant des éléments qui nous
permettent de prendre en compte les aspects spécifiques d’un système de management de la
qualité.
La première étape de cette approche consiste à définir la signification de chaque
activité ainsi que les entrées, les sorties, les contrôles et les ressources.
88
Ensuite on définit le flux d’information et de matière à travers des flèches. La

construction du RdP associé au modèle SADT est effectuée selon les règles données dans la
Tableau III.2 [Alahmad, 05b].
Dans notre approche pour établir les RdP à partir de SADT, nous avons utilisé des
règles qui sont adaptées avec notre modèle, ces règles sont présentées dans la Tableau III.2.
SADT RdP
Activité de
SADT
Transition
Activité de SADT
Transition source A1
A1
Flèche d'entrée (Entrée de Place
diagramme) Transition source Place
A1 Place
A1
Transition puit
Flèche de sortie (Résultat de
diagramme) Place Transition puit
A1
A2
Interface entre les activités Flèche Place Flèche
Divergence d’interfaces
Convergence d’interfaces
89
O-S
A1
A2
Contrôle interne Flèche Place Flèche
Contrôle
Contrôle externe
A1
A2
Ressources réutilisables
A1
A2
Ressources consommables
Tableau III.2. Règles pour faire le passage de SADT vers RdP
Par rapport aux travaux précédents, nous avons prêté une attention particulière aux
éléments supplémentaires nécessaires au fonctionnement d'un système de management de la
qualité : Contrôle externes et ressources consommables.
90
III.3 Application
Nous avons présenté le modèle SADT dans le chapitre 2, maintenant nous allons
utiliser ce modèle pour créer les RdP en prenant en compte les règles présentées dans la
Tableau III.2. Tout d'abord, nous allons montrer les étapes pour obtenir le RdP équivalent
pour le diagramme A0 dans le modèle SADT, mais aussi pour les autres modèles SADT nous
allons présenter seulement les RdP construits selon la méthode que nous proposons dans ce
chapitre.
RdP équivalent de diagramme A0 dans le modèle SADT

Nous considérons le modèle SADT – diagramme A0 présenté dans le chapitre 2 pour
illustrer la construction du RdP équivalent. Dans un premier temps, il faut définir la
signification de chaque activité ainsi que les entrées, les sorties, les contrôles et les
ressources. Il faut également distinguer les flux des informations et des matières pour faciliter
l'interprétation des résultats obtenus par la simulation du RdP. La Figure III.8 présente le
modèle SADT pour le diagramme A0 auquel nous avons ajouté une identification de
composants.
Figure III.8. Modéle SADT - diagramme A0
91
Elément Description Type

E1 Etat initial de centrale Flèche d'entrée
C1 Seuil de production mini Contrôle externe
C2 Maintenance préventive Contrôle externe

C3 Politique Contrôle externe
C4 Budget d'exploitation Contrôle externe
C5 Délais Contrôle externe
Programme de
D1 Contrôle interne
maintenance
D2 Validation des demandes Interface entre les activités
D3 Affectation (RH&RT) Interface entre les activités
D4 Résultat Interface entre les activités
D5 RH formés Interface entre les activités
Ecart entre
D6 Interface entre les activités
Objectifs/Résultat
D7 Ecart de formation Interface entre les activités
D8 Résidus Contrôle interne
D9 Actions proposées Interface entre les activités
S1 Résidus Flèche de sortie
S2 Facture de performance Flèche de sortie

Tableau III.3. Description les abréviations du diagramme A0
Maintenant, nous allons construire le RdP en utilisant les règles de la Tableau III.2. A
partir de la Figure III.8, nous appliquons les règles définies de la manière suivante :
Activités de SADT : les activités A1, A2, A3 et A4 dans la Figure III.8 sont représentées par
les transitions T1, T2, T3 et T4 dans la Figure III.12.
Interfaces entre les activités : les interfaces entre les activités sont définies par les flèches
D3, D4, D5, D6 et D7, nous allons les transformer par la structure Flèche-Place-Flèche. En
conséquence nous obtenons les structures RdP suivantes T1-P7-T2 pour D3, T2-P10-T3 pour
D4, T2-P11-T3 pour D5, T3-P14-T4 pour D6 et T3-P13-T4 pour D7.
92
Divergence d'interfaces : les flèches D1-D11 et D2-D22 sont des exemples de ce type
d'élément. Nous avons obtenu T1-P6-T5-P21-T3 et T1-P6-T5-P22-T2 pour D1-D11. La Figure
III.9 montre la transformation pour D2-D22 (T1-P8-T6-P24-T3 et T1-P8-T6-P23-T2).
Figure III.9. Exemple de ramification d'interfaces
Convergence d'interfaces : nous avons plusieurs exemples de ce type de transformation,

nous allons présenter comme exemple la Figure III.10 suivante :
Figure III.10. Exemple de regroupement d'interfaces
Contrôle interne : le contrôle interne de chaque flèche sort d'une activité comme une sortie
et entre comme un contrôle pour la deuxième activité, nous indiquons la flèche D9 dans la
Figure III.8 comme une présentation à ce type de contrôle. Dans la Figure III.10 nous avons
traduit ce type par T2-P12-T4.
Contrôle externe : le bon exemple de ce type de contrôle est la flèche C1 qui est un contrôle
externe. La Figure III.11 présente la règle de transformation de ce type de contrôle.
93
Figure III.11. Contôle externe
Ressources réutilisables : les RH sont des ressources réutilisables (P18).

Ressources consommables : nous considérons le budget comme une ressource
consommable. Il est modélisé par la place (P19).
Ressources hors d'usage : Un exemple de cette ressource est donné par les outils abîmés.
Dans le modèle nous les avons représentées par la transition T21.
En réalisant toutes les étapes suivantes, nous pouvons avoir la Figure III.12 qui
présente le RdP équivalent du modèle SADT – diagramme A0.
Figure III.12. RdP équivalent de diagramme A0
94
En réalisant la simulation de la Figure III.12, nous pouvons étudier les aspects

dynamiques pour le diagramme A0 du modèle SADT. Par exemple, nous pouvons détecter les
blocages générés par les défauts de conception du système ou par le manque de ressources.

E1 Etat initial de centrale Flèche d'entrée
C1 Maintenance préventive Contrôle externe
C2 Seuil de production mini Contrôle externe
C3 Politique Contrôle externe
S1 Programme de maintenance Flèche de sortie

S2 Affectation (RH&RT) Flèche de sortie
S3 Validation des demandes Flèche de sortie
D1 Programme de maintenance Interface entre les activités
D2 Informations Interface entre les activités
D3 Formation demandée pour RH Interface entre les activités
D4 Demande d'achat Interface entre les activités
95

E1 Programme de maintenance Flèche d'entrée
E2 Affectation (RH&RT) Flèche d'entrée
Formation demandée
E3 Flèche d'entrée
(validation)
E4 Demande d'achat (validation) Flèche d'entrée
C1 Programme de maintenance Contrôle externe
C2 Budget d'exploitation Contrôle externe

C3 Délais Contrôle externe
D1 Matériels accidentés Interface entre les activités
D2 Matériels de travail Interface entre les activités
S1 Résultat Flèche de sortie
96
S2 Résidus Flèche de sortie
S3 RT achetés & contrôlés Interface entre les activités
S4 RH formés Flèche de sortie
III.4 SADT temporel

Par la suite, nous présentons un autre outil pour étudier les aspects dynamiques d’un
système modélisé. Il s’agit d’une extension du modèle SADT appelé SADT temporel. Cet
outil permet de modéliser le comportement dynamique grâce à l'utilisation des interfaces
pour caractériser les flux des données et informations temporelles.
En sachant que le modèle SADT ne répond pas au besoin suivant [Senechal, 04] :
La représentation discriminante des flux principaux et flux secondaires relatifs aux
processus ;
La simulation à des fins d’estimation, qui nécessite l’introduction de données et
contraintes temporelles que ne permettent pas les formalismes basés sur l’outil SADT.
La construction d’un modèle SADT temporel se base sur les étapes suivantes [Zaytonn,
93] :
1. Utilisation de séquencement et équation d’activation : les équations d'activation sont
également utilisées pour permettre l'ordre de suivre l'activation des activités et de décrire les
différents chemins suivis par les flux à chaque activation ;
2. Notation des flèches pour la description des comportements des activités : cette étape
commence avec la notation et la détermination des types pour chaque flèche dans le modèle
SADT afin d'expliciter le rôle des différents flux de production. La flèche peut être soit un
flux de matière soit un flux d'information, de plus, il faut préciser que le flux d'information
représente soit une donnée soit un événement de synchronisation ou d'inhibition ;
3. Utilisation d’interfaces typées pour caractériser les flux de production : nous avons ici
deux types d’interfaces ; les interfaces qui expliquent les règles de visualisation les types de
flèches et les interfaces montrant la représentation graphique du comportement des activités.
La Figure III.15 représente les règles de visualisation des types de flèches en sachant que
nous nous appuyons sur les notations des flèches proposées dans l'étape précédente pour
déterminer la forme des flèches correspondantes dans le modèle SADT temporel.
97
Annotation de flèches Visualisation graphique

Type Relation
Données
Event-inhibition
Non-déclenchante
Matière
déclenchante
Précède
Egale
Rencontre
Event-
Chevauche
synchronisation
Contient
Commence
Termine
Figure III.15. Règles de visualisation des types de flèches [Zaytoon, 93]
Mais la Figure III.16 explique les règles de représentation graphique de comportement

des activités en s'appuyant sur les équations d'activation déterminant dans la première étape.
Equation d'activation Type

Toujours Parfois
Entrée Entré
sortie entrée Sortie Sortie
Contrôle Contrôle
sortie contrôle
Sortie Sortie
Contrôle Contrôle
entrée et contrôle
Entrée Entrée
Entrée1 Entrée1
sortie entrée1 et entrée2 et … Entrée Sortie Entrée Sortie
98
Contrôle Contrôle
(sortie1 ou sortie2 ou …) contrôle et entrée Sortie Sortie2
Entrée Entrée
Sortie Sortie1
Contrôl Contrôle
sortie (entrée ou entrée 2 ou …) et contrôle Entrée1 Entrée1
Sortie Sortie
Entrée Entrée
Figure III.16. Règles de représentation graphique de comportement des activités
Par la suite, nous allons présenter les modèles de SADT temporel, dans le premier
temps, nous détaillons l'application des différentes étapes pour réaliser le diagramme A0 du
modèle SADT temporel. Ensuite, pour les autres modèles SADT temporel, nous proposons
juste les résultats finals et les tableaux qui expliquent les comportements des activités.
Diagramme A0 de modèle SADT temporel

Nous nous appuyons sur le diagramme A0 du modèle SADT (présenté dans le chapitre
précédent voir Figure III.8) pour réaliser le modèle A0 du modèle SADT temporel. Dans le
premier temps, nous décrivons les équations d'activation suivantes :
E1C1C2 D1
E1C2 D3
E1C3 D2
D1D3 D4
D2C4D11 D5
D4C1D1 S2
D4D1 D6
D5D2 D7
D6D7 D8C4 D9
Ensuite, nous représentons la description des comportements des activités dans le
Tableau III.6 en réalisant la notation des flèches.
Flèche Type Relation
E1 Données
C1 Event-synchronisation Rencontre
99
C2 Données
C3 Event-inhibition
C4 Event-inhibition
C5 Event-inhibition
D1 Données
D11 Event-synchronisation Egale
D2 Données
D3 Données
D4 Données
D5 Données
D6 Données
D7 Données
D8 Données
D9 Données
S1 Matière Non-déclenchante
S2 Données
Tableau III.6. Comportement des activités dans le diagramme A0 du modèle SADT
Finalement, nous avons appliqué les règles utilisées dans la Figure III.15 et la Figure
III.16 pour réaliser le diagramme A0 du modèle SADT temporel proposé dans Figure III.17.
Figure III.17. Modèle SADT temporel - diagramme A0
100

E1 Données
C1 Données
C2 Event-Synchronisation Rencontre
C3 Event-inhibition
D1 Données
D2 Données
D3 Données
D4 Données
S1 Données
S2 Données
S3 Données
101

E1 Données
E2 Données
E3 Données
E4 Données
C1 Event-Synchronisation Egale
C2 Event-inhibition
C3 Event-inhibition
D1 Matière Déclenchant
D2 Matière
S1 Données
S2 Matière
S3 Ressources
S4 Ressources
102
III.5 Comparaison
Maintenant, nous proposons une comparaison entre l’association SADT – RdP et le
modèle SADT temporel :
Nous avons construit les deux modèles à partir de modèle SADT,
Dans les deux modèles nous pouvons suivre les flux de production et les flux
d’information par la simulation du modèle, mais les flux d’information sont bien déterminés
dans le modèle SADT temporel. De plus, l’outil SADT – RdP est capable de montrer les
comportements entre les activités, surtout si nous utilisons la méthode de [Zaytoon, 97]
comme dans la Figure III.20 qui montre que l’exécution de réseau de contrôle des outils
dépend de la terminaison du premier réseau de réalisation des actions de maintenance.
Figure III.20. Comportement entre les activités
Pour les ressources, l’outil SADT – RdP est plus performant pour modéliser les
ressources surtout les ressources partagées, de plus, il est capable de montrer la disponibilité
de ressources.
La distinction entre les entrées, les contrôles et les événements de synchronisation sont
plus claires dans le modèle SADT temporel que dans l'outil SADT – RdP.
103
Pour faire la simulation de SADT temporel, nous avons besoin de créer un code basé
sur le C, C++ ou Smaltalk … etc. Par contre, il y a plusieurs logiciels pour simuler les RdP.
Pour l'optimisation, dans les deux modèles, il faut réaliser un algorithme
d'optimisation.
Nous disons que le SADT temporel est une extension du modèle SADT pour
modéliser les comportements dynamiques du système étudié. Dans ce contexte, nous pouvons
proposer un scénario pour utiliser les deux outils : l'outil SADT – RdP et le SADT temporel
ensemble pour avoir des bons résultats dans la modélisation et le pilotage de notre système.
Dans ce scénario, nous essayons de profiter les RdP grâce à la facilité de faire la
simulation si l'objectif d'étudier les aspects dynamiques est satisfait ; sinon, il faut réaliser le
modèle SADT temporel en dépassant les difficultés qui empêchent la satisfaction, mais dans
ce cas, nous allons créer un code pour faire la simulation de notre modèle.
Start
Détermination de votre objectif
Réalisation du modèle SADT
Réalisation des RdP en utilisant l’outil

SADT – RdP
Votre objectif Oui

est réalisé ?
Non
Réalisation du modèle SADT temporel
Objectif atteint
Figure III.21. SADT temporel et l'outil SADT - RdP ensemble
III.6 Conclusion
Dans ce chapitre, nous avons présenté une approche dynamique, en réalisant le
passage de modèle IDEF0/SADT vers les RdP. Dans un premier temps, nous avons indiqué
les avantages et la force des RdP et aussi les différents types et quelques définitions des RdP.
104
Ensuite, nous avons détaillé le passage de IDEF0/SADT vers les RdP, tout d'abord,
nous avons cité les travaux précédents dans ce domaine, puis, nous avons montré les règles
utilisées pour réaliser ce passage. En plus, nous avons appliqué ces règles sur notre modèle
SADT de la centrale thermique présenté dans le chapitre précédent.
Enfin, nous avons expliqué un nouvel outil qui nous aide à modéliser les aspects
dynamiques, cet outil est le SADT temporel. Nous avons proposé une comparaison entre ces
deux outils : l'outil IDEF0/SADT - RdP et SADT temporel, de plus, nous avons proposé un
scénario pour intégrer les deux outils ensemble.
105
CHAPITRE IV
Optimisation des ressources
Chapitre IV Optimisation des ressources
108
Chapitre IV
Optimisation des ressources
Dans les chapitres antérieurs, nous avons proposé une démarche pour la mise en place
d'un système de management de la qualité. De même, nous avons développé une approche
formelle pour la modélisation du système étudié basée sur l’outil SADT et une méthode pour
la vérification des cohérences fonctionnelles basée sur l’outil réseau de Petri. Pour ce faire
nous avons mis au point un algorithme pour construire un réseau de Petri à partir d’un modèle
SADT tout en tenant compte des contraintes spécifiques d’un système de management de la
qualité. Contrairement au modèle SADT, un outil réseau de Petri permet une représentation
formelle du comportement dynamique d’un système et il fournit des techniques d’analyse
importantes pour évaluer ses performances.
Dans ce chapitre, nous allons plus loin dans notre démarche et nous proposons une
approche pour l'optimisation des ressources dans un système de contrôle de la qualité dans la
production. Ce système est caractérisé par plusieurs types de ressources, un résultat des
actions de contrôle aléatoire, la présence des ressources consommables.
IV.1 Optimisation de ressources

