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.