*École supérieure des sciences appliquées Tlemcen*
T.P de I.S.P n : 3
Noms et prénoms : BAHBAH Mohammed Ghouti ,
Benchortane Benaouda
Enseignants : Dr. Ouhoud Amina
Md. Fandi Wahib
Filière : Génie industrielle.
Sous-groupe : 1
2024/2025.
Partie1 :
Descriptions
Nous voulons simuler le système suivant, on a
quatre types de pièces dans ce système , avec les
pourcentage 25% pour chacun, arrivant chaque
30 secondes. Il y a quatre machines parallèles
dans ce système. La durée d'usinage est identique
pour toutes les machines, une loi Uniforme de
(100.120) s. Après l'usinage, les pièces passent par
un contrôle qui dure 10s. A la fin de ce control, les
pièces de bonne qualité ( 80% des pièces) quittent
le système, et celles présentant un défaut sont
stockées pour être revérifiées.
MODELISATION
Résultats :
1 - Le taux utilisation des cinq machines :(state
pie)
M1=74.40% M2=99.80% M3=96.52%
M4=75.98% M5=31.46%
2-3- le nombre de pièces de la bonne qualité qui
ont quitté le système :
sink1 : 701 ( bonne qualité)
sink2 : 179 (mauvaise qualité)
4-5-Les temps d’attente moyen dans chaque file
d’attente (stay time):
Q1=1165,16 Q2=1,81
L’Analyse des Résultats :
Les résultats fournis permettent d'évaluer
l'efficacité d'un système de production en termes
de travail en cours (WIP), de débit (throughput), et
de performance des ressources (processeurs,
queues, etc.).
1. Taux d'utilisation des cinq machines :
- **M1:** 74.40%
- **M2:** 99.80%
- **M3:** 96.52%
- **M4:** 75.98%
- **M5:** 31.46%
**Analyse :**
- **M2 et M3** montrent des taux d'utilisation
extrêmement élevés (proches de 100%), ce qui
peut indiquer qu'elles sont les plus sollicitées et
peut-être proches de leur capacité maximale. Cela
pourrait aussi indiquer un risque de surcharge ou
de besoin de maintenance plus fréquent.
- **M1 et M4** ont des taux d'utilisation élevés
(autour de 75%), ce qui suggère une bonne
utilisation mais avec une marge disponible pour
une charge de travail supplémentaire.
- **M5** a un taux d'utilisation beaucoup plus
faible (31.46%), indiquant qu'elle est sous-utilisée
par rapport aux autres machines. Cela pourrait
être une opportunité pour rééquilibrer la charge
de travail et optimiser l'efficacité globale du
système.
2. Nombre de pièces de bonne qualité qui ont
quitté le système :
- **Sink1:** 701 pièces de bonne qualité
- **Sink2:** 179 pièces de mauvaise qualité
**Analyse :**
- La majorité des pièces produites sont de bonne
qualité (701 par rapport à 179 de mauvaise
qualité). Cependant, le nombre de pièces de
mauvaise qualité (179) n'est pas négligeable. Cela
suggère qu'il pourrait y avoir des problèmes de
qualité ou des opportunités d'amélioration dans le
processus de production.
- Identifier les causes des défauts et mettre en
place des mesures correctives pourrait augmenter
le taux de pièces de bonne qualité.
3. Temps d'attente moyen :
- **Q1:** 1165,16 secondes
- **Q2:** 1,81 secondes
**Analyse :**
- **Q1** montre un temps d'attente moyen très
élevé (1165,16), ce qui pourrait indiquer des
goulets d'étranglement ou des inefficacités dans
une partie du processus. Cela mérite une analyse
plus approfondie pour identifier les causes de ces
longs temps d'attente.
- **Q2** a un temps d'attente moyen beaucoup
plus court (1,81), ce qui suggère un flux de travail
plus efficace dans cette section spécifique.
### Conclusion :
- **Optimisation des machines :** Rééquilibrer la
charge de travail pour utiliser plus efficacement
**M5** et éviter la surcharge de **M2 et M3**.
- **Qualité des produits :** Réduire le nombre de
pièces de mauvaise qualité en identifiant et
corrigeant les causes des défauts.
- **Temps d'attente :** Réduire les temps
d'attente élevés (**Q1**) en identifiant les
goulets d'étranglement et en optimisant le flux de
travail.
Partie2 :
Descriptions :
Dans cette partie on va faire la même simulation
que la partie précédente mais avec quelques
changements, On a toujours 4 machines
parallèles d'une durée d'usinage identique
suivent une loi Uniforme de (100,120)s ,une
machine test, pour contrôler les pièces d'un temps
opératoire de 10 s, des pièces de bonne qualité
que représente 80% de tous les pieces et d'autres
pièces de mauvaise qualité 20% qui vont être
retraitées.
Il va être un changement des quantités de pièces
par les pourcentages suivants :
20% des pièces de type 1, 30% des pièces de
type2, 40 % des pièces de type 3,10% des pièces
de type4.