Notre objectif dans cette partie est de proposer une méthode d'optimisation des
ressources dans le cadre d’un système de production soumis au contrôle de la qualité des
produits. L’objectif est d’utiliser au mieux les ressources existantes et le budget affecté pour
l’achat de nouveaux équipements afin de maximiser la productivité. Nous accordons une
attention particulière à l’utilisation des ressources consommables comme le budget
disponible. Contrairement aux équipements, une fois affecté, le budget ne peut plus être
réutilisé. Par conséquent, une erreur dans l’achat des équipements ne peut plus être corrigée
lors d’une prochaine itération.
La prise en compte des ressources consommables dans l’optimisation des systèmes de
production, trouve tout son intérêt car pour répondre aux défis du monde industriel actuel, il
faut adopter des stratégies de production avec des budgets limités.
Dans la littérature, nous trouvons un nombre important d’études proposant des idées et
des méthodes pour l'optimisation des systèmes de production. Nous avons présenté les
méthodes le plus intéressantes pour notre travail de recherche dans le chapitre 1. Parmi ces
méthodes, l'approche proposé dans [Panayiotou, 99] propose une solution au problème de
109
l'affectation d’un nombre fini de ressources avec la maximisation de fonction de performance

donné. En fait, ils ont proposé deux algorithmes. Le premier est l’Algorithme d'optimisation
d’accroissement (IO Incremental Optimization) qui peut être appliqué quand à chaque étape
la solution optimale est unique. Le deuxième est l'algorithme d'optimisation d'accroissement
généralisée (GIO Generalized Incremental Optimization) qui s’applique dans le cas général,
lorsqu’à chaque itération il y a plusieurs solutions optimales. Mais, pour appliquer ces
algorithmes, il faut vérifier que la fonction de performance soit douce, c'est-à-dire la
trajectoire qui mène vers la solution optimale passe forcement par la meilleure solution
trouvée à chaque itération. Cette condition importante et suffisante pour la convergence et
pour garantir qu’une affectation optimale donnera une nouvelle solution optimale dans la
prochaine affectation. De plus, cette condition est une limite très forte dans cette approche.
Par ailleurs, cette approche ne traite pas les contraintes stochastiques.
Dans [Giua, 02] les auteurs ont traité le problème d'affectation de nombre fini de
ressources avec la maximisation de la fréquence de franchissement. Ils ont utilisé le graphe
des événements (GdE) déterministe cyclique comme un outil de modélisation. Les variables
de décision considérés sont : le marquage initial et la fréquence de franchissement. Les
auteurs ont proposé trois procédures pour résoudre ce problème. La première est basée sur
l'algorithme GIO. Dans cette partie, ils ont supposé que la fonction de performance (fréquence
de franchissement) n'est pas « douce », pour cela, ils ont proposé une nouvelle règle pour
l'affectation de ressources. Ensuite, ils ont proposé un nouvel algorithme pour calculer la
solution optimale (TIO Two-index Incremental Optimization). Cet algorithme est efficace en
terme de temps de calcul et de nombre de solutions optimales, parce que dans cet algorithme,
on garde une seule solution optimale. Nous pouvons considérer que l’algorithme TIO est une
extension de l'algorithme GIO. En effet, les auteurs considèrent que parmi les solutions
optimales trouvées à chaque itération, il y en a forcement une à partir de laquelle on peut
accéder à la solution optimale. Cette hypothèse est plus générale que celle présentée dans
[Panayiotou, 99], mais elle reste très restrictive.
De plus, ils ont proposé deux méthodes pour résoudre le problème en général sans
utilisation de la règle d'affectation de ressources. La première utilise la technique de
programmation linéaire avec nombres entiers. Elle est basée sur la connaissance de tous les
circuits élémentaires du GdE. L’identification des circuits élémentaires est généralement une
tâche difficile. Par conséquent, ceci peut être considéré comme un inconvénient de cette
méthode. La deuxième méthode est une extension de la première. Elle est également basée sur
la résolution d’un problème de programmation avec nombres entiers. La technique de calcul
s'appuie sur le résultat des travaux de [Campos, 92]. Son avantage est qu’elle ne nécessite pas
110
le calcul des cycles élémentaires. Par contre, ces méthodes sont conçues pour le cas des GdE
déterministes.
Cependant, [Sauer, 03] a proposé une heuristique itérative pour résoudre le problème
d’optimisation de marquage des GdE valués. L’idée de cette méthode est d’enlever à chaque
itération un jeton dans une place p* en répondant à deux objectifs fondamentaux : réduire au
maximum la valeur du critère à optimiser, c’est-à-dire le coût des ressources, et augmenter
aussi faiblement que possible le temps de cycle moyen, c’est-à-dire diminuer au minimum la
productivité. Pour déterminer le temps de cycle moyen du GdE valué, l’auteur utilise la
simulation. Pour pouvoir résoudre le problème d’optimisation du marquage en limitant le
nombre de simulations (c’est-à-dire en limitant les temps de calcul), les informations obtenues
lors de cette simulation permettent également de déterminer la place recherchée.
L’inconvénient des méthodes basées sur l’amélioration itérative est que la recherche
s’arrête dés que le processus ne peut plus améliorer la solution obtenue. La recherche peut
aboutir à un minimum local de mauvaise qualité d’où elle ne pourra pas sortir. De plus, dans
ces méthodes, nous ne pouvons pas savoir si la solution estimée se dirige vers la solution
optimale si un critère de convergence n'est pas défini.
[Toursi, 06] ont proposé une méthode pour résoudre le problème d'optimisation du
marquage des GdE valué basée sur un algorithme du recuit simulé modifié. Cet algorithme
suit la même démarche que le recuit simulé mais au lieu de générer une configuration dans le
voisinage considéré et décider de son acceptation en fonction d’une probabilité, il décide
d’améliorer l’objectif ou de le détériorer suivant une probabilité définie. La méthode du recuit
simulé peut être considérée comme une méthode d'optimisation locale qui part d'une solution
initiale et l'améliore en déterminant la meilleure solution dans un voisinage de la solution
initiale. Ce processus est répété en remplaçant la solution initiale par la solution retenue à
chaque itération jusqu'à convergence. L'avantage de l'optimisation locale est la simplicité
mais elle risque de conduire à un optimum local. Pour éviter le piège d'un optimum local, la
méthode du recuit simulé accepte des solutions moins bonnes mais cette acceptation est
contrôlée par un processus inspiré de la méthode du recuit dans la physique des matériaux
[Kirkpatrick, 83]. Il s'agit de solidifier un matériel en état liquide afin d'atteindre un état
d'énergie minimale. Cet état ne peut être atteint qu'en partant d'une haute température et en
baissant très lentement la température. Cette méthode utilise la notion de température pour
contrôler la dégradation des solutions dans la recherche de l'optimum.
Le système de production que nous considérons est un atelier avec plusieurs machines
utilisées par des opérateurs. Le cycle de travail sur une machine est composé d’une opération
de préparation de la machine effectuée par l’opérateur, de l’usinage et du contrôle de la
111
qualité de pièces fabriquées. Ce contrôle est fait par échantillonnage. Selon le résultat du
contrôle, qui est une variable aléatoire, la machine peut nécessiter un réglage afin de retrouver
les paramètres. Notre objectif est de déterminer le nombre de chaque type de machines à
acquérir et des opérateurs à embaucher par rapport à un budget donné afin de maximiser la
productivité.
IV.2 Méthode d'optimisation de ressources proposée

Dans notre méthodologie, nous avons proposé la modélisation d’un système de
contrôle de la qualité par les outils de la famille d'IDEF afin de vérifier les cohérences
fonctionnelles. Ensuite nous avons construit le Réseaux de Petri associé afin d’évaluer les
performances dynamiques du système. Enfin, nous cette troisième étape de notre démarche
vise à affecter au mieux les ressources renouvelables et consommables disponibles pour
maximiser les performances du système de production.
La méthode que nous proposons pour résoudre ce problème est basée sur la méthode
du recuit simulé. Afin d’accélérer la convergence, la génération des nouvelles solutions est
basée sur le calcul du taux d’utilisation des différentes ressources. Nous privilégions
l’acquisition des ressources qui ont un taux d’utilisation élevé. Cette méthode est destinée au
cas où le budget disponible pour l’investissement est bien plus important que la valeur d’un
équipement ou le coût occasionné par l’embauche d’un opérateur. Ceci se traduit par un
espace de solutions d’une taille importante. Lorsque la taille de l’espace des solutions est
réduite, une méthode de type branch and bound peut être utilisée.
Les travaux de recherche présentés dans ce mémoire se préoccupent du cas où l’espace
des solutions est grand. Le deuxième cas, où la taille de l’espace des solutions est réduite, sera
traité lors des futurs travaux.
Notre approche, basée sur la méthode du recuit simulé, est constituée de plusieurs
étapes :
Etape 1 : Initialisation des paramètres
Les données du problème sont les nombres de types de ressources, les coûts et la
performance associée à chaque type de ressources et le budget disponible. La solution initiale
réalisable peut être donnée par la configuration initiale de l’atelier. Cette solution réalisable
est modélisée par le réseau de Petri. Par la suite, nous choisissons les paramètres de
l’algorithme recuit simulé.
Pour la température initiale, nous allons utiliser l'expression utilisé par [Toursi, 06] :
112
f0
T0 =
log( P0 )
où :
f 0 est le coût de solution initiale,
P0 est la probabilité initiale, nous utilisons la probabilité initiale comme P0 = 0.5 .
Etape 2 : L'affectation de ressources

La plupart de méthode d'optimisations existantes dans la littérature traite le cas d'un
seul type de ressources. Cependant, le problème que nous traitons dans nos travaux est
caractérisé par plusieurs types de ressources comme par exemple : différentes types de
machines, différents types de RH (les opérateurs et les régleurs). Pour cela, dans notre
méthode, nous proposons d'affecter les ressources selon le taux d'utilisant. En premier lieu, les
ressources ayant un taux d'utilisation important, principalement à cause des goulets
d’étranglement. Par conséquent, la capacité de ces ressources limite la productivité. D’un
autre coté, cette règle d’affectation inspirée de la pratique permet d’accélérer la convergence
de l’algorithme car ce choix va diminuer le nombre de solutions testées et donc le temps de
calcul.
Le taux d'utilisation d’une machine TdU M est donné comme suit :
Temps de Simulation − (Temps de Blocage + Temps de Réglage )
TdU M =
Temps de Simulation
Par contre, pour les autres ressources nous avons défini les taux d'utilisation des
opérateurs TdU R et le taux d'utilisation des régleurs TdU Re comme suit :
Temps de Simulation − opérateurs sans activité

TdU R =
Temps de Simulation
Temps de Réglage
TdU Re =
Temps de Simulation
Etape 3 : La simulation du réseau de Petri

La simulation du réseau de Petri qui modélise le comportement dynamique du système
est effectuée à l’aide d'un programme en langage C++. Cette technique nous permet
d’estimer les performances du système par rapport à un jeu de paramètres donné.
113
Etape 4 : La prise de décision

Cette étape est très importante dans notre algorithme. Elle consiste à accepter ou
refuser une nouvelle solution telle qu’on avance vers la solution optimale sans se faire
« piéger » par un optimum local.
Par conséquent, si la nouvelle solution améliore l'objectif précisé, elle est acceptée.
Par contre, si elle est moins bonne, alors nous acceptons la nouvelle solution avec une
probabilité qui diminue avec le nombre d’itérations. Plus le nombre d’itérations effectuées est
important, plus la probabilité d’accepter une mauvaise solution est faible.
Etape 5 : La réduction de la température

La performance du recuit simulé dépend largement du schéma de réduction de la
température utilisée. Plusieurs lois de réduction de la température existent dans la littérature.
La plus utilisée est la loi linéaire proposée par [Oliveira, 93] définie comme suit : Tn +1 = α Tn
où α est une constante généralement choisie dans l’intervalle de 0.95 à 0.80. L’avantage de
cette loi est qu’elle permet d'avoir une décroissance qui n’est ni trop rapide ni trop lente.
Etape 6 : Le critère d'arrêt

L’algorithme s’arrête et retourne à la meilleure solution trouvée lorsqu’aucune
amélioration n’est possible ou lorsque la température atteint une valeur inférieure à ε proche
de 0 ou lorsqu'on dépasse la limite du budget K.
Algorithme d’optimisation :
Etape 1 : Initialisation
a) Initialiser le nombre initial de ressources de chaque type : x1 , x 2 , x3 , …, xn.
b) Déterminer le coût associé à chaque type de ressource : C1 , C 2 , C 3 , ...,Cn et le budget
disponible K .
c) Solution initiale S0 donnée par le nombre initial de ressources de chaque type.
f0
d) La température initiale T0 = avec P0 = 0.5 .
log( P0 )
Etape 2 : Affectation de ressources
a) Calculer le taux d’utilisation de chaque type de ressource. Soit i le type de ressource avec
le taux d’utilisation le plus grand. Alors, xi= xi+1.
Etape 3 : Simulation de RdP
a) Enregistrer la nouvelle solution Sn.
Etape 4 : Prendre une décision par rapport à la solution retenue
114
a) Si la performance de la nouvelle solution Sn est inférieure à l’ancienne solution Sn-1,

alors :
Générer une valeur aléatoire P entre 0 et 1.
⎛− f ⎞
Si P p exp ⎜ ⎟.
⎝ T ⎠
Alors la nouvelle solution S n est acceptée.
Sinon la nouvelle solution Sn est rejetée.
Sinon, la nouvelle solution Sn est acceptée.
Etape 5 : Mettre à jour la température
a) Déterminer la température suivante Tn +1 = 0.9 Tn .
Etape 6 : Critère d’arrêt :
a) Si ( ( T f ε ) ou ( x1 C1 + x 2 C 2 + x3 C 3 ≤ K )) , alors aller à l'étape 2.
Remarque 1 : L'affectation d'une nouvelle ressource, nécessite l’identification de la

ressource la plus chargée dans le système étudié, ensuite, nous ajoutons la nouvelle ressource
ayant les mêmes caractéristiques que la ressource la plus chargée.
Remarque 2 : La convergence de l’algorithme est une conséquence directe du fait que

le nombre des ressources susceptibles d’êtres ajoutées est fini. Il est borné par la valeur du
budget disponible (la ressource consommable).
Remarque 3 : La règle d’affectation des ressources que nous proposons pour

accélérer la convergence de l’algorithme est différente de l’hypothèse spécifique aux
approches proposées dans [Panayiotou, 99] et dans [Giua, 02] qui sont dédiées au cas
déterministe et qui ne considèrent pas les optimums locaux.
Par la suite, nous allons illustrer l’application de l’approche que nous proposons et
nous validons son efficacité à l’aide des essais numériques pour le cas d’un système de
production composé de ressources réutilisables et de ressources consommables.
IV.3 Application
Dans les chapitres précédents, nous avons utilisé l'exemple d'une centrale thermique
pour appliquer notre méthodologie. C’est une application complexe dont l’étude détaillée
nécessite la mise à disposition des données pour la plupart confidentielles. Nous allons
analyser ce type de système dès que nous aurons accès aux données. Par conséquent, dans ce
115
chapitre nous utilisons un autre exemple, beaucoup plus simple pour illustrer la méthode
d'optimisation de ressources que nous proposons.
La structure du système de production que nous nous proposons d’étudier est donnée
dans la Figure IV.1 :
Figure IV.1. Ligne de fabrication
Il s’agit d’une ligne de fabrication composée des machines séparées par des zones de
stockage. Cette ligne commence avec le stock S0, ensuite, les activités réalisant les produits
sur la machine M1. La qualité des opérations réalisées sur la machine M1 est surveillée à
travers une opération de contrôle C1. Après l’usinage et le contrôle, les pièces sont stockées
dans le stock S1.
Chaque machine a besoin d’un opérateur pour la faire démarrer, pour évacuer les
pièces usinées, pour contrôler les pièces et effectuer des réglages si nécessaire. En effet, si
lors du contrôle on détecte une dérive de la qualité des pièces, alors un réglage de la machine
est nécessaire. Le réglage engendre une durée d’indisponibilité supplémentaire de la machine,
ainsi que de l’opérateur qui est chargé d’effectuer cette tache. Les opérateurs sont des
ressources partagées par l’ensemble des machines.
Pour cela, nous allons proposer la Figure IV.2 qui présente les activités de réglage et
le partage de ressources.
Figure IV.2. Ligne de fabrication avec les effets de réglage et partage de ressources
116
Dans la Figure IV.2 pour chaque machine n, la tache de contrôle est notée par Cn et la
tache de réglage est notée par Dn. Le résultat du contrôle est aléatoire. Par conséquent, le
réglage d’une machine est effectué de manière aléatoire, avec une probabilité donnée.
Par la suite, nous allons appliquer notre méthodologie sur cette ligne de fabrication.
IV.3.1 Modèle SADT

