Go to contentGo to menuGo to searchGo to the news list

Laboratoire Angevin de Recherche en Ingénierie des Systèmes


Main navigation

    Search

    Breadcrumb

    GE Medical Systems

    GE Medical Systems

    • Share this page on social networks
    • E-mail this page

      Envoyer par mail


      Séparés par des virgules
    • Print this page

    Thèse CIFRE GE Medical Systems et Armines/IMT Atlantique

    Modélisation et optimisation des coûts d'une chaîne logistique des pièces réparables par exploitation de données de fiabilité.
    Doctorant : M. Hassan EL GARRAB
    Directeur de thèse : Bruno CASTANIER
    Encadrement Armines/IMT Atlantique : David LEMOINE
    Encadrement industriel : Adnane LAZRAK (GE Medical Systems).

    Début de thèse : janvier 2017
    Équipe : Sûreté de Fonctionnement et aide à la Décision
    Contacts :bruno.castanier@univ-angers.fr

     

    Contexte

    GEHC (GE Healthcare) est la branche médicale du conglomérat General Electric, un des leaders mondiaux dans les ventes et services des systèmes médicaux notamment ceux d’imagerie médicale (Scanners, IRM, Mammographie….). Compte tenu de la criticité de ses produits (appareils médicaux) et de la spécificité technologique de ses composants, GEHC propose un service de maintenance pour ses clients. L’objectif principal de ce service est alors d’assurer la fiabilité de ses produits (réduire les taux d’occurrence des pannes), de réduire leurs temps d’indisponibilité tout en veillant à réduire l’ensemble des coûts associés à ses interventions. Au vu de la criticité et du coût de ses produits ainsi que la dispersion géographique de ses clients, GEHC se doit de bien maîtriser l’ensemble des processus de maintenance et de chaine logistique des pièces de rechange.

    Les pièces de rechange utilisées lors d’une intervention du service de maintenance ou suite à une demande de remplacement faite directement par le client, peuvent être de deux types consommables ou réparables, qui suivent deux modèles de chaîne logistique significativement différents :

    Les pièces consommables ne sont pas récupérables suite à leurs pannes, elles ne peuvent plus être utilisées par d’autres systèmes. Ainsi, dans ce cas le modèle de chaîne logistique se base principalement sur des politiques d’approvisionnement et de distributions en nouvelles pièces. Dans ce cadre, des travaux de recherche ont été réalisés en thèse CIFRE (en collaboration entre GEHC et l’école des Mines de Nantes), ces travaux ont proposé principalement des améliorations des processus de prévision et de gestion de stocks en pièces consommables [Lazrak, 2015].

    Les pièces réparables sont récupérables suite à  leurs pannes, elles peuvent par la suite être réparées dans des centres de réparation internes permettant d’éviter d’acheter de nouvelles pièces. Ainsi la gestion de ce type de pièces doit non seulement prendre en compte les aspects de coûts et de productivité des lignes de réparation, mais doit aussi suivre un modèle de chaîne logistique qui permet de synchroniser entre les flux en pièces nouvelles et les flux en pièces réparées afin d’approvisionner le stock ou de répondre directement à la demande du client [Lazrak et al., 2014].

     

    Problématique industrielle et objectifs généraux de la thèse

    La problématique de cette thèse concerne ce deuxième modèle de chaîne logistique de pièces réparables et principalement l’optimisation des coûts et l’amélioration des performances des centres de réparation de cette chaîne logistique. En effet, ces centres doivent répondre à des demandes aléatoires de réparation ce qui rend l’estimation de leurs coûts et le dimensionnement de leurs stocks extrêmement délicats. Cette absence de visibilité empêche ces centres de proposer en amont au client un contrat de maintenance pour sa base installée, ils se limitent par conséquent à un modèle réactif aux sollicitations client augmentant d’avantage la difficulté d’aligner la capacité de réparation et les niveaux des stocks avec  les besoins des clients.

