Simulation de processus De la théorie à la pratique 21 Octobre 2011 4 Novembre 2011
Jérôme NEAU, Ingénieur & Associé NS CONSEIL
Sommaire • • • • • • • • • • • • • • •
Introduction Intérêt de la simulation Historique Typologie Comment ça fonctionne ? Simulation et Recherche Opérationnelle Projet de simulation: démarche Dangers et limitations Quels logiciels ? Portfolio d’études Démarche complète appliquée à un exemple simple Exemple 1 : Industrialisation de nouveaux produits Exemple 2 : Logistique Exemple 3 : Ordonnancement Exemple 4 : La simulation dans le secteur hospitalier
Introduction Qu’est-ce que la simulation ?
•
Les chercheurs, les ingénieurs, les militaires et bien d'autres professionnels se posent souvent la question : quel est le résultat que j'obtiens si j'exerce telle action sur un élément ? Le moyen le plus simple serait de tenter l'expérience, c'est-à-dire d'exercer l'action souhaitée sur l'élément en cause pour pouvoir observer ou mesurer le résultat. Dans de nombreux cas l'expérience est irréalisable, trop chère ou contraire à l'éthique. On a alors recours à la simulation : rechercher un élément qui réagit d'une manière semblable à celui que l'on veut étudier et qui permettra de déduire les résultats. La simulation est un outil utilisé par le chercheur, l'ingénieur, le militaire etc. pour étudier les résultats d'une action sur un élément sans réaliser l'expérience sur l'élément réel. Lorsque l'outil de simulation utilise un ordinateur on parle de simulation numérique. Source : Wikipédia
Introduction Qu’est-ce que la simulation ?
•
La simulation est le processus de concevoir un modèle d’un système réel et de mener des expériences avec ce modèle dans le but de comprendre le comportement du système et/ou évaluer différentes stratégies opératoires. Source : Winter Simulation Conference 1998
•
La simulation consiste à reproduire, à échelle réduite, l’évolution dans le temps d’un système complexe dont on veut étudier le comportement dynamique.
Introduction Qu’est-ce qu’un modèle ?
•
•
On appelle modèle un élément, analogique ou numérique, dont le comportement vis-à-vis d'un phénomène est similaire à celui de l'élément à étudier. – Les sorties sont les éléments et grandeurs que l'on veut étudier. – Les entrées, paramètres et contraintes sont les éléments dont la variation influe sur le comportement du modèle ; • on appelle entrée ceux qui sont commandés par l'expérimentateur • paramètres ceux que l'opérateur choisit de fixer • contraintes ceux qui dépendent d'éléments extérieurs. On appelle simulation l'ensemble constitué par un modèle, les entrées, paramètres et contraintes, et les résultats obtenus. Paramètres
Entrées
Modèle Contraintes
Sorties
Introduction Exemple : maintenance dans un atelier de production
•
Contenu du modèle : – Série d’opérations de production reliées entre elles par des convoyeurs. Les machines réalisant les opérations subissent des pannes qui requièrent l’intervention d’une équipe de maintenance – Entrées : nombre de personnes dans l’équipe de maintenance – Paramètres : temps de cycle, temps moyen de bon fonctionnement, temps de réparation, etc. – Contraintes : flux d’arrivée des pièces dans l’atelier – Sorties : statistiques d’utilisation des moyens et ressources, nombre de pièces produites par l’atelier
•
Démonstration rapide
Intérêt de la simulation
La simulation dynamique permet de – Formaliser le fonctionnement d’un système – Evaluer les performances – Analyser le fonctionnement global – Dimensionner les composantes du système – Valider les modes de fonctionnement – Comparer différentes solutions et hypothèses Evaluer les conséquences d’une décision avant qu’elle soit prise, éventuellement avant que le système existe. Par expérimentation sur un modèle, on teste différents scénarios pour les comparer ou effectuer des prédictions.
La simulation dynamique est un outil d’aide à la décision
Intérêt de la simulation
La simulation dynamique permet également de – Communiquer • Réalité virtuelle • Modèles faciles à comprendre et donc à utiliser comme moyen de communication • Outil de dialogue et de formalisation – Former • Exemples les plus connus: simulateurs de vol, de combat... • Dès qu’il existe un risque (intégrité physique, financier, etc.), la simulation peut être utilisée dans un but d’apprentissage par le test de raisonnements, attitudes, décisions et l’étude de leurs conséquences (apprentissage par l’erreur).
Intérêt de la simulation
La recherche de la performance au quotidien appelle des solutions de plus en plus complexes La simulation permet d’identifier et de prioriser les actions à mener L’optimisation activité par activité des processus ne garantit pas la performance globale La simulation permet d’avoir une approche globale et multi-métiers (processus, fiabilité, ordonnancement, logistique, etc.) Le lancement d’investissements requière des indicateurs fiables de retour sur investissement afin de minimiser les risques La simulation repose sur une approche scientifique qui fournit des résultats très proches de la réalité à condition de prendre certaines précautions
Quelques exemples Industrie – Ligne d’assemblage GMP Cadre : implantation de nouvelles lignes d’assemblage Objectif : - vérifier le dimensionnement des lignes (valider les temps de cycle, les temps de changements entre référence, les fréquentiels) - optimiser le nombre de chariots dans la boucle 97 96.5 96 RO (%)
95.5 95 94.5 94 93.5 93 92.5
19
20
21
22 Nbre de Chariots
Rendement en fonction du nombre de chariots
23
24
25
Quelques exemples Industrie – Atelier de production Cadre : conception d’un nouvel atelier de pressage et séchage d’accessoires de tuilerie Objectif : - déterminer les vitesses optimales de déplacement des moyens de manutention - optimiser le nombre de supports par type de produit - optimiser le nombre de chambres de séchage - définir et tester les règles de pilotage du système
Source: CTTB
Quelques exemples Portuaire – Logistique conteneurs Cadre : concours pour la construction d’un nouveau port de conteneurs à Barcelone Objectif : - définir l’implantation du futur site (longueur de quai, surface de stockage, etc.) - dimensionner le nombre optimal de moyens (grues, porte-conteneurs, transbordeurs, etc.)
