A Shop Floor Production Scheduling Case based on RFID-supported Smart Factory

Au cœur de l'agitation d'une usine moderne, le rythme de la production est souvent dicté par la main invisible d'un calendrier. Ce calendrier est un plan qui décide quelle machine travaille sur quelle pièce et quand, dans le but de terminer les produits aussi rapidement et aussi peu cher que possible. Pendant des décennies, ces plans se sont appuyés sur un ensemble d'hypothèses : que chaque tâche suit un chemin strict et immuable à travers l'usine, et que le temps nécessaire pour accomplir une tâche est un nombre fixe connu à l'avance. Cependant, la vie réelle est rarement aussi ordonnée. Les machines tombent en panne, les ouvriers prennent des pauses, et la vitesse de production fluctue selon l'heure de la journée ou le jour de la semaine. Lorsqu'un calendrier ignore ces fluctuations, il crée des goulots d'étranglement, du temps perdu et des livraisons retardées. Le défi pour les ingénieurs est de créer un système capable de voir ces changements au moment où ils se produisent et d'ajuster le plan instantanément, transformant un plan rigide en une stratégie flexible et vivante.

Pour résoudre ce problème, une équipe de chercheurs de l'Université de Hong Kong s'est tournée vers une usine réelle à Huaiji, en Chine, où une entreprise fabriquant des soupapes de moteur de voiture avait déjà installé un réseau de balises de reconnaissance par radiofréquence, ou RFID. Ces petites puces électroniques, attachées aux pièces circulant sur la ligne d'assemblage, agissent comme des passeports numériques, enregistrant automatiquement chaque étape parcourue par un produit, qui l'a manipulé et exactement quand il a terminé une tâche. En collectant plus de 413 000 enregistrements de cette activité, les chercheurs ont obtenu une vue rare et haute définition du fonctionnement réel de l'usine, plutôt que de la manière dont elle était théoriquement censée fonctionner. Ils ont utilisé ce flux massif de données pour découvrir deux vérités critiques que les méthodes de planification traditionnelles ignorent. Premièrement, ils ont découvert que l'ordre dans lequel les travailleurs effectuent certaines étapes n'est pas fixe. Pour une soupape de moteur spécifique, l'équipe a constaté que les ouvriers inversaient souvent la séquence des opérations, comme le fraisage et le perçage, sans affecter la qualité finale. Deuxièmement, ils ont réalisé que le temps nécessaire pour accomplir une tâche n'est pas un nombre unique, mais une variable qui change en fonction de facteurs tels que l'heure de la journée, le fait que ce soit un week-end ou la machine spécifique utilisée.

Armés de ces connaissances, les chercheurs ont construit un nouveau type de système de planification qui ne repose pas sur des règles statiques, mais apprend plutôt des données. Ils ont injecté les modèles qu'ils ont découverts — les séquences flexibles et les vitesses variables — dans un programme informatique basé sur l'apprentissage par renforcement profond. Il s'agit d'un type d'intelligence artificielle qui apprend par essais et erreurs, tout comme un joueur maîtrisant un jeu vidéo complexe. Dans ce cas, le « jeu » est le plancher de l'usine. L'agent d'IA a été placé dans une simulation virtuelle de l'usine de Huaiji, où il recevait l'état en temps réel des machines et des tâches. Il lui était permis de prendre des décisions, comme attribuer une tâche spécifique à une machine spécifique ou attendre une meilleure opportunité. Chaque fois qu'il faisait un choix, il recevait un retour basé sur la mesure dans laquelle ce choix aidait à terminer toutes les tâches dans le laps de temps total le plus court. À travers des milliers d'essais simulés, le système a appris une stratégie sophistiquée pour naviguer dans le chaos de la véritable usine, adaptant ses décisions aux conditions changeantes qu'il observait.

Les résultats de cette approche ont été testés par rapport aux méthodes actuellement utilisées dans l'industrie, y compris des règles simples comme le « premier entré, premier sorti », où les tâches sont traitées dans l'ordre de leur arrivée, et des algorithmes informatiques plus avancés. Dans les simulations, le nouveau système, guidé par les données RFID et le modèle d'apprentissage, a systématiquement surpassé les autres. Il a réussi à terminer un lot de vingt tâches en 476 minutes, battant la deuxième meilleure méthode, qui en a pris 485. Bien que la différence puisse sembler minime, dans le monde à haut volume de la fabrication, économiser même quelques minutes par lot se traduit par des gains significatifs en matière d'efficacité et d'économies de coûts. L'étude a démontré qu'en laissant le système de planification voir la réalité concrète et désordonnée du plancher de l'usine grâce aux données, plutôt qu'en s'appuyant sur des hypothèses idéalisées, il est possible de créer un plan de production à la fois plus intelligent et plus rapide. Ce travail suggère que l'avenir de la fabrication intelligente ne réside pas seulement dans l'automatisation des machines, mais dans l'automatisation du processus de prise de décision lui-même, permettant aux usines de suivre le flux naturel des hauts et des bas de la production plutôt que de lutter contre lui.