Development and implementation of a framework for Model Predictive Control of discrete-event manufacturing systems

Dans le monde vaste et bourdonnant de la fabrication moderne, les usines ne sont plus de simples lignes de machines déplaçant des pièces d'une station à une autre. Ce sont des réseaux complexes et vivants où des décisions doivent être prises en une fraction de seconde pour maintenir le flux de production. Imaginez un atelier où un bras robotisé doit décider s'il doit ramasser une pièce maintenant ou attendre, ou un convoyeur qui doit dérouter un colis parce qu'une machine en amont est tombée en panne. Pendant des décennies, les ingénieurs se sont appuyés sur une méthode puissante appelée Commande Prédictive de Modèle pour gérer ces décisions. Cette approche fonctionne comme un joueur d'échecs qui prévoit plusieurs coups à l'avance : elle utilise un modèle mathématique de l'usine pour prédire ce qui se passera dans le futur, calcule la meilleure séquence d'actions pour atteindre un objectif, puis exécute la toute première étape avant de recommencer tout le processus. Bien que cette méthode ait révolutionné des industries comme le traitement chimique, où les réactions suivent des lois lisses et continues, elle a eu du mal à s'imposer dans la fabrication discrète. Ici, les « coups » sont des événements distincts — l'arrivée d'une pièce, la fin d'un cycle par une machine, un robot saisissant un objet — plutôt que des flux fluides. Le nombre considérable de combinaisons possibles et de règles logiques dans ces systèmes rend la construction des modèles mathématiques nécessaires incroyablement difficile, nécessitant souvent des équipes d'experts pour écrire des équations personnalisées pour chaque machine et chaque robot.

Une équipe de chercheurs italiens a développé une nouvelle façon de résoudre ce problème, créant un cadre flexible et open-source qui permet aux usines d'utiliser cette méthode de contrôle avancée sans le lourd fardeau de la modélisation manuelle. Au lieu de demander aux ingénieurs d'écrire des équations complexes pour chaque équipement, leur système examine la disposition physique de l'usine — la « topologie » — et construit automatiquement la logique de commande basée sur la façon dont les machines et les robots sont connectés. Les chercheurs, travaillant avec le Conseil National de la Recherche et l'Université Polytechnique de Milan, ont conçu un outil logiciel qui traite l'usine comme une carte de blocs interconnectés. Ces blocs représentent tout, des machines elles-mêmes aux zones tampons où les pièces attendent, en passant par les robots qui les déplacent. En définissant simplement comment ces blocs sont liés entre eux, le logiciel génère automatiquement les règles nécessaires pour contrôler le flux de production. Il utilise ensuite un solveur puissant pour calculer la meilleure séquence de mouvements afin de maintenir l'usine en fonctionnement efficace, en minimisant les retards et la consommation d'énergie.

Le cœur de cette innovation est un langage que l'équipe a créé pour décrire la structure de l'usine, qu'ils appellent le Plant Topology Modeling Language (Langage de Modélisation de la Topologie de l'Usine). Dans ce système, une usine n'est pas une liste de chiffres, mais un graphe de relations. Il y a des articles, qui sont les objets physiques en cours de fabrication, et des conteneurs, qui sont les endroits où ces articles se trouvent, comme une zone tampon ou le port de chargement d'une machine. Il y a aussi des ressources, comme des bras robotisés, qui déplacent les articles d'un conteneur à un autre. Le logiciel comprend qu'un robot ne peut pas ramasser une pièce dans un conteneur vide, ou qu'une machine ne peut pas commencer un nouveau cycle tant qu'elle n'a pas terminé le précédent. Ce ne sont pas des règles codées en dur pour une usine spécifique ; ce sont des principes généraux que le logiciel applique automatiquement une fois qu'il voit les connexions entre les blocs. Lorsque le système est en fonctionnement, il vérifie constamment l'état actuel de l'usine — où se trouve chaque pièce, quelles machines sont occupées et lesquelles sont libres. Il regarde ensuite vers l'avenir sur une période spécifique, appelée horizon de prédiction, pour voir ce qui se passera si différentes actions sont entreprises. Il calcule le meilleur chemin à suivre, envoie la première commande aux machines, puis recommence immédiatement le calcul avec les nouvelles informations, s'adaptant instantanément aux changements comme la panne d'une machine ou l'arrivée d'une nouvelle commande.