Quelques exemples Postal – Chronopost Roissy Cadre : réorganisation du centre de tri multimodal de Roissy Objectif : - valider / optimiser les plans de tri et de transport à l’occasion du changement de réseau - identifier les points bloquant de l’installation - spécifier les besoins en personnel et les vacations à mettre en place Réception flux aérien
Vidage
Expédition flux aérien
Chgt
Dépose
Convoyage Mise en pinon / conteneur Tri
Convoyage
Prélèvement Mise en roll / palette
Convoyage
Dépose
Vidage
Réception flux routier
Chgt
Expédition flux routier
Quelques exemples Postal – La Poste Paris Nord Cadre : aide à la conception du centre de tri postal de Paris Nord pour Somepost Objectif : - valider / optimiser le dimensionnement des installations - fournir une animation 3D comme support commercial - faire des recommandations organisationnelles et des préconisations de modification des installations
Historique Près de 65 ans d’histoire
•
•
•
La simulation numérique est apparue en même temps que l'informatique pour les besoins du projet Manhattan pendant la Seconde Guerre mondiale, afin de modéliser le processus de détonation nucléaire. Depuis, elle a évolué parallèlement à l'informatique. Parmi les précurseurs des logiciels de simulation actuels, on peut citer GSP (fin années 50), GPSS (fin années 50), GASP (début années 60), SLAM (fin année 70) Les principales évolutions au cours des dernières années portent sur les aspects graphiques, la puissance de calcul et l’intégration de la simulation au sein d’autres applications
Typologie Nombreuses méthodes de simulation
Il existe plusieurs façons de classifier les simulations • Statique ou dynamique Notion d’évolution au cours du temps • Stochastique ou déterministe Notion d’aléatoire • A événements discrets ou continue Equations différentielles vs. logique événementielle Exemples d’outils et méthodes : • Runge-Kutta résolution d’équations différentielles • Monte-Carlo calcul de valeurs numériques par des procédés aléatoires
L’analyse par simulation des flux et processus requière généralement des simulations dynamiques et stochastiques, discrètes ou / et continues selon les processus considérés
Comment ça fonctionne ? Focus sur la simulation à événements discrets
Les moteurs de simulation à événements discrets reposent sur plusieurs concepts : • Gestion d’échéancier • Gestion des files d’attente • Génération de nombres aléatoires • Edition de rapports statistiques
Comment ça fonctionne ? Gestion d’échéancier
Un moteur de simulation à événements discrets gère un échéancier dans lequel il écrit à l’avance les événements à venir. Différents événement gérés : cycles, pannes, réglages, pauses, etc. Exemple: • Machine avec un temps de cycle de 30 minutes • Panne de 5 minutes toutes les 1 heures 40 minutes de bon fonctionnement • Pause de ¼ d’heure toutes les 2 ½ heures
170.0 135.0 150.0
Fin de cycle
Début de cycle Fin de cycle
100.0 105.0
Fin de pause
125.0
Début de pause
Début de cycle Fin de cycle
90
Fin de panne
60
Début de panne
Début de cycle Fin de cycle
30.0
Début de cycle Fin de cycle
Début de cycle Fin de cycle
Début de cycle
0.0
200.0
Comment ça fonctionne ? Gestion des files d’attente
Un moteur de simulation à événements discrets gère les phénomènes de files d’attente : saturations et attentes. Exemple : quand une machine tombe en panne, les effets sont les suivants • En amont, les stocks se remplissent et les moyens finissent par saturer, c’està-dire par être dans l’incapacité d’évacuer leur production • En aval, les stocks se vident et les moyens se mettent en attente Les moteurs de automatiquement
simulation
gèrent
généralement
ce
fonctionnement
Inactive 0%
Disponible Occupée Bloquée Réglage Réparation Att. ress. cycle Att. ress. réglage Att. Ress. réparation
Comment ça fonctionne ? Génération de nombres aléatoires
Un moteur de simulation à événements discrets est capable de générer des « nombres aléatoires » Ces nombres sont notamment utilisés pour modéliser les temps inter-pannes et les durées de réparation, les taux de rebut, etc. La génération de ces nombres se fait par un algorithme ou une série mathématique qui produit une séquence de nombres présentant certaines propriétés du hasard. Il s’agit donc de nombres pseudo-aléatoires Toujours un sujet de recherche ; cf. travaux de Pierre L’Ecuyer, Université de Québec Avantage : l’aléatoire est reproductible ; les résultats de deux simulations sont comparables même si le modèle est stochastique Inconvénient : il faut respecter un certain nombre de règles de modélisation et d’expérimentation ; cf. dangers et limitations
Comment ça fonctionne ? Edition de rapports statistiques
Un moteur de simulation édite des rapports statistiques Statistiques machines Rapport suivant les Plannings D'ouverture • Etat d’occupation desdes différents moyens ZoneA.Operation15 ZoneB.Operation25 ZoneB.Operation45 ZoneA.Operation55 ZoneB.Operation60 ZoneA.Operation75 0
10
20
30
40
50
60
70
80
90
%Disp.
%Cycle - Remp.
%Arrêté - Bloqué
%Arrêté - réglage
%Arrêté - panne
%Cycle - Occ.
%Cycle - Vidange
%Attente - Cycle
%Attente - réglage
%Attente de répar.
100
• Evolution des niveaux de stock et statistiques classiques (taille mini, maxi , moyenne, temps moyen de séjour, etc.) • Evolution et statistiques concernant les ressources (occupation par activité, par individu, nombre d’opérations réalisées, etc.)
Simulation et recherche opérationnelle Compétition ou coopération ?
Il existe d’autres méthodes de modélisation de flux et de processus que la simulation. La recherche opérationnelle en fournit de nombreuses : réseau de Pétri, chaînes de Markov, etc. Toutefois la compétition la plus rude en entreprise vient d’un outil beaucoup plus commercial… MS Excel ! Tous ces outils reposent sur des approximations qui deviennent rapidement rédhibitoires quand le système à modéliser devient complexe. M1 90%
Stock
M2 80%
Capacité du stock Productivité 0 72% Infinie 80% 5 ??
La modélisation est souvent une brique dans une démarche plus large telle que l’optimisation ou l’ordonnancement. Là encore la recherche opérationnelle fournit de nombreuses méthodes. Sur ce sujet, la simulation et la recherche opérationnelle coopèrent souvent.
