Intégration de données contextuelles à un jumeau numérique permettant d'optimiser le positionnement de l'inventaire

Le coût élevé des opérations d’entreposage motive les entreprises manufacturières à accroître l’efficacité de leur processus. En fait, l’opération la plus dispendieuse est le ramassage des produits finis qui doivent être expédiés. Le positionnement de l’inventaire et l’ordonnancement du trajet sont quelques exemples de facteurs pouvant impacter le temps de ramassage des produits. Dans un contexte où ce processus n’est pas optimal, il est intéressant de créer un environnement qui permet de contrôler les facteurs pertinents à l’entreposage. Les technologies de l’Industrie 4.0 offrent plusieurs solutions pour y parvenir. La technologie du jumeau numérique (JN) permet notamment une représentation virtuelle en temps réel d’un système physique afin d’aider à optimiser ce système. La littérature présente des cas très spécifiques d’application du JN. En fait, chaque JN est unique et dépend de son contexte. Cela dit, les concepteurs, notamment ceux en PME, n’ont pas les outils nécessaires pour identifier correctement les données essentielles pour alimenter le JN, et ainsi obtenir un modèle valide. En plus, chaque donné intégrée à un JN nécessite un investissement monétaire et en ressources de la part des entreprises ce qui limite les PME dans la sélection des capteurs à installer pour espérer obtenir un JN valide. Ce mémoire s’intéresse donc aux opportunités d’intégrer des informations contextuelles (ICs) qui soient pertinentes à un JN d’entreposage. À notre connaissance, aucun modèle d’identification des ICs adapté à la complexité d’un JN n’est proposé dans la littérature. Ainsi, une méthodologie d’identification des ICs pertinentes à intégrer à un JN a été développée. Cette méthodologie utilise les connaissances métier pour identifier les facteurs pouvant impacter la problématique ciblée. Une expérimentation a été menée dans l’entrepôt d’une entreprise manufacturière du Québec. Deux résultats principaux ont été obtenus : une proposition de liste d’ICs à intégrer au JN en ordre de priorité en fonction du gain (%) et du coût d’implantation ($) (1-Vitesse de marche (gain : 23.0; coût : 2 818); 2-Taux d’occupation (gain : 17.3; coût : 1 050); 3-Indice de mixité (gain : 11.2; coût : 1 050)); une augmentation de la précision du modèle de 26.5% grâce à l’intégration des trois facteurs contextuels. Ces résultats justifient la pertinence d’utiliser la méthodologie proposée pour identifier les facteurs contextuels pertinents à intégrer au modèle. Certaines limites doivent être considérées. Notamment, la méthodologie a été testée uniquement sur un cas d’application où la précision du modèle de simulation initial est faible. Aussi, un biais dans les résultats peut provenir de la modélisation des ICs dans AnyLogic.

Abstract

The high cost of warehousing operations motivates manufacturing companies to increase the efficiency of their process. The most expensive operation is the pickup of finished goods for shipment. Inventory positioning and route scheduling are just a few of the factors that can impact product picking time. In a context where this process is not optimal, it is interesting to be able to create an environment that will control the factors relevant to warehousing. Industry 4.0 technologies offer several solutions to achieve this. Notably, digital twin (DT) technology allows a real-time virtual representation of a physical system to help optimize that system. The literature presents very specific cases of DT application. Each DT is unique and depends on its context. Designers, especially those in SME, do not have the necessary tools to correctly identify the essential data to feed the DT and thus obtain a valid model. Moreover, each data integrated in a DT requires a monetary and resource investment from the companies, which limits the SME in the selection of the sensors to be installed to hope to obtain a valid DT. This paper focuses on the opportunities to integrate contextual information relevant to a warehousing DT. To the best of our knowledge, no model for identifying contextual information (CIs) adapted to a DT's complexity is proposed in the literature. Thus, a methodology for identifying relevant CIs to be integrated into a DT has been developed. This methodology uses field knowledge to identify the factors impacting the targeted problem. An experiment was conducted in the warehouse of a manufacturing company based in Quebec. Two main results were obtained: a proposed list of CIs to be incorporated into the DT in order of priority based on gain (%) and implementation cost ($) (1-Walking speed (gain: 23.0; cost: 2818); 2-Occupancy rate (gain: 17.3; cost: 1050); 3-Mixing index (gain: 11.2; cost: 1050)); an increase in the accuracy of the model by 26.5% following the integration of the three contextual factors. These results justify the relevance of integrating CIs that are relevant to the DT to improve its accuracy. These results justify the relevance of using the proposed methodology to identify the relevant contextual factors to be included in the model. Some limitations must be considered. In particular, the methodology has been tested only on a case study where the accuracy of the initial simulation model is low. Also, a bias in the results may come from the modeling of the CIs in AnyLogic.