Status-Centered Versus Self-Centered Demand Driven Execution System

La Planification des Besoins en Matériaux Pilotée par la Demande (DDMRP) a émergé comme une méthodologie permettant aux organisations de faire face à l'environnement de volatilité, incertitude, complexité et ambiguïté (VUCA) de la fabrication contemporaine. En découplant l'offre de la variabilité de la demande grâce au positionnement stratégique des buffers, le DDMRP atténue l'effet coup de fouet via une visibilité et une réactivité accrue. Cependant, alors que la phase de planification du DDMRP est dynamiquement réactive aux signaux du marché, la phase d'exécution reste régie par des heuristiques autocentrées qui ne parviennent pas à prendre en compte la réalité stochastique de l'atelier. Cette thèse identifie une dichotomie structurelle critique : le moteur de la Planification Pilotée par la Demande (DDP) fonctionne comme une boucle de contrôle fermée, réactive aux signaux du marché, tandis que le moteur standard de l’Exécution Pilotée par la Demande (DDE) fonctionne comme un système en boucle ouverte, aveugle aux contraintes de capacité et aux perturbations de flux. L'objectif principal de cette thèse est d’améliorer la robustesse et la performance opérationnelle des flowshops gérés par le DDMRP en faisant passer la phase d’exécution d’heuristiques autocentrées à un système d’exécution dynamique centré sur l’état du système. Ancrée sur la décomposition fonctionnelle des Systèmes de Pilotage de la Production, cette thèse atteint cet objectif à travers trois contributions distinctes, utilisant la Simulation à Événements Discrets (DES) pour reproduire la nature stochastique de l'environnement de production comme banc d'essai pour toutes les contributions. Premièrement, concernant le séquencement, la recherche propose un mécanisme d’affectation dynamique qui priorise les ordres en fonction de la disponibilité réelle des produits plutôt que des priorités de planification statiques. Deuxièmement, concernant le lancement des ordres, l'étude utilise les commandes urgentes comme indicateur d'hétérogénéité pour tester un mécanisme de lancement, retenant les ordres de réapprovisionnement standard lorsqu'une demande prioritaire est présente afin de protéger la robustesse de l'atelier. Troisièmement, concernant la génération et le lancement des ordres, la thèse couple le DDMRP avec l’apprentissage automatique pour proposer un processus intelligent de génération et de lancement des ordres de fabrication. Ce mécanisme utilise le temps d'écoulement prédictif afin de synchroniser le réapprovisionnement avec les conditions de l'atelier en temps réel. Les résultats démontrent que les priorités statiques de planification ne parviennent pas à refléter l'urgence des ordres de fabrication en temps réel. Par conséquent, il est démontré que l’affectation dynamique surpasse le séquencement DDMRP standard pour prévenir les ruptures de stock au niveau local. De plus, le mécanisme de filtrage à l'étape du lancement des ordres prouve que capter l'hétérogénéité lors du lancement est essentiel pour maintenir la stabilité du flux. Enfin, l'intégration de l’apprentissage automatique permet une transition d'une génération et d'un lancement d'ordres de fabrication basé sur un facteur unique (soit le niveau de stock) vers une approche à deux facteurs (soit le niveau de stock et l’état du système), offrant une performance supérieure par rapport au DDMRP traditionnel. Collectivement, ces contributions définissent un nouveau paradigme d'exécution pour le DDMRP. Les résultats confirment que fermer la boucle de rétroaction au niveau de l'exécution, en remplaçant les heuristiques autocentrées par des mécanismes de contrôle dynamiques basés sur l'état du système, améliore significativement la robustesse du système, réduisant les ruptures de stock et améliorant les taux de service dans des environnements à forte variabilité.