Projet de simulation Démarche générale : par itérations
Système réel
• Abstraction • Modélisation
Expérimentation
Retours
Déductions sur le système réel
Modèle de simulation
• Transfert • Interprétation
Résultats
Projet de simulation Quand l’utiliser ? En phase de conception ou pour améliorer
La simulation en phase de conception devrait intervenir au plus tôt dans un projet. En pratique, elle intervient parfois trop tard et pour valider des investissements déjà lancés. La simulation est aussi souvent utilisée pour l’amélioration de systèmes existant. CROISSANCE
CONCEPTION
MATURITE
DECLIN
€
Temps
Cycle de vie
Projet de simulation Démarche générale Temps passé Recueil des données • modes de fonctionnement • fiabilité, PAD, fréquentiels... Validation par les métiers
Cahier des charges • hypothèses • objectifs • responsables
40%
Validation par le groupe projet
Modélisation conception et réalisation
20%
Vérification & Validation par expert outil et groupe projet Exploitation du modèle • Simulations • analyse des résultats
40% Présentation des résultats
Edition du dossier de simulation
Capitalisation
La tentation est souvent grande de se concentrer sur la réalisation du modèle alors que ce sont les étapes en amont et aval qui constituent la véritable valeur ajoutée de la simulation.
Projet de simulation Etapes d’un projet
Cahier des charges Identifier les objectifs et le périmètre de l’étude, les différentes solutions à étudier, les indicateurs de performance à utiliser, etc. Le CdC est un contrat entre le demandeur et le réalisateur. Cette phase conditionne tout le reste de l’étude. Sans cela, les conclusions de l’étude pourront toujours être réfutées et l’étude risque de traîner en longueur.
Recueil des données Collecter l’ensemble des données nécessaires à la réalisation du modèle. Les seules inconnues restantes doivent être les paramètres à optimiser. Cette étape est souvent la plus fastidieuse de l’étude et peut nécessiter un travail de terrain. Il peut être souhaitable de conclure à l’inutilité d’une simulation à l’issue du CdC ou du recueil de données.
Projet de simulation Etapes d’un projet
Conception et réalisation du modèle Faire un modèle conceptuel du système (suivant le type de question posée, on peut avoir des modèles différents d’un même atelier). Traduire le modèle conceptuel dans le langage propre au logiciel utilisé Vérification par un expert du logiciel («déboggage») Validation par le simulateur (tests) Validation du fonctionnement par l’équipe projet et/ou l’exploitant (conformité avec CdC et données) Exploitation du modèle Simuler les différents scénarios définis dans le CdC afin de récolter toutes les informations chiffrées utiles (plans d’expériences). Analyser les résultats connaissant le modèle, les hypothèses et le système réel. En déduire éventuellement de nouveaux scénarios à tester. Le simulateur doit valider les résultats de ses modèles soit sur des cas simplifiés, soit sur le terrain (si possible).
Projet de simulation Etapes d’un projet
Conclusion de l’étude de simulation Présenter les résultats en rappelant les hypothèses de modélisation Réaliser le rapport de fin de simulation. Assurer la transmission du modèle. Capitalisation Le «dossier simulation» doit être constitué tout au long de l’étude. Or les hypothèses et données évoluent au cours du temps. difficulté à interpréter et présenter les résultats quelle est la part de ce qui a été réellement utile? En déduire éventuellement de nouveaux scénarios à tester. La capitalisation ne doit pas s’arrêter dès que le rapport de simulation est rendu. Il faudrait faire un bilan à l’issue du projet et de sa réalisation... Comparer Comparer simulé simulé%%réel réel
Identifier Identifierorigine origine des desdifférences différences
Points non pris en compte dans CdC Evolutions par rapport au CdC Ecarts dus à la modélisation
Analyser Analyser
Capitaliser Capitaliserpour pour futures futuressimulations simulations
Identifier et quantifier aspects impossibles à modéliser Améliorer adéquation entre conception simulée et réalité
Dangers et limitations Données et nombres aléatoires
Données Sans données, la simulation n’a pas de raison d’être. Avec des données inexactes, l’utilisation de la simulation peut se révéler catastrophique… Nombres aléatoires Tout comme une journée ne ressemble à aucune autre, une même simulation tirée avec des nombres aléatoires différents fournira des résultats différents. Il faut utiliser des techniques statistiques telles que les intervalles de confiance et ne pas raisonner sur des moyennes. données d’entrée incertaines
Simulation pannes et temps de cycle aléatoires
quelle certitude sur les résultats?
Dangers et limitations Conditions expérimentales
Ne pas tenir compte de la montée en régime de la simulation biaise les résultats... particulièrement si la durée de simulation est courte. Solutions : simuler sur une durée très longue pour minimiser l’effet de la mise en régime et / ou réinitialiser les statistiques après une période de mise en régime. INDICATEUR Moyenne non biaisée
Moyenne biaisée par la mise en régime
TEMPS Période de mise en régime Début de la simulation
RàZ des statistiques
Régime stabilisé Fin de la simulation
Dangers et limitations Les plus gros dangers
Le plus gros danger en modélisation en général et en simulation en particulier est de vouloir représenter la réalité le plus fidèlement possible. La véritable expertise de l’utilisateur est de savoir faire les bonnes hypothèses qui simplifient le travail de modélisation tout en garantissant des résultats fiables et exploitables. La simulation numérique ne doit évidemment pas être confondue avec le réel. Ce n'est pas parce que l'ordinateur dit que cela va se passer comme cela que cela se comporte effectivement comme tel dans la réalité (ex: simulations numériques des prévisions météorologiques). Si le modèle est erroné, les résultats calculés sont alors faux et peuvent amener à des prises de décision elles-mêmes erronées. L'analyse critique des résultats, la vérification de la validité des modèles théoriques utilisés, la confrontation des résultats prédits à l'expérience ... sont autant de réflexes d'ingénieur à avoir et qui font alors partie même de l'éthique du professionnel utilisateur.
Quels logiciels ? Une multitude d’acteurs
Logiciel @Risk Arena AnyLogic Automod Crystal Ball EmPlant Enterprise Dynamics Extend Flexsim Microsaint Sharp Promodel Simul8 Quest Vensim Witness
Editeur Palisade Corporation Rockwell Automation XJ Technologies Brooks – PRI Automation Decisioneering Tecnomatix (Siemens) InControl Imagine That Flexsim Software Product Micro Analysis & Design Promodel Corporation Simul8 Corporation Delmia (Dassault Systems) Ventana Systems Lanner
Quelques exemples Industrie – Atelier de production Cadre : Objectif :
conception d’un nouvel atelier de fabrication de durites en caoutchouc - déterminer le nombre optimal et le type de palettes - concevoir et optimiser l’algorithme de lancement des ordres de fabrication - valider la conception du système (vitesse d’extrusion, vitesse de convoyage, nombre d’autoclaves, etc.)
