Paramétrisation du DDMRP avec l’apprentissage par renforcement

Duhem, L., Benali, M. et Martin, G. (2023) Paramétrisation du DDMRP avec l’apprentissage par renforcement. Dans CIGI Qualita MOSIM 2023, Trois-Rivières, Québec, Canada DOI 10.60662/7vw7-0t51.

Prévisualisation

Texte CIGI_QUALITA_MOSIM_2023_paper_2779.pdf Télécharger (619kB) | Prévisualisation

Résumé

Avec l’augmentation des exigences clients et de la diversité des produits conventionnels, les industriels font face à de nouveaux enjeux de production et de délais. Néanmoins, les méthodes de production ne peuvent plus répondre à ces nouveaux enjeux. Le Demand Driven Material Requirements Planning (ou DDMRP) est une méthode de production pilotée par la demande qui s’inscrit dans une nouvelle aire d’innovation industrielle. Cependant, peu d’attention a été accordée à la paramétrisation du DDMRP. Cette étude vise à apporter des ajustements dynamiques à des seuils et horizons de détection de pics afin d’améliorer la paramétrisation de la méthode. La méthodologie proposée est d’intégrer un algorithme d’apprentissage par renforcement au modèle de simulation d’un atelier hybride piloté en DDMRP soumis à des pics de demande. Nous étudions la performance de l’apprentissage, ainsi que l’évolution des indicateurs industriels de l’atelier. Nous parvenons à montrer qu’il est possible de piloter les paramètres de l’atelier tout en améliorant ses performances en termes de satisfaction client et de niveaux d’inventaire. Les résultats de l’étude démontrent la possibilité de piloter les paramètres d’un DDMRP avec une méthode automatique d'apprentissage par renforcement.

Considering more demanding customers and the diversity of the conventional products, the industrials face new stakes of production and lead times. Nevertheless, the production methods cannot reach those new goals anymore. The Demand Driven Material Requirements Planning (or DDMRP) is a demand-driven production method, which is included in a new era of industrial innovation. However, little attention has been given to the parametrization of DDMRP. This study aims to dynamically adjust order spike thresholds and horizons to improve the parametrization of the method. The proposed methodology is to integrate a reinforcement learning method to the simulation model of an hybrid DDMRP-run flowshop, subject to a peak demand distribution. We study the performance of the learning process and the industrial indicators of the flowshop. We manage to show that it is possible to adjust the parameters of the flowshop while improving its performance regarding customer satisfaction and inventory levels. The results of the study point out the possibility to drive DDMRP parameters with an automatic method using reinforcement learning.

Type de document:	Document issu d'une conférence ou d'un atelier (NON SPÉCIFIÉ)
Mots-clés libres:	Gestion de production Paramétrisation DDMRP Apprentissage par renforcement Production Management Parametrization Reinforcement learning
Date de dépôt:	16 août 2023 17:40
Dernière modification:	11 sept. 2023 17:29
URI:	https://collection-numerique.uqtr.ca/id/eprint/2020

Actions (administrateurs uniquement)

Éditer la notice