Nous montrons le diagramme A0 du modèle SADT d’une partie de la ligne de
fabrication dans la Figure IV.3. Les étapes de la création de modèle SADT ont étés détaillés
dans le chapitre 2.
Ce diagramme contient trois activités :
Les activités de la machine, qui sont séparées en deux parties. La première partie
concerne les opérations de préparation et de démarrage de la machine. Ces opérations
nécessitent des ressources humaines. La deuxième partie concerne l’usinage de la pièce qui
est effectué sans l’intervention des ressources humaines.
Les activités de contrôle sont très importantes dans notre étude parce que ces activités
nous permettent de décider la poursuite de la production ou la nécessité d’une opération de
réglage,
Les activités de stockage.
Ce diagramme commence par des matières premiers ou par des produits initiaux. Il
finit par des produits semi fabriqués.
Figure IV.3. Modèle SADT
Cependant, nous nous intéressons à l’étude de l’influence des réglages des machines
suite au résultat du contrôle. Nous intégrons les effets de réglage dans le diagramme SADT
illustré dans la Figure IV.4.
117
Figure IV.4. Modèle SADT - Effets de réglages
Nous précisons qu'il y a des contraintes nous n'avons pas pris en compte, pour cela
nous n’avons pas indiqué les flèches des contrôles dans le modèle SADT. Ces contraintes sont
hors de notre objectif qui est l'optimisation des ressources en présence des activités de
contrôle et de réglages des machines.
Parmi ces contraintes qui n'ont pas étés prises en compte, on peut citer l’influence de
la méthode d'échantillonnage, la fiabilité des machines et des outils utilisés et des matières
premières, la capacité des stockages, le coût des rebuts, etc.
IV.3.2 Modèle réseau de Petri

En appliquant la méthode de passage du SADT vers le RdP proposée dans le chapitre
3, nous avons obtenu le RdP illustré dans la Figure IV.5.
118
Figure IV.5. Modèle RdP – processus de deux machines sans réglage
Ce modèle de réseau de Petri commence par la place P0 qui modélise la zone de

stockage S0. Ensuite, la transition T0 modélise le démarrage des activités de préparation de la
machine (alimenter de matière première, régler les paramètres de machine… etc.). Cette étape
nécessite la présence de l'opérateur. Nous allons libérer l’opérateur après le franchissement de
transition T1. De plus, s'il n'y a pas des opérateurs disponibles pour la préparation et le
démarrage d’une machine, alors celle-ci est mise en attente. Nous assimilons cet état à un
blocage temporaire.
La deuxième étape de ce processus est l’exécution du traitement par la machine. Cette
étape commence avec le franchissement de T2 et finit par franchissement de T3. Nous
considérons que la machine peut effectuer cette activité sans l’intervention des ressources
humaines. Le contrôle est effectué par échantillonnage. Par exemple nous allons contrôler une
pièce sur cinq. Ainsi, nous allons exécuter les deux étapes précédentes cinq fois. Ensuite,
nous démarrons la tache de contrôle avec le franchissement de T4. Cette tache nécessite
l’intervention d’un opérateur (ressource humaine). La ressource humaine est libérée par le
119
franchissement de T5. Dans ce cas aussi nous pouvons voir un cas de blocage temporaire s'il
n'y a pas d’opérateurs disponibles.
Enfin, nous réalisons les activités de stockage après l'étape de contrôle. Avec le
franchissement de T6, nous commençons un nouveau cycle.
Le diagramme SADT présenté dans la Figure IV.3 modélise le fonctionnement d’une
machine, sans prise en compte du réglage. Le réseau de Petri illustré dans la Figure IV.5 est
basé sur ce diagramme. Cependant, pour mettre en évidence le partage des ressources, nous
avons représenté le cas d’un système de production avec deux machines.
Le diagramme SADT illustré dans la Figure IV.4 intègre la prise en compte des taches
de réglage suite au résultat du contrôle de la qualité. Le réseau de Petri associé est présenté
dans la Figure IV.6.
Figure IV.6. Modèle RdP – avec les réglages
120
Dans le nouveau modèle, le franchissement de T6 montre que le résultat de contrôle est

positif, en conséquence nous exécutons un nouveau cycle production. Par contre, le
franchissement de transition T7 indique que le résultat du contrôle est négatif et le démarrage
les activités de réglage de machine. Le réglage d’une machine nécessite l’intervention d’un
opérateur ou d’un régleur. Cette activité est déclenchée par le franchissement de la transition
T31 s'il y a un opérateur disponible, sinon la machine entre dans un état de blocage temporaire.
Dès que l’opération de réglage est terminée, on commence un nouveau cycle de production
avec le franchissement de la transition T8.
La date de démarrage d’une opération de réglage est une variable aléatoire. Par contre,
la durée de chaque opération est déterministe.
IV.3.3 Résultats numériques

La Figure IV.7 montre la démarche de notre algorithme pour chercher la solution
optimale dans l'application proposée.
Nous utilisons les notations suivantes :
x1 est le nombre de machines,
x 2 est le nombre des opérateurs,
x3 est le nombre de régleurs,
C1 est le coût de machine,
C 2 est le coût d'opérateur,
C 3 est le coût de régleur,
K est le budget total,

P0 est la probabilité initiale,
T0 est la température initiale,
S 0 est la solution initiale,
T _ att est le temps d'attente de machines,

T _ reg est le temps de réglage de machines.
Dans l'application proposée, nous avons choisi trois types de ressources : machines,
opérateurs et régleurs.
L’algorithme commence par initialiser les paramètres x1 , x 2 , x3 , C1 , C 2 , C 3 , K , P0
f0
et T0 , en sachant que P0 = 0.5 et T0 = . Ensuite, nous effectuons des simulations du
log( P0 )
modèle RdP. Ces observations par simulation nous permettent d’évaluer des mesures de
121
performance : NP, le nombre de pièces fabriquées ; Pro, la productivité ; T_att, le temps

d'attente de machine (le temps de blocage temporaire) et T_reg, le temps de réglage. Ensuite,
on génère une nouvelle solution pour l'affectation des ressources selon les taux d'utilisation
correspondant. Pour affecter une nouvelle ressource, tout d'abord il faut déterminer la
ressource la plus chargée. Ensuite, nous ajoutons une nouvelle ressource ayant les mêmes
caractéristiques que la ressource la plus chargée.
Nous calculons le taux d'utilisation d’une machine TdU M comme suit :
Temps de Simulation − (Temps de Blocage + Temps de Réglage )
TdU M =
Temps de Simulation
Par contre, pour les autre ressources nous avons défini les taux d'utilisation des
opérateurs TdU R et le taux d'utilisation des régleurs TdU Re par les expressions suivantes :
Temps de Simulation − opérateurs sans activité

TdU R =
Temps de Simulation
Temps de Réglage
TdU Re =
Temps de Simulation
Cependant, le choix de la solution retenue à chaque itération est basé sur la
comparaison entre la nouvelle solution Sn et la précédente solution Sn-1, si Sn > Sn-1 nous
acceptons la nouvelle solution Sn. Sinon nous générons une probabilité P entre 0 et 1. Si la
⎛− f ⎞
probabilité P p exp ⎜ ⎟ nous acceptons la solution Sn même si cette solution est moins
⎝ T ⎠
bonne que la précédente, sinon nous retenons la précédente solution Sn-1.
Après cette étape, nous effectuons une nouvelle itération qui consiste à générer une
nouvelle solution par l’affectation d’une nouvelle ressource et l’évaluation des performances
obtenues.
L’algorithme s’arrête lorsque la limite du budget disponible pour l’acquisition des
ressources est atteinte ou lorsque la température est devenue trop basse. Dans ce cas il faut
augmenter la durée de la simulation, car du point de vue pratique il est intéressant d’utiliser
toutes les ressources dont on peut disposer.
Par la suite, nous allons montrer notre résultat numérique en appliquant les démarches
précédentes sur notre exemple de production.
Dans un premier temps, nous utilisons l’algorithme du recuit simulé, sans prendre en
compte la règle d’allocation de ressources basée sur le taux d’utilisation des ressources.
Ensuite, nous appliquons la méthode que nous proposons sur le même exemple d'application.
122
Start
x1 , x2 , x3 , C1 , C2 , C3 , K , P0 , ε , S0 , T0
Simulation de RdP
Sn= (NP, Pro, T_att, T_reg)
x1 = x1 + 1
Ou
x3 = x 3 + 1
Ou
x2 = x2 +1
Simulation de RdP
Sn+1= (NP, Pro, T_att, T_reg)
Sn+1 > Sn Non P entre 0 et 1
Oui
Vrai ⎛− f ⎞
Garder la solution Sn+1 P p exp⎜ ⎟
⎝ T ⎠
Faux
Garder la solution Sn
Oui x1 C1 + x2 C2 +x3 C3 ≤ K
T>ε
Non
Résultats
NP, Pro, T_att, T_reg
End
Figure IV.7 Algorithme de simulation de la solution
123
IV.3.3.1 Résultats obtenus par le Recuit simulé

La Figure IV.8 montre les résultats obtenus par l’application de l’algorithme du recuit
simulé pour l'optimisation de ressources dans le système de production considéré. Nous
observons sur cette figure la trajectoire suivie pour arriver à la solution optimale. La solution
optimale fournie par cette méthode est : 22 machines, 22 opérateurs et 21 régleurs.
Dans cette figure, nous voyons que notre courbe est un peu stable car au début de cette
méthode la différence entre la performance des solutions générées successivement est petite.
Le temps choisi pour chaque simulation est de 1600 heurs de travail c'est-à-dire
d’environ une année de travail. En plus, le budget utilisé par la solution optimale est de
498000 € par rapport au budget total de 500000 € (voir Tableau IV.1. Comparaison entre les
deux méthodes).
5000000
4500000
4000000
3500000
N ° d e p iè c e s fa b riq u é e s
3000000
2500000
2000000
1500000
1000000
500000
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59 61 63
N° de fois d'affectation de ressources choisie
Figure IV.8. Optimisation de ressources - Recuit simulé
La variation de cette courbe est grâce à la probabilité comparée avec le coût de la

solution optimale, grâce à cette probabilité nous avons accepté des solutions optimales moins
performantes que les solutions précédentes.
124
IV.3.3.2 Méthode proposée

Nous avons appliqué notre méthode sur le même exemple d'application et le résultat
est montré dans la Figure IV.9. Nous pouvons remarquer dans cette figure que la règle
d’affectation des ressources selon le taux de disponibilité permet une convergence plus rapide
vers une solution optimale.
5000000
4500000
4000000
3500000
N° de pièces fabriquées
3000000
2500000
2000000
1500000
1000000
500000
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42
N° de fois d'affectation de ressources choisie
Figure IV.9. Optimisation de ressources - Notre méthode
Une comparaison des solutions fournies par les deux méthodes est donnée dans le
Tableau IV.1. Les valeurs obtenues sont données pour la même valeur de la température, sauf
pour la solution optimale proposée par chaque méthode.
Nombre Nombre Nombre Solution Coût Température

de des de gardée d'affectation
machine opérateurs régleurs de ressources
(N) (R) (Re) (Sn) (C) (T)
2 2 1 391447 38000 810
Recuit simulé
5 5 4 573135 107000 313,8105

8 8 8 1476443 184000 109,4189
12 11 11 1111581 265000 38,15201
22 22 21 4638345 498000 1,455576
125
6 2 1 912831 86000 810

Notre méthode
12 5 3 1895295 183000 313,8105
20 7 4 3084805 293000 109,4189
28 9 4 4134721 395000 38,15201
35 12 5 4654723 496000 13,30278
Tableau IV.1. Comparaison entre les deux méthodes
On peut remarquer que la méthode que nous proposons permet d’obtenir une meilleure
performance que le recuit simulé. Ainsi, la solution proposée est caractérisée par une
meilleure productivité pour un budget dépensé moins important. Cette solution utilise 52
ressources contre 65 ressources utilisées par la solution fournie par le recuit simulé.
Cependant, si nous comparons la température de la solution optimale fournie par notre
méthode et celle fournie par la méthode de recuit simulé, nous remarquons que la valeur de
température dans notre méthode est plus grande que la valeur de température de recuit simulé.
Le calcul dans notre méthode s'arrête à cause de la limite de budget. Ca signifie que la
méthode que nous avons proposée converge plus vite que le recuit simulé pour ce type
d’application.
IV.4 Conclusion
Dans ce chapitre, nous avons proposé une méthode d'optimisation de ressources
destinée aux systèmes de production caractérisée par la présence de ressources renouvelables
ainsi que de ressources consommables tels que le budget de développement. Ces derniers
types de ressource sont caractérisés par le fait qu’une fois utilisée, on ne peut plus faire
marche arrière. Un mauvais investissement dans les équipements de production ne peut plus
être corrigé lors d’une itération ultérieure. Le budget est dépensé et les nouveaux équipements
sont disponibles quelque soit leur efficacité et leur adéquation aux objectifs de l’entreprise.
Notre objectif a été de déterminer la meilleure affectation des ressources
consommables, notamment le budget, pour l’acquisition des ressources réutilisables
(machines, main d’oeuvre) de telle sorte que la production soit maximisée.
La méthode que nous avons proposée se base sur le technique de recuit simulé avec le
choix de paramètres inspiré par les travaux de [Toursi, 06]. Nous avons enrichi cette méthode
par la prise un compte d’une nouvelle règle de génération des nouvelles solutions basée sur le
taux d’utilisation des ressources. De même, cette méthode est destinée au cas où l’espace des
solutions est grand.
126
Les résultats numériques obtenus nous ont permis de valider notre approche et de
montrer son efficacité.
Dans le chapitre suivant nous appliquons cet algorithme pour analyser l’affectation
des ressources par rapport à un budget donné et sous l’effet de différentes politiques de
contrôle de la qualité.
Nos perspectives de recherche dans ce domaine concernent l’amélioration du
paramétrage de la méthode et l’analyse du cas d’un espace de solutions de taille réduite.
Dans le premier cas, nous souhaitons trouver un meilleur paramétrage de
l’algorithme. Une première idée est de définir la température initiale et la probabilité de
choisir une solution dégradée en fonction du budget disponible.
Concernant le cas des problèmes avec un espace réduit de solutions, nous envisageons
le développement d’une approche basée sur le principe de la méthode branch and bound.
127
CHAPITRE V
Analyse de différentes politiques de contrôle de la qualité
Chapitre V Analyse de différentes politiques de contrôle de la qualité
130
Chapitre V
Analyse de différentes politiques de contrôle de la qualité
Dans les chapitres précédents nous avons proposé une méthode pour l’allocation des
ressources renouvelables et des ressources consommables dans un système de production
soumis à des opérations de contrôle de la qualité. Nous allons dans ce chapitre appliquer cette
méthode pour étudier différentes politiques de contrôle de la qualité avec prise en compte du
résultat du contrôle par des actions spécifiques.
Nous traiterons trois différents systèmes de contrôle : contrôle par échantillonnage,
contrôle avec ressources spécifiques et contrôle par lot.
V.1 Politiques de contrôle