Quelques exemples Industrie – Ligne d’assemblage les lignes d’assemblage n’atteignent pas le TRS souhaité et les actions engagées sur le terrain ne semblent pas toujours donner les résultats escomptés - apporter une vision complète des lignes et en étudier leur comportement dynamique - définir des voies d’amélioration - évaluer les gains obtenus
Cadre : Objectif :
Reglage Chgt de ref
Reglage Chgt de ref
PMJ Conv9
Conv7
Conv8
Orienteur 2
Vision
Orienteur 3
Conv12
Conv11
Conv10
Portillon Télescopique 1
Rebus
Conv13
Conv6 Conv14 1
Reglage Chgt de ref
CP43
Four Conv5
Conv4
Reglage Chgt de ref
Etiqueteuse
Conv3 Réparation S2
S1
Reglage Chgt de ref
MPM
Refroidisseur
Reprise Rebus
2
FIFO
Testeur
Orienteur 4
Déclamp
Conv2 Conv1 Clamp Orienteur 1
Conv15
Conv16
Conv17
Portillon Télescopique 2
Conv18
Cartes Nues
Oper
Cartes SMI
Quelques exemples Industrie – Atelier de fabrication de moteurs Cadre : Objectif :
atelier de fonderie d’aluminium pour la fabrication de moteurs haut de gamme investissement pour réorganisation - évaluer la performance de l’atelier - définir des voies d’amélioration - évaluer l’impact de l’ajout de moyens supplémentaires (postes de nettoyage, presses, transbordeurs, etc.)
Quelques exemples Logistique – Ligne de préparation de commande de timbres Cadre : Objectif :
Amélioration de la productivité d’un centre de préparation de commande Valider différentes hypothèses et règles de gestion • modifier le circuit de préparation en créant un rebouclage • évaluer la performance de différents modes d’arrêts des bacs aux gares • évaluer différentes répartitions de produits dans les gares
Quelques exemples Industrie – Placo Vaujours Cadre :
restructuration du site : augmentation de 60% de la capacité de production et création d’un magasin de stockage de 40000 m² Objectif : - dimensionner le futur magasin - optimiser et sécuriser les flux du site (réduire les temps de séjour des camions sur site, minimiser les croisements de flux, dimensionner les moyens à mettre en place pour créer une entrée unique)
Zone de pesée entrée / sortie
Quelques exemples Industrie – Air France Industries Cadre :
logistique produits unserviceable aéronautique en conception
/
Objectif :
- définir les modes de transfert interne (principe de collecte/distribution, identification des zones à - dimensionner les zones de stockage containers - dimensionner les ressources (humaines et matérielles) - tester l’ajout d’une zone de réception / expédition - déterminer les fréquences et nombre de navettes
Allée de circulation à sens unique
Bureaux
Allée principale de circulation
Magasin central
Autre quai de réception / expédition possible
Quai de réception / expédition
Racks
Stock rapproché: pièces de rechange spécifiques
Process
serviceable
dans
une
unité
de
maintenance desservir)
Quelques exemples Manufacturier – Caterpillar augmentation de la productivité de la ligne d’assemblage regroupement de deux lignes de production Objectif : évaluer différents scénarii de réorganisation : modifier les gammes ajouter des postes équilibrer les charges dimensionner les équipes dimensionner les stocks etc. Cadre :
Painting
Shipping
Start
Quelques exemples Aéroportuaire – Air France Roissy Cadre : Objectif :
logistique bagage à Roissy CdG 2 évaluer les temps de déplacement des caristes sur pistes en fonction des mouvements d’avion produire des abaques donnant les courbes d’évolution dans la journée des temps de déplacement des caristes pour tous les trajets possibles
Interface Excel de paramétrage
Fichier des arrivées d’avions
Génération des moyens de manutention
Fichier des départs d’avions
Modèle de simulation
Temps de parcours
Quelques exemples Aéroportuaire – Air France Roissy Cadre : Objectif :
systèmes de tri des bagages à Roissy CdG 2 dimensionner les besoins en main d’œuvre dans les différents centres de tri bagages estimer les flux entre les différents centres de tri tester les différentes phases de mise en route des nouvelles installations évaluer la performance et la robustesse des plans de tri
Avions en apport
Terminaux du CdG2
Rapatriement
Enregistrement
Dépose
Stockage
Tri
Mise en conteneur
Livraison
Gestion des ratés
Livraison dernière minute
Livraisons 3 déposes
TBEF Avions en emport Locaux F1 & F2 Locaux E
TBC
TBM
TBS TBEE
Locaux C Livraisons
3 déposes
TBF 4 déposes
Livraisons 6 déposes Livraisons
Livraisons
EBS
Quelques exemples Grande distribution – Entrepôt frigorifique Cadre : Objectif :
implantation pour un entrepôt frigorifique choisir parmi deux schéma d’implantations minimiser les distances palette et le temps réception / expédition
total
de traitement
d’une
vague de
Palettes 1
Palettes
5
Boucherie
6
Boulangerie 3
3
PLS
5 3
3
3
3
3
3
3
2
2
2
2
2
2
2
1
Boulangerie
5
Poissons 5 5
Plantes1
3
Plantes
1
8 3 1 6/ 6
61
1
7
2 1500 m² 50 x 30 T° ambiante 3 quais
700 m² 23 x 30 14 / + 16 3 quais
8000 m² 105 x 76 +2 / +4 13+23 quais
2000 m² 35 x 57 0 / +2 4 quais
1500 m² 26 x 57 +2 / +4 3 quais
4200 m² +8 / +12 19 quais
F&L 3 6 1570 m² T° ambiante 4 quais