Pour faire fonctionner cela dans un environnement réel, les chercheurs ont intégré leur logiciel dans un système d'automatation à couches qui reflète l'organisation réelle des usines modernes. Au sommet se trouve une couche de planification qui décide de ce qui doit être fabriqué et dans quel ordre. Au milieu, une couche de supervision agit comme un pont, traduisant ces plans de haut niveau en instructions spécifiques pour les machines. En bas, les machines et les robots exécutent les commandes. La beauté de ce cadre réside dans le fait que la couche intermédiaire peut communiquer avec les machines, qu'il s'agisse de matériel réel ou de versions simulées sur un ordinateur. Cela permet aux ingénieurs de tester rigoureusement le système de contrôle dans un environnement virtuel avant même de toucher le sol d'une usine physique. Si une machine tombe en panne ou qu'un robot échoue, le système détecte le changement, met à jour sa carte interne de l'usine et recalcule la meilleure course à suivre sans qu'un humain ait besoin de reprogrammer quoi que ce soit. Cette adaptabilité est cruciale car les environnements de fabrication sont rarement statiques ; ils changent constamment, et un système de contrôle incapable de s'ajuster à ces changements n'est d'aucune utilité.

Les chercheurs ont testé leur cadre sur une usine simulée contenant vingt-sept unités de contrôle différentes, quarante-quatre conteneurs pour les pièces et quatre-vingt-seize actions possibles que le système pourrait entreprendre. Les résultats ont montré que le système pouvait naviguer avec succès dans le réseau complexe de décisions requis pour maintenir l'usine en fonctionnement. Cependant, les tests ont également révélé une limite fondamentale : à mesure que le nombre de pièces dans l'usine augmente, ou que le temps pendant lequel le système regarde dans le futur s'allonge, le temps nécessaire pour calculer la meilleure solution croît très rapidement. C'est un défi connu dans les problèmes d'optimisation complexes, où le nombre de scénarios possibles explose de manière exponentielle. Les chercheurs ont constaté que pour que le système reste assez rapide pour une utilisation en temps réel, il est nécessaire de limiter le nombre de pièces que le système tente d'optimiser à un moment donné. Ils ont démontré qu'en masquant les pièces qui ne sont pas immédiatement nécessaires de la boucle de contrôle principale, le système pouvait rester efficace sans perdre de vue les objectifs globaux de production. Cette approche permet à l'usine de gérer un grand nombre d'articles en se concentrant uniquement sur ceux qui nécessitent une attention immédiate, gérant ainsi efficacement la complexité.

L'une des découvertes les plus significatives concerne la gestion des blocages potentiels. Dans une usine, un blocage (deadlock) se produit lorsque deux machines ou plus attendent que l'autre libère une pièce, créant un embouteillage qui arrête totalement la production. Les chercheurs ont noté que, bien que leur système ne puisse garantir qu'un blocage n'arrivera jamais dans tous les scénarios possibles, il peut être réglé pour les éviter. En ajustant les priorités dans la fonction de coût — la mesure mathématique de ce que le système cherche à atteindre — les ingénieurs peuvent pénaliser les chemins susceptibles de mener à un embouteillage. Par exemple, on peut donner l'instruction au système d'éviter de déplacer une pièce dans un tampon qui est déjà plein, ou de donner la priorité aux machines qui sont moins susceptibles de se retrouver bloquées. Les simulations ont montré qu'avec un réglage minutieux, le système pouvait contourner ces goulets d'étranglement potentiels, maintenant la fluidité de la production. Le cadre comprend également des protections au niveau des machines ; si une commande est envoyée qu'une machine sait qu'elle ne peut pas exécuter, par exemple parce qu'un capteur est défaillant ou qu'une pièce est manquante, la machine peut rejeter la commande et demander un nouveau plan, empêchant ainsi le système de planter.

Ce travail représente une étape importante pour rendre les systèmes de contrôle avancés accessibles à un plus large éventail de fabricants. En éliminant la nécessité d'une modélisation mathématique personnalisée, ce cadre abaisse la barrière à l'entrée pour les usines qui souhaitent optimiser leurs opérations mais ne disposent pas des ressources pour embaucher des équipes spécialisées de mathématiciens. Le logiciel est open-source, ce qui signifie qu'il est librement disponible pour que quiconque puisse l'utiliser, l'étudier ou l'améliorer. Les chercheurs ont déjà commencé à tester le cadre dans un cadre réel, dans une usine de fabrication de lentilles de contact, dépassant la sécurité des simulations informatiques pour voir comment il se comporte avec du matériel réel. Bien que le système ne soit pas une solution miracle qui résout tous les problèmes instantanément, il offre un moyen évolutif et rentable d'apporter un contrôle intelligent et adaptatif au monde chaotique et dynamique de la fabrication discrète. L'avenir de cette technologie réside dans le perfectionnement de la formulation des problèmes d'optimisation pour les rendre encore plus rapides et plus performants, garantissant qu'à mesure que les usines deviennent plus complexes, leurs systèmes de contrôle puissent évoluer de concert avec elles.