Target Allocation under Uncertainty during the Vehicle Development Process

L'industrie automobile est l'une des plus concurrentielles où les besoins des consommateurs et la technologie sont en changement perpétuel. Pour être compétitif dans ce marché, les constructeurs automobiles ont adopté une stratégie orientée clients où ils enquêtent en permanence sur les besoins des consommateurs pour déceler le plus tôt possible les performances désirées des futurs véhicules, concevoir et commercialiser des voitures innovatrices qui permettent de combler les attentes des consommateurs. Le développement d'un nouveau véhicule suppose la traduction des performances utopiques, qui peuvent être définies par le département de marketing, dans des cibles pour les caractéristiques ingénieurs de ses composantes. Cette approche nécessite lors de la conception du véhicule de prendre des décisions critiques qui peuvent influencer considérablement la compétitivité et la profitabilité de la compagnie. Pendant les premières étapes du processus de développement des véhicules (PDV), les ingénieurs manquent souvent d'informations précises et complètes qui peuvent leurs permettre de prédire les possibilités de rencontrer les performances utopiques du véhicule en question, et ce, à cause de plusieurs facteurs (technologiques, régulation et règlementation, ressources, etc.). Pour cette raison, l'identification, la quantification et la gestion des incertitudes inhérentes aux différentes phases du PDV sont devenues un problème majeur dont dépend l'efficacité du PDV. La présente étude propose une méthodologie pour l'allocation des cibles et pour la prise de décision sous incertitudes durant le processus de développement des véhicules. La méthode commence par la décomposition du nouveau véhicule en une structure hiérarchique à multiniveaux. Cette structure représente l'élément de base pour la définition du modèle de véhicule à multi-niveaux (MVM). Nous avons considéré qu'une ou plusieurs caractéristiques ainsi que leurs cibles peuvent être associées à chaque composante du MVM, et ce, en concordance avec les performances utopiques du véhicule. Les opinions des experts sont exprimées avec des incertitudes inhérentes à la faisabilité de chaque cible. Les opinions des experts sont données sous forme de distributions de probabilité ou d'ensembles d'intervalles associés à des crédibilités subjectives pour les valeurs possibles des caractéristiques. Ces opinions sont ensuite agrégées et propagées depuis les feuilles vers le sommet du modèle. La théorie des Évidences a été utilisée pour exprimer les incertitudes sous forme de deux mesures: la crédibilité et la plausibilité.

Abstract

Under the increasing pressure of the evolving customers' expectations, the speed and competitiveness of the competitors, automakers have become customer-oriented. They continuously survey the customers' needs in order to early identify the desired or utopian vehicle performances and strive to fulfill these expectations by designing and marketing quickly new innovative products. The development of a new vehicle supposes the translation of the vehicle performances into its components' characteristics. Such approach requires making critical design decisions that can impact noticeably the competitiveness and profitability of the company. In the early stages of the vehicle development process, the engineers lack precise and complete information about the possibility to meet the initial utopian vehicle performances due to many factors (technological, regulation, resources, etc.). For that reason, identifying, quantifying and handling the inherent uncertainty throughout the vehicle development process (VDP) became a serious issue, which affects the effectiveness of the design process. This study proposes a methodology for target allocation and decision-making under uncertainty during the VDP. The method starts by the decomposition of the vehicle in hierarchical multilevel structure, which represents the basic framework required for the definition of the vehicle multilevel model (VMM). We have considered that each component in the VMM may have several characteristics, and that a target is defined for every component and characteristic in accordance with the utopian vehicle performances. Experts' opinions are expressed with uncertainty regarding the feasibility of achieving each target. Experts' opinions are given in the form of probability distributions or intervals associated with their subjective beliefs for the possible values of the characteristics and then are aggregated and propagated from the leaf nodes of the multilevel model up to the vehicle level. Evidence theory has been used to express uncertainty in the form of belief and plausibility measures. Using this information, two measures regarding the desirability and the achievability of the characteristics are defined. An approach for targets allocation under uncertainty based on the maximization of achievability and desirability measures of the characteristics is proposed and discussed. A methodology to handle large-scale problem based on the merging of intervals by the control of the information granularity without affecting the precision of the belief and plausibility measures is presented.