6
Poissons PLS
Boucherie
F&L
Quelques exemples Grande distribution – Plateforme Vert St Denis Cadre : Objectif :
nouveau centre de distribution de textiles (250 magasins, 60000 références) - tester la capacité de la plate-forme à traiter les flux demandés - apporter une solution avant de découvrir les problèmes sur le terrain - fournir un outil d’exploitation au quotidien
Vêtements suspendus
Autres vêtements
Vêtements plats
Crossdocking (JàT)
Flux stocké
Picking détail
Trieur
Tri - Expédition
Préparation commandes
Quelques exemples Logistique – Entrepôt Cadre : Mettre en place un outil de comparaison d’implantations / d’organisation Objectif : - Aider l’utilisateur à choisir la meilleure configuration de son entrepôt selon de nombreux critères - Dimensionner les équipes nécessaires 80 70 60 50
Nb Pal Réception
40
Nb Pal Traités
30
Nb Pal Exped
20 10
07 :0 0: 00 08 :0 0: 00 09 :0 0: 00 10 :0 0: 00 11 :0 0: 00 12 :0 0: 00 13 :0 0: 00 14 :0 0: 00 15 :0 0: 00 16 :0 0: 00 17 :0 0: 00
0
10
90%
9
80%
8
70%
7
60%
6
50%
5
40%
4
30%
3
20%
2
10%
1
0%
0
07 :0 0: 00 08 :0 0: 00 09 :0 0: 00 10 :0 0: 00 11 :0 0: 00 12 :0 0: 00 13 :0 0: 00 14 :0 0: 00 15 :0 0: 00 16 :0 0: 00 17 :0 0: 00
100%
Taux d'occupation Nb Pal Traités
Quelques exemples Logistique – Magasin Cadre : Mettre en place un outil de comparaison d’implantations / d’organisation Objectif : - Aider l’utilisateur à choisir la meilleure configuration de son magasin selon de nombreux critères - Dimensionner les équipes nécessaires Suivi d'une Zone de Preparation/tri
5
14 12
4
3
8 6
2
4
1 2
0
0 20:30:00 21:00:00 21:30:00 22:00:00 22:30:00 23:00:00 23:30:00 00:00:00 00:30:00 01:00:00
Gantt de suivi des tâches effectuées
Nbre de Palettes Max
Nbre d'opérations
10
Méthodologie appliquée à un exemple • • • • • • • • • • •
Présentation d’une ligne « simple » avec « visite virtuelle » de la ligne Formalisation du processus Définition du cahier des charges Recueil des données Modélisation Vérifications Validation Expérimentations Résultats Présentation des résultats Capitalisation
Visite Virtuelle
Départ Cycle
Reprise au prochain cycle
Retouche
OK
Contrôleur
Sortie
Formalisation du processus •
A l’aide d’un schéma MS visio par exemple : Tige
SCIE
Convoyeur
Poste de Protection
Poste de Découpe Convoyeur de retour des outils
Décharg ement
Rectifieu se 1
Chargem ent
Zone d’attente Stock Contrôle Outils
Durcisseur Contrôle
Rectifieu se 2
Nettoyage Stock de Soupapes
Sortie
Zone d’attente Retouche
Cahier des charges •
• • •
Cadre de l’étude : – Depuis l’arrivée des tiges dans le stock de tige jusqu’à la sortie des soupapes de la machine de nettoyage Horizon de simulation : – 1 mois , soit 168 heures de production environ Objectif : – Augmenter la production de soupapes Hypothèses de simulation : – L’opérateur au poste de contrôle est considéré comme toujours disponible – Les perturbations du système sont toutes celles qui sont liées uniquement au fonctionnement même de la ligne : • Pannes • Réglages • Etc..
Recueil des données •
Parcourir le système et poser toutes les questions possibles Tige
Comment arrivent les tiges ? SCIE
-> Programme de fabrication ? -> Fréquence et taille de lot ? -> Profil horaire ? ->… -> 1 seul type de tige -> Fréquence fixe et taille de lot fixe
Convoyeur
Poste de Protection
Poste de Découpe Convoyeur de retour des outils
Décharg ement
Rectifieu se 1
Chargem ent
Zone d’attente Stock Contrôle Outils
Durcisseur Contrôle
Rectifieu se 2
3 tiges toutes les 10 minutes
Nettoyage Stock de Soupapes
Sortie
Zone d’attente Retouche
Recueil des données •
Parcourir le système et poser toutes les questions possibles Tige
Stock de tiges : -> Taille du stock -> Mode de gestion ? FIFO, LIFO, …
SCIE
Convoyeur
Poste de Protection
Poste de Découpe Convoyeur de retour des outils
-> Stock FIFO De 10 places Décharg ement
Rectifieu se 1
Chargem ent
Zone d’attente Stock Contrôle Outils
Durcisseur Contrôle
Rectifieu se 2
Nettoyage Stock de Soupapes
Sortie
Zone d’attente Retouche
Recueil des données •
Parcourir le système et poser toutes les questions possibles Tige
Poste de découpe -> Temps de cycle -> Pannes ? -> Réglages ? -> Opérateur pour intervention ?
SCIE
Convoyeur
Poste de Protection
Poste de Découpe Convoyeur de retour des outils
Zone d’attente Stock Contrôle Outils
-> 6 minutes pour l’ensemble de la découpe Rectifieu -> Lame 1 : Réglage ttes les 40 opérations se 1 Durcisseur Chargem Décharg -> Lame 2 : Réglage ttes les 30 opérations ent ement Rectifieu -> Temps de réglage : entre 10 et se 152 minutes (uniforme) -> MTBF : en moyenne 100 minutes (Négative Exponentielle) -> MTTR : En général 25 minutes, des fois seulement 10 et parfois 30 Nettoyage Sortie -> Opérateur pour le cycle de la machine, la réparation et le réglage Stock de Soupapes
Contrôle
Zone d’attente Retouche
Recueil des données •
Parcourir le système et poser toutes les questions possibles Tige
Type de convoyeur ? -> Avec/sans accumulation -> Vitesse, Longueur, limitations techniques ?
