Exemples d'optimisation de flux par simulation

Cette page rassemble plusieurs cas d’étude fictifs conçus pour illustrer différents usages de la simulation. L’objectif n’est pas de décrire des projets réels, mais de montrer de manière simple et visuelle comment ces méthodes peuvent répondre à des problématiques industrielles variées.

01 - Dimensionner une flotte d’AGV avant d’investir (Afficher)

Dimensionner une flotte d’AGV ne se résume pas à ajouter des véhicules : il faut comprendre à partir de quel seuil le système devient réellement fluide.
Ce cas d’étude montre comment la simulation permet de comparer plusieurs configurations pour sécuriser la cadence, éviter les ruptures et investir au juste nécessaire.

Un industriel souhaite améliorer l’alimentation de sa ligne de production.

Une question se pose rapidement : la flotte d’AGV actuelle est-elle suffisante, ou faut-il ajouter un ou plusieurs véhicules pour éviter les ruptures et soutenir la cadence ?

Sans simulation, il est difficile d’estimer l’impact réel d’un AGV supplémentaire sur l’ensemble du système.

Un modèle permet alors de tester plusieurs configurations de flotte dans les mêmes conditions d’exploitation et de comparer leurs effets sur les flux, les attentes et la production.

👉 Résultat : la simulation permet d’identifier à partir de quel niveau la flotte devient suffisante pour fluidifier l’atelier et améliorer les performances, sans surinvestir.

Ce que permet la simulation

La simulation permet de comparer objectivement les scénarios et d’identifier les leviers réellement efficaces avant de modifier l’organisation.

02 - Faut-il vraiment changer la machine goulot ? (Afficher)

Quand une machine est identifiée comme un goulot, le premier réflexe est souvent d’investir pour la remplacer ou la dupliquer.

Mais dans ce cas, la simulation montre qu’une simple réorganisation autour de ST4 permet de passer de 77 % à 89 % d’utilisation, sans modifier la machine.

Sur une ligne de production, lorsqu’un poste est identifié comme goulot d’étranglement, le premier réflexe est souvent d’envisager un investissement : remplacer la machine, augmenter sa capacité ou la dupliquer.

Dans ce cas d’étude, le poste critique était clairement identifié : ST4.

À première vue, la conclusion semblait donc évidente : si ST4 limite la performance de la ligne, il faut renforcer ST4.

Mais la simulation montre une réalité plus nuancée.

Dans le scénario de référence, ST4 est bien le poste le plus sollicité, mais son taux d’utilisation n’est que de 77 %.

Autrement dit : la machine est critique, mais elle n’est pas encore exploitée à son plein potentiel.

Le problème ne vient donc pas uniquement de la machine elle-même, mais aussi de ce qui se passe autour : alimentation du poste, attentes, coordination des flux, organisation du travail.

En testant un scénario de réorganisation autour de ST4, sans changer la machine, son taux d’utilisation passe de 77 % à 89 %.

Le débit de sortie progresse également, passant d’environ 12,2 pièces/h à 14,4 pièces/h.

Même machine.

Organisation différente.
Meilleure performance.

C’est là que la simulation devient un véritable outil d’aide à la décision : elle permet de tester les scénarios, de mesurer leur impact et d’éviter de lancer trop vite un investissement lourd.

Avant de remplacer une machine, une question mérite d’être posée :

Le système actuel est-il déjà utilisé au mieux de ses capacités ?

Dans ce cas, la réponse était non.

Et c’est précisément ce que la simulation a permis de démontrer.

03 - Peut-on encore améliorer une ligne quand le goulot est déjà à 89 % d’utilisation ? (Afficher )

Peut-on encore améliorer une ligne lorsque son goulot fonctionne déjà à 89 % ?
Ce cas d’étude compare deux stratégies logistiques visant à pousser encore davantage l’exploitation du poste critique grâce à la simulation.

Dans un précédent modèle de simulation, j’avais travaillé sur l’optimisation du comportement d’une flotte d’AGV sur une ligne d’assemblage :

réduction des déplacements inutiles,
amélioration des règles de dispatch,
limitation des congestions,
meilleure alimentation des postes.

Résultat :
➡️ la station ST4, identifiée comme goulot d’étranglement de la ligne, atteignait déjà 89 % de taux d’utilisation.

Autrement dit :
sans investissement lourd, la machine critique était déjà fortement exploitée.

Mais une question restait ouverte :

Peut-on encore améliorer les performances sans dupliquer le poste ST4 ?

Pour répondre à cette question, j’ai développé un second scénario plus structurant.

Cette fois-ci, l’idée n’était plus seulement d’optimiser les déplacements des AGV… mais de réduire drastiquement le besoin de déplacement.

Le scénario repose sur l’intégration d’un convoyeur permettant :

d’alimenter les postes de manière beaucoup plus continue,
de réduire les temps de transport,
de fluidifier les flux,
et de recentrer les AGV sur des missions plus pertinentes.

Résultat du scénario :

✅ 95 % d’utilisation sur ST4
✅ 15,7 pièces/heure en sortie
✅ un flux beaucoup plus stable autour du goulot

Et surtout, une conclusion intéressante apparaît :

Sans duplication de la machine ST4, il devient difficile d’aller plus loin de manière significative.

À ce stade, la simulation montre que le problème n’est plus qu’en grande partie logistique.
Le goulot est désormais alimenté quasiment en continu.

Autrement dit :
on arrive probablement à la limite de cette architecture de ligne.

Et c’est précisément là que la simulation devient un véritable outil d’aide à la décision :

savoir jusqu’où une optimisation reste pertinente,
mesurer l’impact réel d’un changement d’architecture,
et identifier le moment où un investissement plus lourd devient nécessaire.

Parce qu’en industrie, la difficulté n’est pas seulement d’optimiser un système…

C’est aussi de savoir quand on a atteint la limite de la stratégie actuelle.

🎥 Dans la vidéo :
comparaison entre :

une ligne optimisée par pilotage AGV,
et une ligne restructurée avec un convoyeur pour maximiser l’exploitation du goulot.

04 - Robot mobile autonome (Afficher)

Ce cas d’étude montre comment un robot mobile autonome (RMA) dédié au ravitaillement peut décharger les opérateurs des trajets jusqu’au magasin et réduire les déplacements inutiles. L’analyse s’appuie sur une comparaison “avant/après” par simulation, mettant en évidence un impact positif sur la production et les conditions de travail.

Description

L’atelier comporte 9 postes de travail, chacun occupé par 1 opérateur. Pour produire, chaque opérateur consomme des pièces issues de cartons stockés au magasin.

Modèle présent (as is) : l’opérateur doit aller chercher lui-même un carton au magasin, puis revenir à son poste.
Modèle futur (to be) : un RMA se charge de transporter les cartons jusqu’à une zone de dépôt dédiée devant chaque poste. Il anticipe les besoins et maintient un carton disponible à l’avance, ce qui limite les ruptures et les allers-retours.

Résultats (simulation)

Temps de déplacement opérateur : 450 min → 125 min (–72,2 %)
Temps d’attente / non-production : 450 min → 135 min (–70 %)
Distance moyenne parcourue : 14,1 km → 5,4 km (–62 %)
Part du temps passé à se déplacer : 6–21 % → 3 % (–50 % à –85,7 %)
Cartons traités au total : 112 → 126 (+12,5 %)

Conclusion : l’intégration d’un RMA de ravitaillement améliore nettement les conditions de travail (moins de marche, moins d’attente) et augmente la productivité, à mettre en perspective avec le coût de mise en place du robot.

Modèle présent

Modèle futur