Nous allons choisir trois types de scénarios de contrôle :
Scénario 1 : Nous mettons en place un contrôle par échantillonnage qui vise à contrôler 20
pour cent de la production. Ainsi, l’opération de contrôle concerne une pièce sur cinq. Selon
le résultat du contrôle, la machine peut faire l’objet d’une opération de réglage qui est
effectuée par l’opérateur. Cette politique implique la polyvalence des opérateurs.
Scénario 2 : Nous appliquons une politique de contrôle par échantillonnage similaire au

scénario 1. Par contre, le réglage de la machine nécessite des ressources humaines
spécialisées, appelés régleurs. Ainsi, l’opérateur gère la préparation et la mise en marche de la
machine, alors que le régleur effectue les opérations de réglage.
Scénario 3 : Nous appliquons une politique de contrôle par lot. Selon le résultat de ce
contrôle, soit nous acceptons toutes les pièces du lot, soit nous les jetons. Pour cela, ici nous
allons prendre en compte les nombres des pièces jetées. En même temps, les ressources
humaines considérées sont constituées des opérateurs et des régleurs.
Maintenant, nous allons appliquer ces trois scénarios sur l'exemple du système de
production que nous avons détaillé dans le chapitre précédent.
131
V.2 Méthode utilisée

Dans ce paragraphe, nous détaillons les étapes utilisées pour étudier les avantages et
les inconvénients de chaque politique de contrôle proposée en utilisant l'exemple de ligne de
fabrication détaillé dans le chapitre précédent.
V.2.1 Contrôle par échantillonnage et opérateurs polyvalents (scénario 1)

L’application de ce scénario au système de production considéré est représentée par le
réseau de Petri illustré dans la Figure V.1. La place P0 modélise le début de processus de
fabrication. Ensuite, l'exécution des activités de préparation est représentée par le
franchissement de la transition T0. Les activités de préparation peuvent être par exemple : le
reçu de matière première, le réglage des machines, … etc. Nous nous intéressons à deux
facteurs pour la prise en compte de l’activité de préparation : la durée de cette activité et la
disponibilité des ressources humaines nécessaires. Nous considérons que la machine est en
état de blocage temporaire s’il n' y a pas de ressources humaines disponibles. La fin de la
préparation est modélisée par le franchissement de la transition T1.
Ensuite, le processus de fabrication des pièces fabriquées commence avec le
franchissement de la transition T2. Nous considérons que la machine réalise le travail
automatiquement sans aucune intervention des ressources humaines. En conséquence, cette
opération est complètement caractérisée par sa durée. La fin de cette opération est marquée
par le franchissement de la transition T3.
De plus, nous réalisons les deux étapes précédentes d’une manière consécutive un
nombre de fois fixé par la politique d’échantillonnage. Ce comportement est modélisé par le
circuit élémentaire P0, T0, P1, T1, P2, T2, P3, T3, P4, T9. Le nombre d’exécutions de cette
séquence est indiqué par le marquage de la place P8. Ceci donne le nombre de pièces
successives sans contrôle. Le poids de la flèche qui relie la place P8 avec la transition T4
modélise la périodicité du contrôle.
Ensuite, l’opération de contrôle commence par le franchissement de la transition T4.
Cette opération nécessite également la disponibilité des ressources humaines.
La prise en compte du résultat du contrôle a une influence sur la longueur du temps de
cycle. Si le résultat est positif, la production peut continuer. Ce cas est modélisé par le
franchissement de la transition T6. Par contre, si la valeur du contrôle est négative, alors la
production est arrêtée et la machine doit subir une opération de réglage. Ce cas est représenté
par le franchissement de la transition T7. Le résulta du contrôle de la qualité est une variable
aléatoire.
132
Figure V.1. Contrôle par échantillonnage et ressources polyvalentes
Nous réalisons la simulation du réseau de Petri présenté dans la Figure V.1, selon
l'organigramme présentée dans la Figure V.2. La première étape de cet organigramme est
l’initialisation des paramètres nécessaires pour la simulation. Ces paramètres sont :
R : le nombre de ressources humaines ;
M : le nombre de machines ;
T : le temps ;
Tmax : la durée maximale de la simulation ;
VD : une variable aléatoire qui définit le résultat du contrôle ;
133
PM : le vecteur des durées de préparation de machines ;

WM : le vecteur des durées de traitement sur les machines ;
CM : le vecteur des durées des opérations de contrôle des pièces ;
RM : le vecteur des durées des opérations de réglage de machines ;
y : le ratio de contrôle ;
x : le valeur de décision ;
rPM : les compteurs du temps résiduel de préparation de chaque machine ;
rWM : les compteurs du temps résiduel de travail de chaque machine ;
rCM : les compteurs du temps résiduel de contrôle de chaque machine ;
rRM : les compteurs du temps global de réglage de chaque machine ;
M : définit l’état de la machine (0 = préparation ; 1 = travail ; 2 = contrôle et 3 =
réglage) ;
Np : nombre de pièces fabriquées entre deux opérations de contrôle.
L’activité sur une machine commence avec la préparation. Par conséquent, nous
initialisons les compteurs du temps résiduel de préparation à 0 et l'état de machine également
à 0. De plus, il faut préciser s'il y a des opérateurs disponibles, nous pouvons déclencher les
activités de préparation, sinon il y a un blocage temporaire.
Ensuite, une fois que la préparation de la machine est achevée, elle exécute le
traitement sur la pièce. Dans ce cas, M=1 et le compteur de temps résiduel de travail sont
initialisés à 0. Dans cette étape, nous réalisons les pièces fabriquées Np. Il faut préciser que
dans notre exemple d'application, nos machines sont automatiques, pour cela, elles ne
nécessitent pas la disponibilité des opérateurs pour la fabrication proprement dite.
Cependant, lorsque le nombre de pièces fabriquées atteint un multiple du ratio de
contrôle y, alors nous déclenchons les activités de contrôle. Sinon, nous commençons un
nouveau cycle, et nous incrémentons le temps de simulation T = T + min (compteurs de temps
résiduel).
Dans cette l’étape de contrôle nous générons une variable de décision aléatoire VD, si
sa valeur est inférieure à la valeur de décision (x), il faut déclencher les activités de réglage.
Sinon, nous pouvons recommencer la production et nous exécutons une nouveau cycle avec
augmentation du temps de simulation T = T + min (compteur de temps résiduel).
134
Start
R, m, T, Tmax, VD, x
PM, WM, CM, RM, y
rPM, rWM, rCM, rRM
T=0
Boucle de Préparation
M=0, rPM=0
Boucle de Travail
M=1, rWM=0
Np > y
Oui
Boucle de Contrôle
M=2, rCM=0
VD > x Oui
Non
Boucle de Réglage
M=3, rRM=0
T=T+min r
Non T > Tmax
Oui
Np, NfRe, Nfpr,

NfBlocage, tempsBlocage
End
Figure V.2. Organigramme de simulation de RdP corresspondant au scérnario 1
135
Nous continuons la simulation jusqu'au moment où le temps de simulation dépasse le

temps de simulation maximum. Dans notre exemple d'application, le temps de simulation
maximum est 1600 Heurs de travail, c'est-à-dire environs une année de travail. A la fin de
simulation nous enregistrons les valeurs suivantes : Np, nombre de pièces ; NfRe, nombre
d’actions de réglage effectuées ; Nfpr, nombre d’opérations de contrôle passées avec succès ;
NfBlocage, nombre de blocages temporaires et tempsBlocage, la durée cumulée des blocages
temporaires. Nous utilisons ces valeurs pour analyser les différences de politiques de contrôle.
V.2.2 Contrôle avec régleur (scénario 2)

La Figure V.3 montre ce type de scénario. Nous proposons ce type de contrôle parce
que, suite à des expériences numériques, nous observons que le ratio de blocage dans le
scénario 1 représente un pourcentage important du temps de simulation. Ceci nous fait penser
que l’utilisation des ressources humaines spécialisées pour effectuer certaines opérations,
comme par exemple le réglage, pourrait augmenter la durée d’activité des machines.
Figure V.3. Contrôle avec régleur
136
Dans ce politique de contrôle, les opérateurs réalisent les activités de préparation et les
activités de contrôle. Par contre, les régleurs effectuent les opérations de réglage des
machines. En conséquence, nous allons diminuer la durée d’inactivité des machines grâce à
l'augmentation des ressources (Opérateurs, Régleurs).
Nous utilisons l'organigramme présenté dans la Figure V.2 pour réaliser la simulation
de ce type de politique.
V.2.3 Contrôle par lot (scénario 3)

La Figure V.4 présente ce scénario. Dans les deux scénarios précédents nous
contrôlons une pièce sur 5 ou une pièce sur 4, mais ici nous allons faire un contrôle par lot,
c'est-à-dire nous contrôlons chaque 100 pièces, puis selon la valeur de décision soit nous
acceptons toutes les pièces ou soit nous allons jeter toutes les pièces.
Figure V.4. Contrôle par lot
137
Start
R, m, T, Tmax, VD, x
PM, WM, CM, RM,
rPM, rWM, rCM, rRM
T=0
Boucle de Préparation
M=0, rPM=0
Boucle de Travail
M=1, rWM=0
Non
Np > 100
Oui
Boucle de Contrôle
M=2, rCM=0
Oui
VD > x
Non
Np=NpAccp - Npjeté Np=NpAccp + 100
Boucle de Réglage
M=3, rRM=0
T=T+min r
Non
T > Tmax
Oui
Np, NfRe, Nfpr,
NfBlocage, tempsBlocage
End
Figure V.5. Organigramme de simulation de RdP corresspondant au scérnario 3
138
La Figure V.5 présente la simulation du réseau correspondant à ce type de contrôle. Ce

que nous avons ajouté dans cet organigramme ce sont les étapes après la valeur de décision.
Si la variable aléatoire de contrôle (VD) est inférieure à la valeur de décision (x), alors nous
avons nécessité de réglage ; pour cela nous allons jeter toutes les pièces fabriquées selon cette
politique de contrôle. Le nombre des pièces fabriquées Np est égal au nombre de pièces
fabriquées acceptées moins de nombre de pièces fabriquées jetées : Np = NpAccp − Npjeté .
Dans le cas contraire, la production peut continuer et nous acceptons toutes les pièces
fabriquées : Np = NpAccp + 100 .
V.3 Méthode d'optimisation

Après avoir expliqué le modèle de simulation adopté pour les scénarios proposés, nous
nous basons sur l’algorithme d'optimisation proposé dans le quatrième chapitre pour optimiser
les ressources par rapport à un budget donné afin de maximiser la productivité pour chaque
scénario.
Les paramètres utilisés sont : un budget de 500000 unités et la durée du calcule est 1600
heurs de travail, c'est-à-dire presque une année de travail. Les paramètres vérifiés pour chaque
scénario sont : la productivité, le ratio de temps de blocage et le ratio de temps de réglage.
Nous avons choisi ces paramètres car nous pouvons améliorer la solution optimale en
augmentant la productivité ou en diminuant le temps de blocage ou de réglage.
La solution optimale pour chaque scénario proposé est :
Scénario 1 : 38 Machines et 14 Opérateurs ;
Scénario 2 : 35 Machines et 12 Opérateurs et 5 Régleurs ;
Scénario 3 : 35 Machines et 12 Opérateurs et 5 Régleurs ;
Enfin, nous précisons la façon de calculer les paramètres vérifiés :

Nombre de pièces fabriquées
Productivité : ;
Temps de simulation
Moyenne de temps de blocage
Ratio de temps de blocage : ;
Temps de simulation
Moyenne de temps de réglage
Ratio de temps de réglage : .
Temps de simulation
139
V.4 Résultats numériques

En utilisant la ligne de fabrication détaillée dans le chapitre précédent comme exemple
d'application, nous trouvons les résultats numériques suivants :
Résultat de contrôle par échantillonnage et opérateurs polyvalents (scénario 1)

Il faut indiquer que nous inspectons les différentes politiques de contrôle après l'étape
d'optimisation car nous cherchons la possibilité d'améliorer le système étudié, pour cela nous
avons appliqué notre méthode d'optimisation détaillée dans le chapitre précédent sur cette
politique de contrôle, nous avons trouvé la solution optimale est 38 machines et 14 ressources
(type opérateurs seulement). Nous avons appliqué le modèle de simulation illustré dans la
Figure V.2. L'évolution de productivité est donnée dans la Figure V.6.
0,738
0,7379
0,7378
P rod uctivité
0,7377
0,7376
0,7375
0,7374
25
75
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
25
75
25
75
25
75
25
75
25
75
25
75
12
17
22
27
32
37
42
47
52
57
62
67
72
77
82
87
92
97
10
10
11
11
12
12
13
13
14
14
15
15
Temps de travail (Heur)
Figure V.6. Evolution de productivité dans le scénario 1
140
0,2568
0,25675
0,2567
R a tio d e te m p s d e b lo c a g e
0,25665
0,2566
0,25655
0,2565
0,25645
25
75
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
25
75
25
75
25
75
25
75
25
75
25
75
12
17
22
27
32
37
42
47
52
57
62
67
72
77
82
87
92
97
10
10
11
11
12
12
13
13
14
14
15
15
Figure V.7. Changement de ratio de blocage dans le scénario 1
M R Temps Productivité Moyenne de Ratio de temps

temps de blocage de blocage
38 14 25 0,737730864 23090,7 0,25656
38 14 100 0,737684414 92394,6 0,25665
38 14 150 0,737889198 138523 0,25652
38 14 200 0,737725077 184778 0,25664
38 14 300 0,737849228 277063 0,25654
38 14 450 0,737833333 415629 0,25656
38 14 500 0,737972438 461671 0,25648
38 14 1000 0,737957855 923326 0,25648
38 14 1200 0,737774614 1108479 0,25659
38 14 1500 0,737815874 1385536 0,25658
38 14 1550 0,737848865 1431559 0,25655
38 14 1575 0,737928993 1454367 0,2565
38 14 1600 0,737911101 1477521 0,25651
Tableau V.1. Résultats de simulation de scénario 1
141
Résultat de contrôle avec régleurs (scénario 2)