SCIE
Convoyeur
Poste de Protection
Poste de Découpe
Convoyeur de retour des outils
Zone d’attente Stock Contrôle Outils
-> Convoyeur à bande : donc sans accumulation Rectifieu -> Longueur : 2m se 1 Durcisseur Chargem Décharg -> Vitesse : 0.4 m/min ent ement Rectifieu -> Pas de contrainte techniques se 2
Nettoyage Stock de Soupapes
Contrôle
Sortie
Zone d’attente Retouche
Recueil des données •
Parcourir le système et poser toutes les questions possibles Tige
Poste de protection -> Règle d’approvisionnement : SCIE priorité entre le convoyeur et le Poste de stock de retouche ? Autre(s) Découpe règle(s) ? Convoyeur de retour des outils -> Caratéristiques du poste
Convoyeur
Zone d’attente Stock Contrôle Outils
-> Temps de cycle : 60 minutes pour les 6 pièces Rectifieu -> 5 min de réglage tous les 10 cycles se 1 Durcisseur Chargem Décharg -> Règles d’approvisionnement ent ement Rectifieu 1/ Priorité de la zone d’attente parserapport au 2 convoyeur 2/ On ne prend pas les tiges du stock si il n’y a pas de tiges sur le convoyeur Nettoyage 3/ On prend en priorité les tiges ayant subit le plus de retouche dans le stock d’attente retouche Stock de Soupapes
Poste de Protection
Contrôle
Sortie
Zone d’attente Retouche
Recueil des données •
Parcourir le système et poser toutes les questions possibles Tige
Zones d’Attente -> taille et gestion Contrôle -> Proportion de retouches ? ->Caractéristiques du poste
SCIE
Convoyeur
Poste de Protection
Poste de Découpe
Convoyeur de retour des outils
Zone d’attente Stock Contrôle Outils
-> Zone Attente Contrôle : FIFO, capacité : 1 tige Rectifieu -> Zone Attente Retouche : géréesela1 règle Durcisseur Chargem précédente, capacité Décharg :ement 10 tiges ent
Contrôle
Rectifieu se 2
-> 20% de pièces rejetées au contrôle -> Temps de cycle : 20 min -> Réglage d’une minute par pièce Nettoyage Stock de Soupapes
Sortie
Zone d’attente Retouche
Recueil des données •
Parcourir le système et poser toutes les questions possibles Tige
Durcisseur -> mode de fonctionnement -> caractéristiques techniques SCIE
Convoyeur
Poste de Protection
Poste de Découpe Convoyeur de retour des outils
Décharg ement
Rectifieu se 1
Chargem ent
Zone d’attente Stock Contrôle Outils
Durcisseur Contrôle
Rectifieu se 2
-> Capacité de 10 pièces -> Temps de cuisson minimum : 60 minutes -> Convoyeur avec accumulation
Nettoyage
Stock de Soupapes
Sortie
Zone d’attente Retouche
Recueil des données •
Parcourir le système et poser toutes les questions possibles Tige
Les outillages -> gestion particulière des outils ? -> quantité, disponibilité immédiate, etc…
SCIE
Convoyeur
Poste de Protection
Poste de Découpe Convoyeur de retour des outils
Décharg ement
Rectifieu se 1
Chargem ent
Zone d’attente Stock Contrôle Outils
Durcisseur Contrôle
Rectifieu se 2
-> 10 outils disponibles -> Boucle de retour : 3m ; 0.5m/min -> Pas de maintenance (hypothèse), disponible dès le démarrage Stock de Soupapes
Nettoyage
Sortie
Zone d’attente Retouche
Recueil des données •
Parcourir le système et poser toutes les questions possibles Tige
Les poste de chargement et déchargement SCIE -> caractéristiques ?
Convoyeur
Poste de Protection
Poste de Découpe Convoyeur de retour des outils
Décharg ement
Rectifieu se 1
Chargem ent
Zone d’attente Stock Contrôle Outils
Durcisseur Contrôle
Rectifieu se 2
-> 4 min de tps de cycle -> Ni panne, ni réglage, ni opérateur Nettoyage Stock de Soupapes
Sortie
Zone d’attente Retouche
Recueil des données •
Parcourir le système et poser toutes les questions possibles Tige
Les rectifieuses -> caractéristiques ? SCIE -> règle de gestion entre les 2 machines Poste de
Convoyeur
Poste de Protection
Découpe Convoyeur de retour des outils
Décharg ement
Rectifieu se 1
Chargem ent
Zone d’attente Stock Contrôle Outils
Durcisseur
Rectifieu se 2
-> Rectifieuse 1 : Soupape de de type 1 , tcy = 35 min -> Rectifieuse 2 : Soupape de de type 2 , tcy = 40 min -> MTBF : Normal , Moyenne=75 min, Ecart-type Nettoyage = 15min Sortie -> MTTR : 45 minutes selon négative exponentielle Stock de -> L’opérateur intervenant sur la scie intervient également ici Soupapes -> Alterner si possible entre les 2 rectifieuses
Contrôle
Zone d’attente Retouche
Recueil des données •
Parcourir le système et poser toutes les questions possibles Tige
Les stocks de soupapes -> capacité ? Gestion ?
SCIE
Convoyeur
Poste de Protection
Poste de Découpe Zone
Convoyeur de retour des outils
d’attente -> Capacité de 10 soupapes chacun Stock Contrôle -> La machine de nettoyage prend du stock de soupape Outils le plus plein
Décharg ement
Rectifieu se 1
Chargem ent
Durcisseur Contrôle
Rectifieu se 2
Nettoyage Stock de Soupapes
Sortie
Zone d’attente Retouche
Recueil des données •
Parcourir le système et poser toutes les questions possibles Tige
Le nettoyage -> caractéristiques ?
SCIE
Convoyeur
Poste de Protection
Poste de Découpe
-> Multi-poste ( carrousel ) : nbre de poste = 5 Zone -> Tcy : 15 min par poste Convoyeur de retour des outils d’attente Stock Contrôle -> MTBF : Negexp de 20 min Outils -> MTTR : Erlang de moyenne 20 min, paramètre k=3 Rectifieu -> L’opérateur de la scie intervient ici également pour la réparation se 1 Durcisseur Décharg -> 5 min de réglage automatique toutesChargem les 100 opérations Contrôle ent
ement
Rectifieu se 2
Nettoyage Stock de Soupapes
Sortie
Zone d’attente Retouche
A propos de la loi Erlang… Forme de la distribution :
Moy. = 1.0, K =1
• •
• • •
Paramètres: K (Entier) Moy. : Réel
Moy. = 1.0, K=3
Les distributions ERLANG sont une famille de distributions; elle présente une courbe différente suivant la valeur du paramètre K Quand K vaut 1, la distribution ERLANG est identique à la distribution Exponentielle Négative Quand K vaut 2, la distribution ERLANG possède la forme de d'une cloche fortement décalée vers la gauche. Au fur et à mesure que K augmente, la distribution ERLANG tend vers la distribution de Gauss (Normal). En changeant le paramètre K, la distribution ERLANG peut être utilisée pour des analyses de sensibilité. Par exemple, pour tester les effets d'arrêts ; de petites valeurs de K créent un chaos maximum, tandis que des valeurs plus grandes le réduisent.