    Ainsi, le premier objectif est de proposer une démarche générale qui permet de mieux caractériser le flux de ces demandes de réparation en fonction de l’évolution de la connaissance à la fois sur le produit que l’on peut associer à sa maturité en phase d’exploitation et à la connaissance des environnements de fonctionnement de ces pièces de rechange propres aux produits dans lesquels ces pièces peuvent être utilisées et les conditions d’exploitation propres à chaque client. Pour ce faire, nous chercherons à appuyer la construction de cette méthodologie sur des approches de type fiabilité des systèmes en différentiant les nouvelles pièces pour lesquelles seules les études prévisionnelles de fiabilité réalisées en phase de conception sont disponibles, des pièces pour lesquelles des données d’exploitation (fréquence et type de défaillance, conditions d’utilisation, …) sont disponibles dans les bases de données du service après-vente de GEHC. L’un des challenges à ce niveau sera de modéliser les effets de l’évolution de la maturité des systèmes et de la connaissance associée tout au long du cycle d’exploitation des systèmes sur les modèles de fiabilité et l’estimation des effets en termes de respect des contrats de maintenance. Des approches bayésiennes [Aronis et al., 2004] ou basées sur de l’apprentissage de type réseau de neurones [Karunanithi et al., 1992] ou réseau bayésien [Gruber et Ben-Gal, 2012] pourront être envisagées à ce niveau. Par ailleurs, l’un des attendus de cette phase chez l’industriel est clairement l’initiation d’une démarche de retour d’expérience sur la fiabilité des pièces sur l’ensemble de leur cycle de vie (de la conception à la mise au rebut), [Zwingelstein, 1996], [Blanchard et al., 1995].

    Un deuxième objectif sera de construire un modèle de coût global des opérations de réparation, en s’appuyant d’une part sur les demandes estimées précédemment et d’autre part sur les données logistiques de GE et les informations sur les bases installées client. Pour toute nouvelle donnée, le modèle devra estimer quelle est la part qui relève du générique versus du spécifique. Il devra également être capable de prendre en compte l’évolution du système dans son cycle de vie opérationnelle et commerciale. Une des particularités sera de prendre en compte les aspects liés à la maintenance en redéfinissant ce cycle de vie en fonction du niveau de retour d’expérience [Aronis et al., 2004]. Cela permettra, in fine, de proposer au travers d’un outil d’aide à la décision, des contrats de maintenance adaptés aux demandes des clients et des politiques de réparations idoines associés à ces contrats, pour chaque centre de réparation [Tempelmeier, 2006] [Jin et Liao, 2009].

    Finalement, en s’appuyant sur les résultats précédents, une optimisation logistique sera menée afin de dimensionner les stocks des centres de réparation pour assurer la continuité du service client conformément aux contrats de maintenance, et d’optimiser les flux inter-centre pour minimiser les couts d’immobilisation des pièces de rechange  [van Houtum et Kranenburg, 2015] [Muckstadt, 2004]

     

    Bibliographie

    [Aronis et al., 2004] Aronis, K. P., Magou, I., Dekker, R., & Tagaras, G. (2004). Inventory control of spare parts using a Bayesian approach: A case study. European Journal of Operational Research, 154(3), 730-739.

    [Blanchard et al., 1995] Blanchard, B. S., Verma, D., & Peterson, E. L. (1995). Maintainability: a key to effective serviceability and maintenance management (Vol. 13). John Wiley & Sons.

    [Grubet et Ben-Gal, 2012] Gruber, A., & Ben-Gal, I. (2012). Efficient Bayesian network learning for system optimization in reliability engineering. Quality Technology and Quantitative Management, 9(1), 7-114.

    [Jin et Liao, 2009] Jin, T., & Liao, H. (2009). Spare parts inventory control considering stochastic growth of an installed base. Computers & Industrial Engineering, 56(1), 452-460.

    [Karunanithi et al., 1992]  “Using Neural Networks in Reliability Prediction.” IEEE Software 9 : 53-59.

    [Lazrak, 2015] Lazrak, A. (2015). Amélioration des processus de prévision et de gestion des stocks dans le cadre d’une chaine logistique de pièces de rechange, Thèse de Doctorat, Mines Nantes.

    [Lazrak et al., 2014] Lazrak, A., Castanier, B., Lemoine, D., Heidsieck, R., & Thenot, C. (2014, June). Integration approaches of forecasting methods selection with inventory management indicators in the case of spare parts supply chain. In Logistics and Operations Management (GOL), 2014 International Conference on (pp. 20-26). IEEE.

    [Muckstadt, 2004] Muckstadt, J. A. (2004). Analysis and algorithms for service parts supply chains. Springer Science & Business Media.

    [Tempelmeier, 2006] Tempelmeier, H. (2006). Supply chain inventory optimization with two customer classes in discrete time. European Journal of Operational Research, 174(1), 600-621.

    [van Houtum et Kranenburg, 2015] Van Houtum, G. J., & Kranenburg, B. (2015). Spare Parts Inventory Control under System Availability Constraints (Vol. 227). Springer.

    [Zwingelstein, 1996] Zwingelstein, G. (1996). La maintenance basée sur la fiabilité : guide pratique d'application de la RCM. Hermès.