Nous avons proposé cette politique de contrôle parce que nous avons trouvé que le
ratio de blocage dans la politique précédente est d’environs 26% du temps de simulation ;
pour cela nous avons ajouté des ressources spécifiques (régleurs) pour diminuer le temps de
blocage dû au manque de ressources. Nous pouvons observer l'évolution de productivité en
présence de ressources spécifique (Figure V.8). Nous voyons bien l'amélioration de
productivité grâce aux ressources spécifiques, la productivité arrivant environs jusqu'au 75%,
donc supérieure par rapport au scénario précédent.
0,74948
0,74946
0,74944
0,74942
P ro d u c tiv ité
0,7494
0,74938
0,74936
0,74934
0,74932
25
75
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
25
75
25
75
25
75
25
75
25
75
25
75
12
17
22
27
32
37
42
47
52
57
62
67
72
77
82
87
92
97
10
10
11
11
12
12
13
13
14
14
15
15
Figure V.8. Evolution de productivité dans le scénario 2
142
0,2439
0,24385
Ratio de temps de blocage
0,2438
0,24375
0,2437
0,24365
0,2436
25
75
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
25
75
25
75
25
75
25
75
25
75
25
75
12
17
22
27
32
37
42
47
52
57
62
67
72
77
82
87
92
97
10
10
11
11
12
12
13
13
14
14
15
15
Moyenne Ratio de Moyenne Ratio de

de temps temps de temps temps
M R Re Temps Productivité
de de de de
réglage réglage blocage blocage
35 12 5 25 0,749432479 7064,32 0,07849 21930,9 0,24368
35 12 5 100 0,74932547 28235,9 0,07843 87798,5 0,24388
35 12 5 150 0,749460627 42394,9 0,07851 131603 0,24371
35 12 5 200 0,749444872 56611,5 0,07863 175422 0,24364
35 12 5 300 0,749439943 84710,1 0,07844 263289 0,24379
35 12 5 450 0,749452726 127174 0,0785 394828 0,24372
35 12 5 500 0,749419385 141342 0,07852 438757 0,24375
35 12 5 1000 0,749425368 282333 0,07843 877724 0,24381
35 12 5 1200 0,749431068 339046 0,07848 1053079 0,24377
35 12 5 1500 0,749431909 423624 0,07845 1316465 0,24379
35 12 5 1550 0,749434784 437920 0,07848 1360188 0,24376
35 12 5 1575 0,749435691 444994 0,07848 1382141 0,24376
35 12 5 1600 0,749424797 452015 0,07847 1404178 0,24378
143
Résultat de contrôle par lot (scénario 3)

La Figure V.10 indique le changement de ratio de temps de réglage dans le contrôle
par lot, nous voyons l'augmentation de ratio de réglage dans le début de cette courbe car nous
contrôlons ici chaque 100 pièces.
De plus, nous avons calculé le ratio de temps de réglage comme suit :
Moyenne de temps de réglage
, en sachant que le temps de simulation est 1600 Heurs de
Temps de simulation
travail.
0,00384
0,00382
0,0038
R a tio d e te m p s d e r é g la g e
0,00378
0,00376
0,00374
0,00372
0,0037
0,00368
25
75
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
25
75
25
75
25
75
25
75
25
75
25
75
12
17
22
27
32
37
42
47
52
57
62
67
72
77
82
87
92
97
10
10
11
11
12
12
13
13
14
14
15
15
Figure V.10. Changement de ratio de réglage dans le scénario 3
Cependant, nous pouvons remarquer la même augmentation de la valeur de ratio de

temps de blocage dans la Figure V.11.
144
0,2701
0,27
R atio d e tem p s d e blo cag e
0,2699
0,2698
0,2697
0,2696
0,2695
25
75
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
25
75
25
75
25
75
25
75
25
75
25
75
12
17
62
22
67
72
77
82
87
92
97
27
32
37
42
47
52
57
10
10
11
11
12
12
13
13
14
14
15
15
Moyenne Ratio de Moyenne

Ratio de
de temps temps de temps
M R Re Temps Productivité temps de
de de de
blocage
réglage réglage blocage
35 12 5 25 0,750136111 332,526 0,00369 24260,4 0,26956
35 12 5 100 0,73322338 1374,46 0,00382 97094,9 0,26971
35 12 5 150 0,737816821 2042,47 0,00378 145720 0,26985
35 12 5 200 0,738072685 2721,22 0,00378 194305 0,26987
35 12 5 300 0,73709375 4090 0,00379 291501 0,26991
35 12 5 450 0,734978241 6159,05 0,0038 437308 0,26994
35 12 5 500 0,733726111 6859,63 0,00381 485944 0,26997
35 12 5 1000 0,734295579 13706,6 0,00381 971933 0,26998
35 12 5 1200 0,735271508 16410,6 0,0038 1166430 0,27001
35 12 5 1500 0,734672824 20536,5 0,0038 1458061 0,27001
35 12 5 1550 0,735538829 21183,9 0,0038 1506757 0,27003
35 12 5 1575 0,734944459 21547,1 0,0038 1530988 0,27002
35 12 5 1600 0,734337804 21918,3 0,00381 1555346 0,27003
145
V.5 Comparaison
Dans cette partie, nous allons faire une comparaison entre les trois scénarios. Nous
commençons par comparer la productivité. La Figure V.12 montre que le meilleur résultat de
la productivité de contrôle est obtenu en utilisant des ressources spécifiques (scénario 2).
Nous pouvons aussi marquer la chute de productivité en utilisant le contrôle par lot, de plus
les deux scénarios (1 et 3) ont presque le même résultat avec une évolution de la productivité
plus stable pour le scénario 1.
0,755
Productivité de contrôle par échantillonnage
Productivité de contrôle avec régleurs
Productivité de contrôle par lot
Productivité (C ontrôle par échantillonnage, C ontrôle avec
0,75
régleur, C ontrôle par lot)
0,745
0,74
0,735
0,73
25
75
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
25
75
25
75
25
75
25
75
25
75
25
75
12
17
22
27
32
37
42
47
52
57
62
67
72
77
82
87
92
97
10
10
11
11
12
12
13
13
14
14
15
15
Figure V.12. Comparaison la producitvité entre les différentes scénarios
La Figure V.13 indique le ratio de temps de blocage entre les trois types de scénarios
proposés. La valeur la plus basse est obtenue pour le scénario 2, avec des ressources
spécifiques. Grâce à ce résultat nous pouvons remarquer la force d'utiliser des ressources
spécifiques car ces ressources diminuent le temps de blocage. Par contre, ces ressources
spécifiques sont plus chères que les autres, pour cela nous ne pouvons pas garantir l'efficacité
du type de contrôle avec des ressources spécifiques avant d’analyser le compromis entre les
gains de productivité et les coûts de ressources spécifiques.
146
0,28
Ratio de blocage de contrôle par échantillonnage
Ratio de blocage de contrôle avec régleurs
Ratio de blocage de contrôle par lot
R a tio d e te m p s d e b lo c a g e (C o n tr ô le p a r é c h a n tillo n n a g e ,
0,275
C o n tr ô le a v e c r é g le u r , C o n tr ô le p a r lo t)
0,27
0,265
0,26
0,255
0,25
0,245
0,24
25
75
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
25
75
25
75
25
75
25
75
25
75
25
75
12
17
22
27
32
37
42
47
52
57
62
67
72
77
82
87
92
97
10
10
11
11
12
12
13
13
14
14
15
15
Figure V.13. Comapraison le ratio de temps de blocage entre les différentes scénarios
Nous présentons la Figure V.14 pour avoir de plus des indications entre les trois types
de scénarios proposés. Nous avons essayé de comprendre le changement de ratio de temps de
réglage entre les trois types de scénarios. Le contrôle par lot et le contrôle avec des ressources
spécifiques sont plus bas que le contrôle par échantillonnage avec ressources polyvalentes. En
conséquence, nous remarquons que le contrôle avec des ressources spécifiques est toujours le
meilleur contrôle. Finalement, nous comparons le ratios de réglage des différents scénarios
dans le Tableau V.4.
147
0,05
Ratio de réglage de contrôle par échantillonnage
Ratio de réglage de contrôle avec régleurs
R a tio d e te m p s d e ré g la g e (C o n trô le p a r é c h a n tillo n n a g e ,
0,045 Ratio de réglage de contrôle par lot
0,04
C o n trô le a v e c ré g le u r, C o n tô le p a r lo t)
0,035
0,03
0,025
0,02
0,015
0,01
0,005
0
25
75
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
25
75
25
75
25
75
25
75
25
75
25
75
12
17
22
27
32
37
42
47
52
57
62
67
72
77
82
87
92
97
10
10
11
11
12
12
13
13
14
14
15
15
Figure V.14. Comparaison de ratio de temps de réglage entre les différentes scénarios
Politique de Solution optimale Productivité Ratio de blocage

Coût
contrôle M R Re Max Min Max Min
Contrôle par
38 14 - 498000 0,737972 0,737508 0,256775 0,256479
échantillonnage
Contrôle avec
35 12 5 496000 0,749472 0,749325 0,243885 0,243642
régleurs
Contrôle par lot 35 12 5 496000 0,750136 0,732919 0,270028 0,269560
Tableau V.4. Comparaison entre les scénarios
V.6 Conclusion
Dans ce chapitre nous avons étudié trois scénarios pour le contrôle de la qualité de
production (le contrôle par échantillonnage et ressources polyvalentes, le contrôle en utilisant
des ressources spécifiques (régleurs) et le contrôle par lot) sur la base de l’exemple présenté
dans le chapitre 4. Nous avons présenté les mesures de performance choisies ainsi que le
modèle de simulation adopté. Nous avons optimisé les ressources afin de maximiser la
148
productivité par rapport à un budget donné. Ensuite nous avons comparé les performances
des scénarios proposées.
Nous avons pu constaté que le scénario 2, qui propose l’utilisation des ressources
spécifiques pour effectuer certaines opérations, est plus efficace que les autres scénarios
analysés grâce à l'amélioration de productivité et à la diminution de temps de blocage. Par
contre, ce résultat a été obtenu en ignorant le coût plus important engendré par la
spécialisation des ressources.
Par la suite, il serait intéressant d’analyser l’influence de ce coût sur la performance des
scénarios proposés.
149
CONCLUSION GENERALE
Conclusion Générale
152
L’objectif des travaux de recherche dont avons rendu compte dans ce mémoire est de
proposer une méthodologie pour la mise en place d’un système de management de la qualité
dans un système de production. Un principe fondamental de la qualité est d’éliminer le
gaspillage. Par conséquent, nous avons apporté une attention particulière à l’analyse de ce
système et à l’affectation des ressources disponibles afin de maximiser ses performances.
Les principales contributions de notre activité de recherche présentée dans ce mémoire
sont les suivantes :
1) Nous avons proposé une méthodologie en dix étapes pour la mise en place d’un
système de management de la qualité dans un système de production.
2) Nous avons développé une approche formelle pour analyser la cohérence
fonctionnelle d’un système de management de la qualité dans la production basée sur les
outils de la famille IDEF. Les outils de la famille de IDEF nous aident bien à comprendre les
interactions entre les différentes tâches et nous donnent une représentation fonctionnelle
claire du système étudié. Par contre, ils ne permettent pas de mettre en évidence le
comportement dynamique. Par conséquent, il faut créer un modèle dynamique à partir des
spécifications formelles.
3) Nous avons développé un algorithme de construction du modèle de réseaux de Petri
à partir d’un modèle SADT et des spécifications formelles du système étudié. L’objectif de
cette démarche est d’analyser le comportement dynamique du système à l’aide des outils
spécifiques. Nous avons également proposé une deuxième approche basée sur le modèle
SADT temporel et l’analyse des propriétés du système à travers la simulation. Nous avons
comparé ces approches et nous avons choisi la première pour la suite de nos travaux.
4) Un des enjeux majeurs d’un système de management de la qualité est d’utiliser au
mieux les ressources disponibles pour atteindre les objectifs fixés. Un problème très important
dans ce type de système est comment utiliser au mieux le budget disponible afin de maximiser
les performances du système. Pour résoudre cette difficulté, nous avons proposé une méthode
d’affectation des ressources par rapport à un budget disponible basée sur un algorithme de
recuit simulé modifié. Cette méthode est dédiée aux problèmes caractérisés par un espace de
solutions de grande taille. Dans la réalité industrielle, cette situation correspond au cas où le
budget disponible est très important par rapport à la valeur de chaque type de ressource. Nous
avons appliqué cette méthode pour étudier différentes politiques de contrôle de la qualité dans
un système de production.
153
Une perspective immédiate de notre activité de recherche est de développer un