Début de la documentation (pour capitalisation) • Re-lister les règles de gestion particulière • Répertorier l’ensemble des données d’entrée dans un fichier Excel commenté • Faire valider les règles de gestion ainsi que les données Excel par les acteurs du projet
Modélisation • Construire le modèle de simulation • Seul risque d’erreur , une mauvaise connaissance du logiciel… • Aperçu du modèle de simulation
Vérifications & Validation • Vérifications : – Par un expert : Débogage – « Validation Statique » : Retirer tous les aléas (pannes, réglages, etc…) et vérifier que le rendement est de 100%. • Validation : – S’assurer que les résultats obtenus par simulation sont conformes à la réalité / au concept • Si non validé – Revenir sur les données Excel – Revenir sur les règles de gestion – Revenir sur le modèle de simulation
Expérimentations • Rappel de l’objectif : – Augmenter la production de soupapes • Sur quels paramètres sommes nous autorisés à jouer ? – Liste des paramètres • Préparer le modèle pour les expérimentations – Définir la période de mise en régime • Choisir un indicateur pour tracer la courbe • En déduire la période de mise en régime – Préparer les indicateurs nécessaires (camembert, nombre de pièces expédiées)
Expérimentations • Réfléchissons sur le modèle à l’aide des indicateurs en place afin de définir les premières améliorations
Expérimentations • Préparons plus finement le modèle afin de cibler les prochaines expérimentations – Exemple : Réduction d’un temps cycle par tranche de 10% • Créer une variable « Percent » que vous piloterez depuis Excel • Utiliser cette variable dans le temps de cycle machine : 60 * Percent • Créer une fonction de coût qui vous renvoie le coût associée à cette modification • Utilisation d’outil de gestion de scénarios intégrés au logiciel
Expérimentations • Ciblons les paramètres sur lesquels nous allons jouer plus finement : – Taille de lot de la protection : [6;9] – Réduction du tps de cycle protection : [0.5,1] – Réduction du tps de cycle contrôle : [0.5,1] – Nbre de poste de contrôle : [2,3] • Soit 4 x 6 x 6 x 2 = 288 scénarios • Résultats obtenus
Expérimentations • Interprétations des résultats
– De faibles investissements permettent de bons résultats – Et de forts investissements n’obtiennent pas de « bons » résultats – Conservons les résultats de plus de 1060 soupapes
Expérimentations • Et l’aléa… ? • Sur les scénarios obtenant plus de 1060 soupapes expédiés effectuons une analyse de sensibilité • Pour chacun des scénarios effectuons 10 réplications (cad changer le germe aléatoire 10 fois tout en conservant les même paramètres) • Résultats obtenus
Expérimentations • Synthèse des résultats obtenus 1080
1045 1040
1075
1035 1030
1070
1065
1025
Valeur "Originale"
1020
Moyenne
1015 1010
1060
1005 1055
1000 Scénario 1 Scénario 2 Scénario 3 Scénario 4 Scénario 5
• Scénario(s) retenu(s) : le n°2 – Taille de lot : 7 pièce – Temps de cycle de protection * 0.5 – 3 postes de contrôle – Temps de cycle de contrôle * 0.5
Présentation des résultats • Préparer le modèle pour une présentation • Préparer une présentation synthétique des résultats obtenus et du cheminement (cf slides précédent) • Conclure sur la (ou les) meilleure(s) option(s) et la séquence des améliorations à effectuer
Capitalisation • • • • •
Modèle original (sans les améliorations) Interface Excel de paramétrage Cahier des charges (objectifs,cadre de l’étude, etc…) Règles de gestion (déjà fait) Explications sur la réflexion tenue lors des expérimentations • Scénarios joués (au moins les inputs) • Slides de présentation • Les évolutions futures – Celles auxquelles on a penser à la fin du projet – Celles discuter en phase de présentation des résultats par les acteurs du projet
Exemple 1 Industrialisation de nouveaux produits
Résumé du cahier des charges • •
Contexte : Industrialisation de nouveaux produits Objectifs : – Tester différents modes opératoires – Evaluer le capacitaire annuel – Chiffrer les coûts de production
Données d’entrée •
Aperçu du fichier Excel d’interface résumant l’ensemble des données d’entrées : – Poste de travail : Nom, opération, Cout horaire, position,etc…
– Temps de process
Données d’entrée – Opérateurs
– Interface de pilotage des scénarios à jouer
Aperçu du modèle
Résultats de simulation •
Taux d’occupation des équipements
•
Taux d’occupation des opérateurs
Résultats de simulation •
Coûts de production
•
Gantt de suivi des tâches
Exemple 2 : Logistique
Résumé du cahier des charges •
•
Contexte : – Libération d’un site situé zone urbaine – Regroupement de technologies – « Optimiser » l’espace occupé Objectifs de simulation : - Optimiser les ressources logistiques - Détecter les goulets d’étranglement - Parfaire l’implantation
Description conceptuel du modèle de simulation
Construction du modèle de simulation sur les principes suivants Un système de routage permettant la circulation dans les allées en respectant l’implantation physique du terrain Une multitude de zones de production générant des appels selon leurs caractéristiques propres Des moyens de manutentions répondant aux appels et circulant au sein du réseau défini
La système de routage
Machine « nœud » Appartenant à une allée horizontale Extrait du fond de plan
Machine « nœud » Appartenant à une allée verticale
Seuls les points caractéristiques des allées sont représentés : intersection, zone de dépose, zone de prise, quai, zone de stockage
Les zones de production
Une zone de production est le lieu de génération des appels Appel sur seuil de déclenchement
Composants Produits Finis
Film de Production Appel en appro Nomenclature
Zone de Production
Ref1 Qte1 Ref2 Qte2 C1
Ref 1 Ref 2
Appel en expédition
C2
C3
0.06 1
0.02
Temps Cycle
Nb Ref par Pal
Ref 1
0.002
12900
Ref 2
0.013
6000