Modélisation :
Resultats :
1 - Le taux utilisation des cinq machines :(state
pie) M1=61.11% M2=63.79%
M3=99.61% M4=80.85% M5=27.79%
2 – 3- le nombre de pièces du bonne qualité qui
ont quitté le système :
sink1 : 625 ( bonne qualité)
sink2 : 153 (mauvaise qualité)
4-5- temps d’attente moyen (stay time)
Q1=2130,61 Q2=1,01
Analyse des Résultats :
1. Taux d'utilisation des cinq machines :
M1 : 61.11%
M2 : 63.79%
M3 : 99.61%
M4 : 80.85%
M5 : 27.79%
Analyse :
M3 a un taux d'utilisation extrêmement élevé
(99.61%), ce qui peut indiquer qu'elle est
utilisée presque en continu et pourrait être
proche de sa capacité maximale. Cela pourrait
également suggérer un risque accru d'usure et
de nécessité de maintenance.
M4 a un taux d'utilisation élevé (80.85%), ce
qui montre une bonne utilisation avec encore
une certaine marge disponible.
M1 et M2 ont des taux d'utilisation modérés
(61.11% et 63.79%), ce qui suggère une
utilisation équilibrée mais avec une capacité
supplémentaire encore disponible pour
augmenter la charge de travail.
M5 a un taux d'utilisation relativement bas
(27.79%), indiquant qu'elle est sous-utilisée.
Cela présente une opportunité d'optimiser la
répartition de la charge de travail pour mieux
utiliser cette machine et alléger la charge des
autres machines plus sollicitées.
2. Nombre de pièces de bonne qualité qui ont
quitté le système :
Sink1 : 625 (bonne qualité)
Sink2 : 153 (mauvaise qualité)
Analyse :
La majorité des pièces produites sont de
bonne qualité (625 pièces), ce qui est un
indicateur positif de la qualité du processus de
production.
Cependant, le nombre de pièces de mauvaise
qualité (153 pièces) n'est pas négligeable et
suggère qu'il y a encore des améliorations à
faire en termes de contrôle de la qualité.
Réduire le nombre de défauts serait bénéfique
pour améliorer l'efficacité globale et la
satisfaction des clients.
3. Temps d'attente moyen :
Q1 : 2130,61 (probablement en secondes ou
minutes, à préciser)
Q2 : 1,01 (probablement en secondes ou
minutes, à préciser)
Analyse :
Q1 montre un temps d'attente moyen très
élevé (2130,61), ce qui pourrait indiquer des
goulets d'étranglement importants dans le
processus. Cela peut être dû à une
accumulation de tâches ou une inefficacité
dans une partie spécifique de la chaîne de
production. Une analyse plus approfondie est
nécessaire pour identifier les causes exactes
et apporter des améliorations.
Q2 montre un temps d'attente moyen très bas
(1,01), ce qui est un bon signe d'efficacité dans
cette section spécifique du processus.
Conclusion
Répartition de la charge de travail : Il est
essentiel de rééquilibrer la charge de travail
pour mieux utiliser M5 et éviter de surcharger
M3.
Amélioration de la qualité : Il serait bénéfique
de mettre en place des mesures correctives
pour réduire le nombre de pièces de mauvaise
qualité.
Réduction des temps d'attente : Identifier les
causes des longs temps d'attente dans Q1
pour améliorer l'efficacité globale du
processus.
Partie 3 :
Descriptions :
Dans notre système suivant, on a quatre types
de pièces dans Ce système avec des
pourcentages 25 % pour chaque type. Le
temps entre deux arrivées des pièces est de
30s,Il y a 4 machines parallèles dans ce
système et 4 stocks tampons pour chacune.
Les temps opératoires de ces machines
sont identiques et gérés par une loi uniforme
de paramètre (100 ,120 ) s, Apres usinage,
les pièces passent pour un contrôle d'une
durée de 10s.
Après ce contrôle on obtenaient des pièces de
bonne qualité qui représente un pourcentage
de 80 %, le reste des pièces représentent une
mauvaise qualité de 20 % qui vont être
retraitées.
Modélisation :
Résultats :
1 - Le taux utilisation des cinq machines (state
pie) :
M1=97.14% M2=95.45%
M3=90.54% M4=85.57% M5=33.50%
2 – 3- le nombre de pièces de la bonne qualité qui
ont quitté le système :
sink1 : 747.00 ( bonne qualité)
sink2 : 191.00 (mauvaise qualité)
4-5- temps d’attente moyen (stay time) :
Q1=705.78 Q2=1.26 Q3=495.97
Q4=272.32 Q5=212.35
Analyse des Résultats :
1. Taux d'utilisation des cinq machines :
M1 : 97.14%
M2 : 95.45%
M3 : 90.54%
M4 : 85.57%
M5 : 33.50%
Analyse :
M1, M2, et M3 montrent des taux d'utilisation
très élevés (entre 90% et presque 100%), ce
qui suggère qu'elles fonctionnent presque à
pleine capacité. Cela peut indiquer une
excellente utilisation des ressources, mais
aussi un potentiel risque de surchauffe ou
d'usure nécessitant une maintenance
régulière.