algorithme d’affectation des ressources pour le cas où l’espace d’état est de taille réduite.
De même, nous envisageons de tester d’avantage de scénarios de contrôle de la qualité
et des lois statistiques afin de mettre eau point un logiciel d’aide à la décision pour
l’affectation des ressources dans les systèmes de management de la qualité.
Enfin, il serait intéressant d’étudier d’une manière approfondie la possibilité de
développer une approche basée sur l’outil SADT temporel pour l’analyse du comportement
dynamique et l’optimisation d’un système de management de la qualité.
154
REFERENCES BIBLIOGRAPHIQUES
Références Bibliographiques
156
A
[Afnor, 02] Afnor, Management de la qualité- ISO 9000- méthodes- outils-système-
documentaire- évaluation- satisfaction client, AFNOR, Paris, 2002.
[Afnor, 92] Afnor, Gérer la qualité : concepts et terminologie, tome 1, AFNOR, paris, 1992.
[Alahmad, 05a] K. Alahmad, A. Sava, C. Clementz, P. Padilla, Étude de mise en place d'un
SMQ dans le service maintenance d'une centrale thermique : recherche de formalisation de
l’interaction entre processus, 6ème congrès international de génie industriel à Besançon,
2005.
[Alahmad, 05b] K. Alahmad, A. Sava, C. Clementz, P. Padilla. Deux méthodes pour la
modélisation et le pilotage du système de management de la qualité, Revue internationale
d’ingénière des systèmes de production, novembre 2005.
[Alahmad, 06a] K. Alahmad, A. Sava, C. Clementz, P. Padilla. Approche formelle pour la
modélisation et l’analyse des processus, CIFMA01, Alep, Syrie, 2006.
[Alahmad, 05b] K. Alahmad, A. Sava, C. Clementz, P. Padilla. Modelling and design of
quality management system based on SADT and petri net tools, 15th International Conference
on Manufacturing Systems – ICMaS, Bucharest, Romania, October 2006.
[Andradottir, 98a] S. Andradottir, A review of simulation optimization techniques,
Proceedings of the 1998 Winter Simulation Conference, 151-158, 1998.
[Andradottir, 98b] S. Andradottir, Simulation optimization. In Handbook on Simulation, John
Wiley & Sons, Inc., New York, 1998.
[Anis, 04] A. Anis, Composants pour la modélisation des processus métier en productique,
basés sur CIMOS, thèse de doctorant, université de Metz, 2004.
B
[Bailin, 89] S. C. Bailin, An object-oriented requirements specification methode. ACM, vol.
32, N° 5, 608-623, 1989.
[Bennour, 04] M. Bennour, Contribution à la Modélisation et à l’Affectation des Ressources
Humainesdans les Processus, thèse de doctorant, Université Montpellier II, 2004.
[Boterf, 98] G. Le Boterf, l'ingénierie des compétences, Editions d'organisation, 1998.
157
C
[Caby, 00] F. Caby, C. Jambart, La qualité dans services : fondements, témoignages, outils,
Economica, 2000.
[Cai, 02] D. Q. Cai, M. Xie, T.N. Tang, Economic design of control chart for trended
processes, Int. J. Production Economics, 85-92, 2002.
[Campos, 92] J. Campos, G. Chiola, J. M. Colom, M. Silva, Properties and Performance
Bounds for Timed Marked Graphs, 1992.
[Camus, 97] H. Camus, Conduite de Systèmes flexibles de Production manufacturière par
Composition de Régimes Permanents cycliques: Modélisation et Evaluation de Performances
à l'aide des Réseaux de Petri, Thèse de doctorant, université des Sciences et technologies de
Lille, 1997.
[Cattan, 03] M. Cattan, N. Idrissi, P. Knockaert, Maîtriser les processus de l'entreprise,
éditions d'organisation, 2003.
[Cauvin, 05] A. Cauvin, Analyse, Modélisation et amélioration de la réactivité des systèmes
de décision dans les organisations industrielles, HDR en génie industriel, université Paul
Cezanne Aix-Marseille III, 2005.
[Cavory, 00] G. Cavory, Une approche génétique pour la résolution d'ordonnancements
cycliques, thèse de doctorant, université d'Artois, 2000.
[Cerny, 85] V. Cerny, I. Novak, Thermodynamical Approach to the travelling salesman
problem: An efficient simulation algorithm. Journal of Optimization Theory and Applications,
Vol. 45, PP.41-51, 1985.
[Cesare, 93] F. Di. Cesare, G. Harhalakis, J. M. Proth, M. Silva, F.Vernadat, Practice of petri
nets in Manufacturing, Chapman & Hall,1993.
[Charon, 96] I. Charon, A. Germa, O. Hudry, Méthodes d'optimisation combinatoire, Editions
Masson, 1996.
[Chen, 99] S. Chen, B. L. Luk, Adaptive simulated annealing for optimization in signal
processing application, Signal Processing, 117-128, 1999.
[Cheung, 98] J. Cheung, J. Bal, Process analysis techniques and tools for business
improvements, Business process management journal¸vol.4, 274-290, 1998.
[Clavier, 97] J. Clavier, Qualité et qualitique, Technique de l’ingénieur, A8 750, 1997.
[Clementz, 00] C. Clementz, Modélisation des systèmes de production de compétences:
Apports à l'ingénierie pédagogique, Thèse de doctorant, univeristé de Metz, 2000.
[Coad, 93] P. Coad, E. Yourdon, Analyse Orientée Objets, Editions Masson, 1993.
158
[Cohen, 97] G. Cohen , S. Gauber, J. P. Quadrat, Algebric system analysis of timed Petri nets,
Cambridge University Press, 1997.
D
[David, 92] R. David, H. Alla, Du grafcet aux réseaux de Petri, Editions Hermes, Paris, 1992.
[Doumeingts, 83] G. Doumeingts, D. Breuil, L. Pun, La gestion de production assistée par
ordinateur, Hermès, 1983.
[Ducq, 01] Y. Ducq, B. Vallespir, G. Doumeingts, Coherence analysis methods for
production systems by performance aggregation, International Journal of Production
Economics, 23-37, 2001.
E
[Estraillier, 96] P. Estraillier, F. Kordon, Structuration of large scale Petri nets: an association
with higher level formalisms for the design of multi-agent systems, Proceedings of the
International Conference on Systems, Man and Cybernetics Information, Intelligence ans
Systems, Beijing, China, 1996.
F
[Frecher, 03] D. Frecher, J. Segot, Ph. Tizzolino, 100 questions pour comprendre et agir – les
processus, AFNOR, Paris, 2003.
G
[Galland, 01] S. Galland, Approche multi-agents pour la conception et la construction d’un
environnement de simulation en vue de l’évaluation des performances des ateliers multi-sites,
thèse de doctorant, Ecole Nationale Supérieure des Mines de Saint-Étienne et de l’Université
Jean Monnet, 2001.
[Gautier, 95] R. Gautier, Qualité en conception de produits nouveaux : Proposition d'une
méthode de fiabilisation du processus de management de l'information, Thèse de doctorat en
Génie Industriel, ENSAM de Paris, 1995.
[Gingele, 02] J. Gingele, S. J. Childe, M. E. Miles, A modelling technique for reengineering
business processes controlled by ISO 9001, Computers in Industry, vol. 49, n° 3, 235–251,
2002.
[Giua, 02] A. Giua, A. Piccaluga, C. Seatzu, Firing rate optimization of cyclic timed event
graphs by token allocations, Automatica 38, 91-103, 2002.
159
[Glover, 97] F. Glover, M. Laguna, Tabu Search, Kluwer academic Publishers, 1997.
[Goldberg, 94] D. E. Goldberg; Algorithmes Génétiques, Editions Addison-Wesley, 1994
(traduction française de l'ouvrage anglais paru en 1991 "Genetic Algorithms") 1994.
[Grabot, 96] B. Grabot, J. C. Blanc, C. Binda, A decision support system for production
activity control, Decision support system 16, 87-101, 1996.
[Guio, 97] R. D. Guio, M. Barth, About performance evaluation in production flow analysis,
International Journal of Production Research, 1997.
H
[Hanrahan, 95] R. P. Hanrahan, The IDEF process modeling methodology, Software
Technology support center, 1995.
[Hao, 99] J.K. Hao, P. Galinier, M. Habib, Métaheuristiques pour l’optimisation combinatoire
et l’affectation sous contraintes. Revue d’Intelligence Artificielle, 1999.
[Harzallah, 00] M. Harzallah, Modélisation des aspects organisationnels et des compétences
pour la réorganisation d’entreprise industrielles, Thèse de doctorat en Génie Industriel,
Université de Metz, 2000.
[Hasan, 02] R. Hasan, Contribution à l’amélioration des performances des systèmes
complexes par la prise en compte des aspects socio-techniques dès la conception : proposition
d’un modèle original de SITUTION DE TRAVAIL pour une nouvelle approche de
conception, Université Henri Poincaré – Nancy I, 2002.
[Heitz, 03] D. Heintz, Apport des méthodologies d’analyses systémiques dans la préparation à
la certification ISO 9001 : 200 d’une PMI, Diplôme postgrade en informatique et
organisation, Université de Lausanne, 2003
[Hillion, 89] H. P. Hillion, J. M. Proth, Performance evaluation of jobshop systems using
timed event-graphs, IEEE Transactions on Automatic Control, 34(1), 3-9, 1989.
[Holdsworth, 03] R. Holdsworth, Practical applications approach to design, development and
implementation of an integrated management system, Journal of Hazardous Materials, vol.
104, n° 1-3, 193–205, 2003.
I
[ICAM, 81a] Integrated Computer Aided Manufacturing (ICAM) Architecture Part II, Vol.
IV – Functionnal Modeling Manual (IDEF0), Air Force Materials Laboratory, Wright-
Petterson Air Force Base, Ohio 45433, AFWAl-TR-81-4023, 1981.
160
[ICAM, 81b] Integrated Computer Aided Manufacturing (ICAM) Architecture Part II, Vol. V
– Functionnal Modeling Manual (IDEF0), Air Force Materials Laboratory, Wright-Petterson
Air Force Base, Ohio 45433, AFWAl-TR-81-4023, 1981.
[IRDQ, 03] IRDQ, QUALIDIAG : Une méthode de diagnostic des systèmes de management
de la qualité, Institut de Recherche et de Développement de la Qualité, Ouvrage collectif,
2003.
J
[Jafrai, 94] Jafrai M.A., Boucher T.O., A rule-based system for generation a ladder logic
control program from a high level system model, Journal of Intelligent Manufacturing, vol.5,
103-120, 1994.
[Jensen, 90] Jensen K., Coloured Petri nets – A high level language for system design and
analysis, Springer, Berlin, 1990.
[Johansson, 93] H.J. Johansson, P. Mchugh, A.J. Pendlebury, Business process reegnineering,
breakpoint strategies par market dominance, John Wiley & sons Ltd, England, 1993.
[Joucla, 00] E. Joucla, Amélioration de l’efficacité des actions corrective d’un système
qualité, Thèse doctorant en Science et Technique, INP Grenoble, 2000.
K
[Kirkpatrick, 83] S. Kirkparrick, C. D. Gelatt, J. r. M P Vecchi, Optimization by Simulated
Annealing, Science, Vol. 220, 671-680, 1983.
[Krestel, 00] K. Krestel, Certification of a patent information center according to DIN en ISO
9001, World Patent Information, vol. 22, n°1-2, 19 – 22, 2000.
L
[Laftit, 92] S. Laftit, J. M. Proth, X. Xie, Optimization of invariant criteria for event graph.
IEEE Transactions on Automatic Control, 37(5), 547-555, 1992.
[Larsen, 01] B. Larsen, T. Haversö, Management by standards : real benefits from fashion,
Scandinavian Journal of Management, vol. 17, n°4, 457- 480, 2001.
[Li, 06] J. Li, Evaluation et optimisation des performances des systèmes de productions
distribution, thèse de doctorant, université de Metz, 2006.
[Liang, 94] Liang G R., Hong H M., Hierarchy transformation method for repetitive
manufacturing system specification, design, verification and implementation, Computer
Integrated manufacturing systems, vol.7, 191-205, 1994.
161
[Louchner, 92] R. H. Lochner, J. E. Matar, Conception de la qualité: les plans d'expériences,

afnor, 1992.
M
[Marier, 96] S. Marier, Modélisation et évaluation des performances des processus industriels
semi-structurés, thèse de doctorant, Institut national polytechnique de Grenoble, 1996.
[Massacre, 03] C. Massacre, F. Dagusie, Profession : qualiticien, 2ème édition, Dunod,
Belgique, 2003.
[Massot, 01] P. Massot, D. Lagarde, P. Nasiadka, M. Bellaïche, Mode D’emploi pour les Pme
ISO 90001- Une méthode Inedite, AFNOR, Paris, 2001.
[Mathieu, 00] S. Mathieu, Comprendre les normes ISO 9000 version 2000, AFNOR, paris,
2000.
[Mati, 02] Y. Mati, Les problèmes d'ordonnancement dans les systèmes de production
automatisés : Modèles, Complexité et Approches de résolution, thèse de doctorant, université
de Metz, 2002.
[Mayer, 95] R. J. Mayer, Information Integration for Concurent Engineering (IICE), IDEF3
Process Description Capture Method Report », AL-TR-81-4023, Air Force Material
Laboratory, Wright Patterson AFB, Ohio 45433, 1995.
[Mederios, 98] D.D. Medeiros, Le projet de certification ISO 9002 : Aide au choix et
caractérisation des différentes démarches, thèse doctorant en Génie industriel, institut national
polytechnique de Grenoble, 1998.
[Megartsi, 01] R. Megartsi, Propositin d'un support de conduite des processus d'entreprise
dans un contexte perturbé, thèse de doctorant, université d'Aix-Marseille III, 2001.
[Messeghem, 99] K. Messeghem, Contribution à la compréhension de l'adoption d'un modèle
d'assurance de la qualité en PME: le cas des industries agro-alimentaires, thèse de doctorant,
universtié Montpellier I, 1999.
[Meyer, 88] B. Meyer, Object oriented software construction. Cambridge : Prentice Hall,
1988.
[Mitonneau, 04] H. Mitonneau, ISO 9000 version 2000 pour une renouvelée du management
de la qualité, dunod, 2004.
[Mukhopadhyay, 98] S.K. Mukhopadhyay, M.K. Singh, R. Srivastava, FMS machine
loading: a simulated annealing approach, International Journal of Production Research, Vol.
36, n°6, 1529 – 1547, 1998.
162
N
[Nakamura, 99] M. Nakamura, M. Silva, An iterative linear relaxation and tabu search
approach to minimum initial marking problems of timed marked graphs. Proceedings of
European control conference, Karlsruhe, Germany, 1999.
[Nearchou, 04] A. C. Nearchou, A novel metaheuristic approach for the flow shop scheduling
problem, Engineering Application of artificial intelligence, 289-300, 2004.
O
[Olafsson, 02] S. Olafsson, J. Kim, Simulation optimization, Proceedings of the 2002 Winter
Simulation Conference, 79–84, 2002.
P
[Panayiotou, 99] C. G. Panayiotou, C. G. Cassandras, Optimization of kanban-based
manufacturing systems. Automatica, 35, 1521-1533, 1999.
[Paris, 04] J. L. Paris, Apport des algorithmes évolutionnistes et de l'apprentissage pour
l'analyse et l'optimisation via simulation des systèmes de production, HDR en Informatique et
Productique, Université Blaise PASCAL, 2004.
[Partington, 96] D. Partington, The project management of organizational change,
International Journal of Project Management, vol 14, n°1, 13-21, 1996.
[Peffers, 05] K. Peffers, T. Tuunanen, Planning for IS applications: a practical, information
theortical method and case study in mobile financial services, Information & Management,
42, 483-501, 2005.
[Pibouleau, 05] L. Pibouleau, S. Domenech, A. Davin, C. Azzaro-Pantel, Expérimentation
numériques sur les varaintes et paramètres de la méthode du recuit simulé, Chemiclal
Engineering Journal, 117-130, 2005.
[Pillet, 01a] M. Pillet, D. Duret, Qualité en production de l’ISO à six sigma, Editions
d’organisations, Paris, 2001.
[Pillet, 01b] M. Pillet, Appliquer la maîtrise statistique des procédés (MSP/SPC), Editions
d'Organisations, Paris, 2001.
[Prins, 97] C. Prins , Algorithmes de Graphes, Editions Eyrolles, 2ème tirage, 1997.
[Proth, 06] J.M. Proth, A. Dolgui, Les systèmes de production modernes, Lavoisier, Paris,
2006.
[Proth, 97] J. M. Proth, L. M. Wang, X. Xie, A Class of Petri Nets for Manufacturing System
Integration, IEEE Transactions n Robotics and Automation vol. l3, N°.3, 317-326, 1997.
163
R
[Ramchandani, 74] C. Ramchandani, Analysis of asynchronous concurrent systems using
Petri nets, Rapport Technique N° 120, MIT, Cambrige, 1974.
[Reimann, 95] M. D. Reimann, The effect of alternate business practices on business cost,
University of Texas, 1995.
S
[Sava, 01] A. Sava, Sur la synthèse de la commande des systèmes à événements discrets
temporisés, thèse de doctorant, Institut national polytechnique de Grenoble, 2001.
[Sakarovitch, 84] M. Sakarovitch, Optimisation combinatoire - Graphes et programmation
linéaire, Editions Hermann, Vol.1, 1984.
[Santarek, 97] K. Santarek, M. I. Buseif, Modelling and design of flexible manufacturing
systems using SADT and Petri nets tools, Journal of Materials Processing Technology,
vol.76, 212-218, 1997.
[Sauer, 03] N. Sauer, Marking optimization of weighted marked graphs, Discrete event
dynamic systems: Theory and Application, 13, 245-262, 2003.
[Ségot, 01] J. Ségot, C. Gasquet, Assurer le passage à la norme ISO 9000 version 2000, en
route vers l’excellence, AFNOR, Paris, 2001.
[Senechal, 04] O. Senechal, Pilotage des systèmes de production vers la performance globale,
HDR en Automatique et Informatique des Systèmes Industriels et Humains, Université De
Valenciennes, 2004.
[Sifakis, 78] J. Sifakis, Use of Petri nets for performance Evaluation, acta Cybernet, vol. 4,
N°. 2, 185-202, 1978.
[Silveira, 03] M. DA. Silveira, Sur la distribution avec redondance partielle de modèles a
événements discrets pour la supervision de procèdes industriels, thèse de doctorant,
Université Paul Sabatier de Toulouse, 2003.
[Staccini, 05] P. Staccini, M. Joubert, J-F Quaranta, M. Fieschi, Mapping care processes
within a hospital: form theory to a web based proposal merging entreprise modelling and ISO
normative principles, International Journal of Medical informatics, 74, 335-334, 2005.
[Sugden, 92] S. J. Sugden, A classe of direct search methods for nonlinear integer
programming, Ph D thesis, Bond university (School of Information & Computing sciences)
Austaural, 1992.
164
T
[Tailland, 00] J. Tailland, Instruments intelligents : Modèle et outils de conception, thèse de
doctorant, Université de Savoie, 2000.
[Tarondeau, 96] J. Tarondeau, La gestion de production, presses universitaires de France,
collection: que sais-je, 1996.
[Thiel, 90] D. Thiel, Recherche opérationnelle et management des entreprises, Editions
Economica, collection exercices et cas N°10, 1990.
[Toursi, 06] L. Toursi, N. Sauer, Optimisation des ressources dans les systèmes de production
cycliques: Approche basée sur les réseaux de Petri temporisés, MOSIM'06, Rabat, Maroc,
2006.
[Trouillet, 06] B. Trouillet, J. C. Gentina, On the Linearization of Weighted T-Systems,
V
[Vernadat, 99] F. Vernadat, Techniques de modélisation en entreprise : application aux
processus opérationnels, Economica, 1999.
W
[Ward, 89] P. T. Ward, How to integrate object orientation with structured analysis and
design, IEEE software, vol. 6, N° 2, 74-82, 1989.
[Widmer, 91] M. Widmer, Modèles mathématiques pour un gestion efficace des ateliers
flexibles, Presses Polytechniques et Universitaires Romandes, 1991.
[Widmer, 89] M. Widmer, A. Heritz, A new heuristic method for the flow shop sequencing
problem, European Journal of Operational Research, vol. 41, 186 -193, 1989.
[Williams, 98] T. J. Williams, G.A. Rathwell, A handbook on master planning and
implementation for enterprise integration programs, Report N. 160, Purdue laboratory for
applied industrial control, 1998.
Y
[Yamada, 94] T. Yamada, S. Kataoka, On some LP problems for performance evaluation of
timed marked graphs. IEEE Transactions on Automatic Control, 39(3), 696-698, 1994.
[Ying-Chin, 98] Ying-Chin Ho, C.L.Moodie, Machine Layout with a Linear Single-Row
Flow Path in an automated manufacturing system, Journal of Manufacturing System, Vol. 17,
n°1, 1- 22, 1998.
165
Z
[Zaytoon, 93] J. Zaytoon, Extension de l’analyse fonctionnelle à l’étude de la sécurité
opérationnelle des systèmes automatisés de production, thèse de doctorant, université Lyon,
1993.
[Zaytoon, 96] J. Zaytoon, Specification and design of logic controllers for automated
manufacturing systems, Robotics & Computer integrated manufacturing, Vol. 12, 353-366,
1996.
[Zaytoon, 97] J. Zaytoon, G. Villermain-Lecolier, Two methods for the engineering of
manufacturing systems, Control Engineering Practice, vol.5, 185-198, 1997.
166
ANNEXE 1
Etapes de création de modèle SADT
Annexe 1 Etapes de création de modèle SADT
UTILISATION AUTEUR : KHALAF ALAHMAD TRAVAIL LECTEUR DATE CONTEXTE