M4 a un taux d'utilisation légèrement
inférieur (85.57%), ce qui est encore élevé,
mais laisse un peu plus de marge.
M5 est sous-utilisée avec un taux de
seulement 33.50%, indiquant une opportunité
d'optimiser la répartition de la charge de
travail pour utiliser cette machine plus
efficacement et réduire la pression sur les
autres machines.
2. Nombre de pièces de bonne qualité qui ont
quitté le système :
Sink1 : 747 (bonne qualité)
Sink2 : 191 (mauvaise qualité)
Analyse :
La majorité des pièces produites sont de
bonne qualité (747 pièces), ce qui est positif.
Cependant, le nombre de pièces de mauvaise
qualité (191 pièces) est encore significatif.
Cela indique des problèmes potentiels de
contrôle de la qualité qui nécessitent des
investigations et des améliorations pour
réduire les défauts de production.
3. Temps d'attente moyen :
Q1 : 705.78 (secondes)
Q2 : 1.26 (secondes)
Q3 : 495.97 (secondes)
Q4 : 272.32 (secondes)
Q5 : 212.35 (secondes)
Analyse :
Q1 montre un temps d'attente moyen élevé
(705.78), ce qui pourrait indiquer un goulot
d'étranglement important dans cette section
du processus. Cela mérite une analyse plus
approfondie pour identifier les causes exactes
et trouver des solutions pour réduire ces
temps d'attente.
Q3 présente également un temps d'attente
moyen relativement élevé (495.97), indiquant
une autre zone potentielle de congestion.
Q4 et Q5 ont des temps d'attente modérés
(272.32 et 212.35 respectivement), ce qui
peut suggérer des inefficacités mais à un
degré moindre comparé à Q1 et Q3.
Q2 montre un temps d'attente très bas (1.26),
ce qui est un signe positif d'efficacité dans
cette section spécifique.
Conclusion
Optimisation de la charge de travail : Il serait
bénéfique de mieux utiliser M5 pour soulager
les machines M1, M2, et M3 très sollicitées.
Amélioration de la qualité : Réduire le nombre
de pièces défectueuses en identifiant et en
corrigeant les problèmes de qualité.
Réduction des temps d'attente : Identifier et
résoudre les causes des longs temps d'attente
dans Q1 et Q3 pour améliorer l'efficacité
globale du processus.
Synthèse :
1. Taux d'utilisation des machines :
Les taux d'utilisation des machines ont montré
une variabilité significative. Certaines
machines, comme M3, M1 et M2, ont souvent
des taux d'utilisation très élevés, proches de
leur capacité maximale, ce qui peut indiquer
des risques de surcharge et de besoins de
maintenance fréquente. Par contre, M5 a
constamment un taux d'utilisation faible,
suggérant une sous-utilisation et une
opportunité d'optimisation de la charge de
travail.
2. Qualité des pièces produites :
La majorité des pièces produites sont de
bonne qualité, ce qui est un indicateur positif
globalement. Cependant, le nombre de pièces
de mauvaise qualité n'est pas négligeable et
indique des opportunités d'amélioration dans
le contrôle de la qualité. Cela nécessite une
analyse des causes des défauts pour mettre en
place des mesures correctives et améliorer la
qualité de production.
3. Temps d'attente moyen :
Les temps d'attente moyens ont montré des
variations significatives. Certaines sections
(comme Q1 dans la première et dernière série
de données) présentent des temps d'attente
très élevés, suggérant des goulets
d'étranglement importants et des inefficacités
dans le processus. D'autres sections, comme
Q2, montrent des temps d'attente très bas,
indiquant une efficacité élevée. Ces variations
nécessitent une analyse approfondie pour
identifier les causes des longues attentes et
optimiser le flux de production.
Conclusion Générale :
Parmi les trois modélisations réalisées dans ce TP,
Celle de la troisième partie est la meilleur, car elle
nous assure un bon taux d’utilisation des
machines avec un faible temps d’attentes dans les
stocks tampons, et enfin une bonne quantité de
pièces de bonne qualité .
Rééquilibrage de la charge de travail: Il est
essentiel de mieux utiliser les machines sous-
utilisées (comme M5) et de réduire la
surcharge sur les machines très sollicitées
(comme M1, M2, et M3) pour améliorer
l'efficacité globale.
Amélioration de la qualité: Réduire le nombre
de pièces de mauvaise qualité en identifiant et
en corrigeant les sources de défauts.
Optimisation des temps d'attente: Analyser et
réduire les goulets d'étranglement pour
diminuer les temps d'attente élevés dans
certaines sections du processus de
production, ce qui améliorerait l'efficacité
globale et la productivité.
Ces analyses et conclusions fournissent une vue
d'ensemble des performances actuelles et des
domaines clés nécessitant des améliorations pour
optimiser le système de production.