PROJET : CENTRAL THERMIQUE PUBLICATION
DATE
NOTE : 1 2 3 4 5 6 7 8 9 10 RECOMMANDE
REV
FONCTIONS ESSENTIELLES D’UN AUTEUR SADT

« LE POINT DE DEPART EST LE SUJET À ANALYSER »
1- PREPARER LE MODELE SADT
CREER LE CONTEXTE GENERAL PAR REFERENCE AUX ACTIVITES

1.1 Choisir le but et le Point du vu.
1.2 Délimiter le contexte (création du diagramme A0 à partir du diagramme A1).
1.3 Interview les experts.
1.4 Etablir une liste de données à partir des informations obtenues par le(s) expert(s).
1.5 Regrouper les données.
1.6 Etablir une liste d’activités sollicitant les données regroupées.
1.7 Regrouper les activités manipulant les mêmes groupes de données.
NŒUD : 1 TITRE : SERVICE DE MAINTENANCE DANS LE CENTRAL THERMIQUE
168
UTILISATION AUTEUR : KHALAF ALAHMD TRAVAIL LECTEUR DATE CONTEXTE

DATE
NOTE : 1 2 3 4 5 6 7 8 9 10 RECOMMANDE
REV
Mettre en place de système de management de la qualité pour le service de maintenance en central thermique
Dans le central thermique, nous avons service de maintenance qui exécute le programme de maintenance (maintenance corrective et préventive),
les acteurs dans ce service sont :
- Directeur
- Chef de travaux de maintenance
- Opérateurs (contrôleurs)
- Chef d’équipe
Le service nous aide à satisfaire les clients (consommateurs d’électricité), dans ce type d’entreprise après l’installation, le service de maintenance va
permettre la continuation d’entreprise, autrement dit, le succès d’entreprise. Les acteurs proposant la maintenance préventive, sont (le directeur, le
chef de travaux de maintenance, et les données des contrôleurs et chefs d’équipe), mais en respectant les données de la ministère.
Cependant la maintenance corrective, les acteurs sont les Contrôleurs et les chefs d’équipe.
NŒUD :
Le point départ TITRE : LE PROLEME A ANALYSER
169

DATE
NOTE : 1 2 3 4 5 6 7 8 9 10 RECOMMANDE
REV
NŒUD : A-0 TITRE : SERVICE MAINTENANCE DANS LE CENTRAL THERMIQUE
170

DATE
NOTE : 1 2 3 4 5 6 7 8 9 10 RECOMMANDE
REV
LISTE DE DONNEES
- Nom de machine, spécifications.

- Localisation de machine.
- Rôle de la machine dans l’entreprise.
- Responsable de faire la maintenance de la machine.
- Type de travail (automatique, manuel,……), et les travailleurs qui règle la machine et enregistre les paramètres.
- Equipe de maintenance de la machine.
- Fichiers précédents de maintenance de la machine.
- Caractérisations (type d’alimentation, rotation…..).
- Problèmes fréquence de la machine.
- Sécurité (soit pour mettre en service, ou soit pour faire la maintenance).
- Procédures de mettre en marche.
- Paramètres de machine contrôlés par les Contrôleurs (Opérateurs) (températures, pression,…).
- Programmes de maintenance prochaine de la machine.
NŒUD : 1.4 TITRE : LISTE DES DONNEES
171

DATE
NOTE : 1 2 3 4 5 6 7 8 9 10 RECOMMANDE
REV
Nom Identité de la machine

Spécification
Localisation
Caractérisation Renseignement sur la machine
Fichiers Données de contrôle

précédents
Sécurité
Données de fonctionnement
Paramètres contrôlées par
Problème fréquence
Programme prochain
Machine-équipe
Rôle de machine
procédures
Responsable
Equipes
NŒUD : 1.5 TITRE : REGROUPER LES DONNEES
172

DATE
NOTE : 1 2 3 4 5 6 7 8 9 10 RECOMMANDE
REV
DONNEES ACTIVITES
Identité de la machine Sélectionner une machine, vérifier les spécifications, lire et

enregistrer les caractérisations.
Données de contrôle Mettre à jour, consulter, modifier, mémoriser, noter les prochains
programme de maintenance.
Données de fonctionnement Tester, valider, enregistre avec les heures et les valeurs, et les alertes
en cas de défauts, et le niveau des alertes.
Machine-équipe Tester les compétences, les besoins d’équipe, vérifier la qualité des
outils disponible.
Renseignement sur la machine Consulter, vérifier la maintenance avec succès, les accidents, respect
des procédures de sécurité
NŒUD : 1.7 TITRE : SERVICE MAINTENANCE DANS LE CENTRAL THERMIQUE
173

DATE
NOTE : 1 2 3 4 5 6 7 8 9 10 RECOMMANDE
REV
NŒUD : A0 TITRE : SERVICE MAINTENANCE DANS LE CENTRAL THERMIQUE
174

DATE
NOTE : 1 2 3 4 5 6 7 8 9 10 RECOMMANDE
REV
NŒUD : A1 TITRE : SERVICE MAINTENANCE DE CENTRAL THERMIQUE
175

DATE
RECOMMANDE
NOTE : 1 2 3 4 5 6 7 8 9 10 REV
NŒUD : A2 TITRE : SERVICE MAINTENANCE DANS LE CENTRAL THERMIQUE
176

DATE
NOTE : 1 2 3 4 5 6 7 8 9 10 RECOMMANDE
REV
NŒUD : A3 TITRE : SERVICE DE MAINTENANCE DANS LE CENTRAL THERMIQUE
177

DATE
NOTE : 1 2 3 4 5 6 7 8 9 10 RECOMMANDE
REV
NŒUD : A4 TITRE : SERVICE DE MAINTENANCE DANS LE CENTRAL THERMIQUE
178
ANNEXE 2
Tableaux de calcule de la méthode d'optimisation
Annexe 2 Tableaux de calcule de la méthode d'optimisation
Dans cette annexe, nous allons présenter les tableaux obtenues pendant de réalisation
le calcule de notre méthode d'optimisation. Ces tableaux montre les résultats des simulations
de code C++.
Méthode d'optimisation – solution optimale :
N° des N° de Solution
N° de machine Affectation Temprateur
Opérateurs Régleurs bonne
n R Re sb af tempr
573133
5 2 1 74000 900
912831
6 2 1 86000 810
912831
6 3 1 89000 728,9999
996408
7 3 1 101000 656,0999
1225764
8 3 1 113000 590,4899
1323208
9 3 1 125000 531,4409
1323208
9 4 1 128000 478,2968
1500532
10 4 2 148000 430,4671
1500532
10 5 3 159000 387,4204
1895295
11 5 3 171000 348,6783
1895295
12 5 3 183000 313,8105
2155605
13 5 3 195000 282,4294
2155605
13 6 3 198000 254,1865
2391997
14 6 3 210000 228,7678
2391997
15 6 3 222000 205,8911
2625545
16 6 3 234000 185,3019
2625545
16 7 3 237000 166,7717
2878266
17 7 3 249000 150,0946
2878266
18 7 3 261000 135,0851
3084805
19 7 3 273000 121,5766
3084805
20 7 4 293000 109,4189
3191742
21 7 4 305000 98,47703
3191742
21 8 4 308000 88,62933
3565944
22 8 4 320000 79,76639
3565944
23 8 4 332000 71,78975
3652445
24 8 4 344000 64,61077
3652445
24 9 4 347000 58,1497
3673223
25 9 4 359000 52,33472
4077909
26 9 4 371000 47,10125
4077909
27 9 4 383000 42,39113
4134721
28 9 4 395000 38,15201
4134721
28 10 4 398000 34,33681
3720080
28 11 4 401000 30,90313
4150097
29 11 4 413000 27,81281
4159725
30 11 5 433000 25,03153
180
4172186
31 11 5 445000 22,52838
4188399
32 11 5 457000 20,27554
4210130
32 12 5 460000 18,24799
4631114
33 12 5 472000 16,42319
4640439
34 12 5 484000 14,78087
4654723
35 12 5 496000 13,30278
4676375
36 12 5 508000 11,9725
Méthode d'optimisation – taux d'utilisation :

N° de N° des N° de Temps de Taux d'utilisation
machines opérateurs Régleurs simulation des Opérateurs
n R Re Temps TdR
5 1 1 5760000 0,925361
5 2 1 5760000 0,530563
6 2 1 5760000 0,939023
6 3 1 5760000 0,669107
7 3 1 5760000 0,357345
8 3 1 5760000 0,496746
9 3 1 5760000 0,873455
9 4 1 5760000 0,268607
10 4 2 5760000 0,785382
10 5 3 5760000 0,223635
11 5 3 5760000 0,643534
12 5 3 5760000 0,428674
13 5 3 5760000 0,741534
13 6 3 5760000 0,251696
14 6 3 5760000 0,626177
15 6 3 5760000 0,437544
16 6 3 5760000 0,710236
16 7 3 5760000 0,271815
17 7 3 5760000 0,611381
18 7 3 5760000 0,440294
19 7 3 5760000 0,686997
20 7 4 5760000 0,59832
21 7 4 5760000 0,730818
21 8 4 5760000 0,443511
22 8 4 5760000 0,671141
23 8 4 5760000 0,580617
24 8 4 5760000 0,711298
24 9 4 5760000 0,625139
25 9 4 5760000 0,503062
26 9 4 5760000 0,677461
27 9 4 5760000 0,607081
28 9 4 5760000 0,690119
28 10 4 5760000 0,690011
28 11 4 5760000 0,638068
29 11 4 5760000 0,659167
30 11 5 5760000 0,673997
31 11 5 5760000 0,676954
32 11 5 5760000 0,678853
32 12 5 5760000 0,651584
33 12 5 5760000 0,662385
34 12 5 5760000 0,667043
181
Méthode d'optimisation – taux d'utilisation (suite 1) :

Taux d'utilisation Taux d'utilisation N° de machine La valeur de
de Régleur maximal ajoutée décision
TdRe maxtdM Maj choix
0,28636 0,608958 --- 0,925361
0,45165 0,841553 3 0,79705
0,243726 0,497571 --- 0,939023
0,427812 0,79946 4 0,74966
0,461443 0,833643 0 0,805822
0,435922 0,805387 0 0,765843
0,294907 0,583327 --- 0,873455
0,437344 0,830779 0 0,773581
0,379993 0,724459 --- 0,785382
0,49743 0,883574 3 0,877852
0,440012 0,816485 9 0,779352
0,477983 0,858013 10 0,843994
0,391614 0,729803 --- 0,741534
0,494866 0,876425 4 0,871255
0,440038 0,807916 11 0,775929
0,475369 0,850909 12 0,836242
0,398228 0,733924 --- 0,710236
0,492075 0,868902 5 0,863844
0,438693 0,798831 11 0,772235
0,471517 0,842649 14 0,82812
0,403461 0,737442 9 0,7067
0,445653 0,801778 10 0,779852
0,373096 0,685978 --- 0,730818
0,476082 0,84584 17 0,831576
0,413546 0,749206 9 0,721774
0,449835 0,803962 10 0,784331
0,385487 0,697642 --- 0,711298
0,435311 0,782171 10 0,758658
0,465413 0,824813 10 0,809763
0,407629 0,73534 9 0,70862
0,440105 0,78724 10 0,764815
0,383965 0,691879 --- 0,690119
0,384517 0,691938 --- 0,690011
0,427488 0,768482 10 0,742196
0,415148 0,747611 10 0,719973
0,403502 0,724562 9 0,699554
0,393263 0,702485 14 0,681089
0,384192 0,690845 --- 0,678853
0,421943 0,758664 10 0,730179
0,410879 0,73815 11 0,710788
0,400998 0,716156 12 0,693221
0,392254 0,698872 23 0,677751
182
Méthode d'optimisation – taux d'utilisation de chaque machine :

tdM0 tdM1 tdM2 tdM3 tdM4 tdM5 tdM6 tdM7 tdM8
0,5432 0,4716 0,4656 0,6089 0,4358
0,8351 0,7888 0,7828 0,8415 0,7368
0,4439 0,3853 0,3804 0,4975 0,4975 0,3561
0,7897 0,7272 0,7170 0,7907 0,7994 0,6737
0,8336 0,8111 0,8016 0,8292 0,8248 0,8166 0,7235
0,8053 0,8053 0,7591 0,7452 0,7961 0,7893 0,7773 0,6487
0,5335 0,5328 0,5307 0,4719 0,4579 0,578 0,5833 0,5746 0,4134
0,8307 0,8274 0,8213 0,7938 0,7761 0,7943 0,7737 0,7416 0,6028
0,6732 0,6875 0,6964 0,6962 0,6358 0,6181 0,7232 0,7244 0,7222
0,8813 0,882 0,8829 0,8835 0,88 0,879 0,8802 0,8808 0,881
0,7796 0,7871 0,7916 0,7955 0,7975 0,75 0,7361 0,8116 0,8154
0,8462 0,8495 0,8515 0,8534 0,8546 0,8295 0,8241 0,8544 0,8568
0,6833 0,6929 0,7027 0,706 0,7073 0,6496 0,6301 0,7292 0,7298
0,8740 0,8749 0,8758 0,8762 0,8764 0,8694 0,8672 0,8742 0,8751
0,7673 0,7764 0,7821 0,7861 0,7886 0,7902 0,7412 0,7247 0,8049
0,8354 0,8385 0,8409 0,8421 0,8432 0,844 0,8148 0,806 0,8475
0,6894 0,6959 0,7052 0,7094 0,7114 0,7137 0,6575 0,6367 0,7339
0,8662 0,8672 0,8681 0,8688 0,8686 0,8689 0,8578 0,854 0,8674
0,759 0,7682 0,7749 0,7791 0,782 0,7842 0,7856 0,7368 0,7182
0,8247 0,8285 0,8305 0,8317 0,8329 0,8336 0,8338 0,8013 0,7897
0,693 0,6987 0,7066 0,7114 0,7136 0,7156 0,7178 0,6633 0,6418
0,7616 0,7714 0,7787 0,7837 0,7875 0,7901 0,7928 0,7483 0,73016
0,6394 0,6399 0,6409 0,6413 0,6417 0,6422 0,643 0,5846 0,5673
0,8220 0,8269 0,8299 0,8317 0,8335 0,8347 0,835 0,8021 0,7903
0,7037 0,7089 0,7172 0,7231 0,7255 0,7282 0,7307 0,682 0,6612
0,7641 0,773 0,7799 0,7857 0,7893 0,7924 0,7951 0,7544 0,7371
0,6557 0,6571 0,6593 0,6605 0,6614 0,6623 0,6632 0,6085 0,5894
0,7366 0,7444 0,7528 0,7593 0,763 0,7659 0,7687 0,7288 0,708
0,7932 0,8007 0,8051 0,8085 0,8113 0,8135 0,8158 0,7771 0,7627
0,6882 0,6921 0,6981 0,7027 0,7054 0,707 0,7083 0,6679 0,6428
0,7415 0,7488 0,7564 0,7631 0,7672 0,769 0,7718 0,7346 0,7173
0,6485 0,6483 0,6481 0,6479 0,6472 0,646 0,6466 0,5994 0,5742
0,6483 0,6481 0,648 0,6478 0,6472 0,646 0,6464 0,599 0,5741
0,7177 0,7234 0,7310 0,7372 0,7407 0,742 0,74484 0,7091 0,6902
0,6963 0,7003 0,7061 0,7108 0,7135 0,715 0,7164 0,6816 0,6607
0,6782 0,6796 0,6824 0,6854 0,6872 0,688 0,6891 0,655 0,6315
0,6605 0,6603 0,6605 0,6608 0,6607 0,660 0,6607 0,6225 0,598
0,6423 0,6403 0,6387 0,6373 0,6359 0,6346 0,6335 0,5917 0,567
0,7037 0,707 0,7125 0,7179 0,721 0,7238 0,7256 0,6941 0,676
0,6858 0,6876 0,6907 0,6939 0,696 0,6973 0,6983 0,6673 0,648
0,6692 0,6696 0,6706 0,6714 0,6719 0,672 0,6721 0,6394 0,6178
0,6534 0,6521 0,6508 0,6498 0,6486 0,6476 0,6468 0,61 0,5878
183
Méthode d'optimisation – taux d'utilisation de chaque machine (Suite 1) :

0,5459
0,8473
0,8164 0,6917
0,8578 0,858 0,7916
0,7296 0,7282 0,7273 0,551
0,8753 0,8753 0,8755 0,8365
0,8062 0,8069 0,8079 0,8073 0,6724
0,8492 0,85 0,8503 0,8509 0,8506 0,7792
0,7337 0,7336 0,7332 0,7318 0,7306 0,7293 0,5527
0,8678 0,8686 0,8684 0,8685 0,8684 0,8682 0,8238
0,7983 0,7986 0,7988 0,7986 0,7986 0,7984 0,7975 0,6504
0,841 0,8419 0,842 0,8425 0,8424 0,8426 0,8423 0,8415 0,7621
0,7374 0,7372 0,7367 0,7363 0,7353 0,734 0,7331 0,7311 0,7299
0,8016 0,8017 0,8016 0,8012 0,801 0,801 0,8007 0,8005 0,8
0,6795 0,682 0,6828 0,684 0,6837 0,6839 0,6847 0,6859 0,6857
0,8446 0,8445 0,8448 0,8451 0,8451 0,8453 0,8455 0,8455 0,845
0,7492 0,7487 0,7479 0,7469 0,7462 0,7451 0,7443 0,7436 0,7426
0,8035 0,8039 0,8032 0,8028 0,8022 0,8025 0,8017 0,8017 0,8015
0,6938 0,6962 0,6964 0,6971 0,6973 0,6973 0,6962 0,6964 0,6976
0,7815 0,7821 0,7814 0,7799 0,779 0,7779 0,7774 0,7768 0,7759
0,8246 0,8248 0,8241 0,8243 0,8241 0,824 0,8242 0,8243 0,8244
0,7353 0,7349 0,734 0,7334 0,7323 0,731 0,73 0,7293 0,7284
0,7863 0,7872 0,7867 0,7852 0,783 0,783 0,7819 0,7813 0,7806
0,6824 0,6863 0,6875 0,6887 0,6899 0,6908 0,6908 0,6905 0,6903
0,6825 0,6862 0,6875 0,6889 0,6902 0,6908 0,6911 0,6905 0,6901
0,7672 0,7684 0,7677 0,7663 0,764 0,7631 0,7616 0,7607 0,7597
0,7471 0,7476 0,7469 0,7455 0,7439 0,7424 0,7408 0,739 0,7387
0,7245 0,7243 0,7243 0,7234 0,7223 0,721 0,7203 0,7194 0,7182
0,6992 0,6998 0,7011 0,702 0,7022 0,7024 0,7021 0,702 0,7014
0,6765 0,6781 0,6802 0,6826 0,6845 0,6858 0,6867 0,687 0,6872
0,756 0,7586 0,758 0,7565 0,7546 0,7528 0,7508 0,749 0,7476
0,7378 0,7379 0,7381 0,7372 0,7352 0,7335 0,7319 0,7303 0,7292
0,716 0,7149 0,7155 0,7161 0,7154 0,7145 0,7134 0,7128 0,7118
0,6932 0,6927 0,6937 0,6957 0,6965 0,6969 0,6971 0,6974 0,6977

0,5534
0,7993 0,6434
0,6854 0,6842 0,5192
0,8454 0,8453 0,7582
0,7417 0,7408 0,74 0,5594
0,8013 0,801 0,8004 0,7998 0,6418
0,6969 0,6967 0,6966 0,6961 0,6954 0,5267
0,775 0,775 0,7741 0,7736 0,7726 0,5956
0,8242 0,8239 0,8239 0,8238 0,8233 0,8221 0,695
0,7278 0,7272 0,7262 0,7253 0,7243 0,7238 0,7235 0,5436
0,7802 0,7796 0,779 0,7782 0,7776 0,7769 0,7758 0,7749 0,5999
0,691 0,6915 0,6918 0,6918 0,6917 0,6918 0,691 0,691 0,6913
0,6912 0,6915 0,6914 0,6918 0,6919 0,6918 0,6913 0,691 0,6912
0,7587 0,7576 0,7571 0,75608 0,7552 0,754 0,7533 0,7522 0,7509
0,7376 0,7369 0,7359 0,7353 0,7343 0,7329 0,7321 0,731 0,7303
184
0,7177 0,7177 0,7171 0,7168 0,7161 0,7155 0,7148 0,7142 0,7137

0,7013 0,7019 0,7021 0,7023 0,7019 0,7017 0,7015 0,7014 0,7011
0,6878 0,6881 0,6889 0,6894 0,6896 0,6897 0,69 0,6901 0,6901
0,7465 0,745 0,7447 0,7439 0,7432 0,7423 0,7415 0,7403 0,7397
0,7282 0,7273 0,7265 0,7263 0,7258 0,725 0,724 0,7232 0,7225
0,7115 0,711 0,7108 0,7107 0,71 0,7106 0,7101 0,7097 0,7091
0,6979 0,698 0,6983 0,6981 0,698 0,6988 0,6985 0,6983 0,6984

tdM27 tdM28 tdM29 tdM30 tdM31 tdM32 tdM33 tdM34
0,5262
0,526
0,569
0,7293 0,5488
0,7137 0,7138 0,5398
0,7 0,7009 0,7018 0,5364
0,6898 0,6897 0,69 0,6908 0,5323
0,7392 0,7389 0,7383 0,7375 0,5551
0,7219 0,7212 0,72 0,7205 0,7206 0,5447
0,7085 0,7081 0,7077 0,7076 0,7079 0,7084 0,5404
0,6983 0,6985 0,6985 0,6982 0,6981 0,6986 0,6988 0,5385
185
Systèmes de contrôle de la qualité de production : Méthodologie de modélisation, de
pilotage et d'optimisation des systèmes de production
Résumé : Le sujet de la thèse porte sur les systèmes de contrôle de la qualité de production. Dans une
concurrence exacerbée, la complexification des systèmes de production doit à la fois intégrer la satisfaction du
client et l’anticipation sur ses besoins, tant internes qu’externes. Pour atteindre ce but, la satisfaction permanente
des clients, nous essayons d’utiliser le concept de contrôle et de management de la qualité. Dans cette thèse,
nous avons proposé une méthodologie pour contrôler le processus de pilotage, puis l’optimisation du système de
production. Nous avons proposé une méthodologie qui, partant des outils de MSP (maîtrise statistique de la
qualité) pour déterminer les processus critiques et collecter les données nécessaires, utilise la famille des
méthodes IDEF (IDEF0 – IDEF3) pour réaliser le modèle fonctionnel. Nous avons enrichi cette approche par
une modélisation dynamique basée sur les réseaux de Petri en proposant des règles spécifiques. Nous avons
appliqué cette méthodologie sur le système de maintenance dans une centrale thermique. Par ailleurs, nous
avons proposé une approche de mise en place d'un Système de Management de la Qualité (SMQ). Enfin, nous
avons réalisé l'optimisation du modèle réalisé en utilisant le recuit simulé et la cadence de machine. Cette thèse
est conclue par l’étude des différentes politiques de contrôle de la qualité.
Mots clés : Contrôle de la qualité, Mise en place d'un SMQ, Modélisation et optimisation des systèmes de
production, Réseaux de Petri, SADT temporel.
Control systems of the quality of production: Methodology for modeling, for control and
for optimization of production systems
Abstract: The subject of our PhD thesis focuses on the systems of quality control of production. In a
competition, the complex of production systems must to integrate customer satisfaction and anticipation of
customer on their needs, internally and externally. To achieve this goal, the satisfaction of customers, we use the
concept of control and quality management. In this PhD thesis, we proposed a methodology to control the
process of piloting, then the optimization of the production system. In the start of our methodology, we call the
tools of SPC (statistical processes control) to determine the critical process and collect the necessary data, then
we use the method of IDEF (IDEF0 - IDEF3) to realize the functional model. The second step in our
methodology is the realization of dynamic model which based on Petri nets by using specific rules. We applied
this methodology on the maintenance system in a power plant. Moreover, we have proposed an approach to
implementation of a quality management system (QMS). Finally, we realized the optimization of achieved
model by using the simulated annealing and pace of machine. This PhD thesis has been finalized by studying the
various policies of quality control.
Keywords: quality control, Implementation of a quality management system, Modeling and optimization of
production systems, Petri nets, timed SADT.

Alahmad Khalaf SMZ0801 PDF

Transféré par

Droits d'auteur :

Formats disponibles

Alahmad Khalaf SMZ0801 PDF

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Alahmad Khalaf SMZ0801 PDF

Transféré par

Droits d'auteur :

Formats disponibles

THÈSE DE DOCTORAT

L’UNIVERSITÉ PAUL VERLAINE-METZ

Docteur de l’Université Paul Verlaine de Metz

Systèmes de contrôle de la qualité de

Soutenue le 12 mars 2008 devant le jury composé de :

BERNARD LAGET Professeur à l’Ecole Nationale d’Ingénieurs de Saint Etienne

MOUFID MOUWAKEH Professeur à l'Université d'Alep (Rapporteur)

NOUREDDINE ZERHOUNI Professeur à l'Ecole Nationale Supérieure de Mécanique et des

PIERRE PADILLA Professeur et Directeur de l'ENIM (Directeur de thèse)

CHRISTIAN CLEMENTZ Professeur à l'ENIM (Co-encadrant)

ALEXANDRE SAVA Maître de Conférences à l’ENIM (Co-encadrant)

Je tiens à traduire ma respectueuse reconnaissance à mon directeur de thèse, Monsieur

z M. Bernard LAGET, Professeur, Ecole Nationale d’Ingénieurs de Saint Etienne, Rue

Encore une fois, merci à toutes et à tous

INTRODUCTION GENERALE .................................................................................................. 15

II.5 Modèle SADT du service de maintenance ................................................................ 68

ANNEXE 2 .............................................................................................................................. 179

Tableau IV.1. Comparaison entre les deux méthodes............................................................ 126

Tableau V.1. Résultats de simulation de scénario 1............................................................... 141

Figure II.1. Principe du pilotage par la quallité ....................................................................... 51

Figure III.1.Transition de puit et de source.............................................................................. 82

Figure III.8. Modéle SADT - diagramme A0........................................................................... 91

Figure IV.1. Ligne de fabrication........................................................................................... 116

Figure V.1. Contrôle par échantillonnage et ressources polyvalentes ................................... 133

Le mémoire est organisé en cinq chapitres :

Dans le deuxième chapitre, nous proposons une approche de mise en place et

Nous complétons l'approche formelle dans le troisième chapitre par l’introduction

Le chapitre quatre traite le problème d’optimisation des ressources dans un système de

clients et qu'ils sont économiquement réalisables. Ce type de qualité est principalement la

I.2 Système de management de la qualité

de management de la qualité englobe l'assurance de la qualité, l'amélioration de la qualité, le

Schématiquement, le système de management de la qualité peut se présenter comme

Qualité perçue par Audits

Figure I.1. Système de management de la qualité [Pillet, 01a]

I.3 Approche Processus

Figure I.2. Principaux éléments d’un processus [Mitonneau, 04]

Il y a deux grandes catégories de processus [Cattan, 03] :

I.3.1 Vision hiérarchique et vision processus

Secteur d’entreprise Ministère

Contrôleurs Bureau d’achat Autres

Maintenance électrique Maintenance mécanique

Les différentes équipes Les différentes équipes

Figure I.4. Entreprise et vision verticale (vision hiérarchique)

Secteur d’entreprise Ministère

Satisfaction des clients

Contrôleurs Bureaux administratifs

Figure I.5. Entreprise et la vision horizontale (vision processus)

I.4 Système de production

Figure I.6. Modèle conceptuel de production [Clementz, 00]

Identification & Recueil

Figure I.7. Notre méthodologie

I.6 Modélisation du système de production

I.7 Optimisation du système de production

Paramètres Solution On retient pour

Figure I.8. Optimisation et simulation [Castagna, 04]

L’objectif de l’optimisation par simulation est d’optimiser les performances choisies du

I.7.1 Méthodes d'optimisation exactes

I.7.1.2 Méthodes algorithmiques

I.7.2 Méthodes d'optimisation heuristiques ou méta-heuristiques

Les connecteurs logiques (ET, OU, et OU exclusif) ;