Création de zones atypiques, ne répondant pas à ces critères : quais, traitement de surface
Moyens logistiques
Les équipes logistiques sont des caristes fonctionnant tâche par tâche
Définition des horaires de travail par équipe Les équipes sont affectées géographiquement sur les différentes zones de production et zones atypiques Gestion des appels sur le mode de fonctionnement existant : notion d’alerte et de tâche urgente
Aperçu vidéo
Résultats de simulation
Suivi horaire des besoins en ressources
Suivi horaire du nombre d’appels
En fonctionnement Hors fonctionnement En rupture d’appros
Taux de charge des zones de production
Conclusions
Les indicateurs de performances mis en place ont permis de répondre aux objectifs fixés
Validation du dimensionnement des équipes caristes
Vérification du trafic dans les allées de circulations
Vérification capacitaire sur les zones à quais
Réflexion sur un changement de l’organisation par simulation : mis en place de « Tournée »
Exemple 3 Ordonnancement
Résumé du cahier des charges •
•
Contexte : Le moyen de production considéré (un four) est régi par des contraintes technologiques et économiques très fortes, la gestion de stock en aval en subit les conséquences : comment optimiser le fonctionnement du moyen ? Objectif : Définir le programme de fabrication du four le plus adapté à la demande client
Données d’entrées •
Prévisions annuel de vente avec sa saisonnalité : le marché
Pâte
Fruit
Quantité
Feuil
Pomme
30 000
Sablé
Pomme
20 000
Brisé
Cerise
18 000
Sablé
Poire
25 000
Données d’entrées •
Données et contraintes du four Feuil
Sablé
Brisé
Rendement
100 / Jour
200 / Jour
300 /Jour
Lot Eco / Jour
4
6
3
Lot Eco / Jour
Changement de Pâte (Jours) ↓ de / vers->
Feuil
Sablé
Brisé
Changement de Fruit (Jours) ↓ de / vers->
Feuil 5
Brisé
8
Cerise
Poire
4
6
3
Cerise
Poire
1
2
Pomme
Pomme
4
Sablé
Pomme
6
Cerise
1
Poire
1
1 2
Fonctionnement du modèle de simulation •
A partir du marché prévisionnelle, de la saisonnalité et des contraintes d’expéditions (non présentées ici), il définit une matrice journalière de produits à expédier : Marché Objectif de la simulation
Feuil + Pomme
Sablé + Pomme
Brisé + Cerise
Sablé + Poire
01 / 01 / 2010
30
20
10
20
02 / 01 / 2010
35
15
5
30
…
• •
Le premier produit à lancer sur le four est laissé au choix de l’utilisateur Puis dès la fin du lot économique du premier produit choisi, un algorithme de décision (basé sur le principe de lancement du produit étant le plus en retard de production par rapport à son objectif) sélectionne le produit à lancer à nouveau (en respectant bien sur les contraintes définies)
Résultats de simulation •
•
Le programme de fabrication du four Jour de lancement de l’OF
Pâte
Fruit
Tps de changement
Volume
01/01/2010
Feuil
Pomme
4
400
09/01/2010
Sablé
Pomme
6
1200
…
…
…
…
…
L’encours du stock par Pâte, avec le niveau maximum atteint 25,000
35,000 30,000
20,000
25,000 15,000
10,000
20,000 15,000 10,000
5,000
5,000 0
0
Cumul Feuil Sablé Brisé
Exemple 4 Utilisation de la simulation dans le secteur hospitalier
Simulation hospitalière Service d’urgences Cadre :
Conception d’un nouveau service d’urgences Box réservés pendant la durée du séjour patient Objectif : Définir le nombre de box réservés aux différents services d’urgences Valider les besoins en personnel (dont les assistants en radiologie)
Simulation hospitalière Diagnostic pré-opératoire Cadre : Réorganisation d’un service pré-opératoire Objectif : Définir la capacité du service en nombre de lits Valider le besoin en personnel dédié Valider le besoin d’une machine à ultrason dédiée
Simulation hospitalière Blocs opératoires Cadre : Blocs en cours de reconception Objectif : Définir le nombre de blocs nécessaires et la capacité du service Définir le nombre de lits nécessaires dans les zones de réception et de suivi postopératoire Estimer la surface requise pour le service
Simulation hospitalière Flux logistiques automatisés Cadre :
AGV sizing 2:00 1:47
1:45
Duration of delivery sequences
Nouvel hôpital Automatisation partielle de la logistique (repas, linge, pharmacie, stérilisation) Objectif : Définir le nombre de véhicules requis Estimer les durées des missions
Breakfast delivery Breakfast clear away Lunch delivery Lunch clear away Diner delivery Diner clear away
1:30
1:15
1:00
1:26 1:16 1:07 0:57 0:52 0:45
0:45
0:30
0:26 0:26 0:26
0:28 0:28 0:28 0:29
0:31 0:31 0:32 0:32
0:34 0:35
0:37
0:48
0:40 0:41
0:15
27 26 25 24 23 22 21 20 19 18 17 16 15 14 13 12 11 10
Number of AGVs for catering
9
8
7
6
5
4
Simulation hospitalière Flux verticaux d’un nouvel hôpital Cadre : trois types de flux : visiteurs, médical et logistique Objectif : déterminer le nombre optimal de cages d’ascenseur par type de flux
Simulation hospitalière Flux verticaux et horizontaux Cadre :
conception de l’ensemble de la logistique en phase d’avant-projet trois types de flux : visiteurs, médical et logistique Objectif : - déterminer les ressources humaines nécessaires au traitement du flux logistique - déterminer le nombre optimal de cages d’ascenseur par type de flux - fournir des supports visuels de présentation pour le concours
VISITEURS PERSONNEL
LOGISTIQUE
Simulation hospitalière Laboratoire de biologie Cadre : Pré tri du futur laboratoire de Biologie Objectif : Mesurer l'influence de l'organisation sur le temps de service. Comparaison de différentes implantations et technologies Comparaison par rapport à la situation actuelle
Temps de service maxi tous labos Tps Service moyen Tous Labos
% Au dela de 32 mn
% Au dela de 60 mn
Nb PC
18 16 14 12 10 8 6 4
M
an u
Ac tu el ND M 11 an u ND 10 M an u ND M 9 an u ND M 8 an u ND 7 HB -4 3 HB Ba -4 HB 3 Ba P43 HB Ba I-4 HB 3 Ba VTo 43 us Fl ux 43
0
HB -3 HB 3 Ba P33 HB Ba -3 3 HB Ba I-3 HB 3 Ba VTo 33 us Fl ux 33
2
NS Conseil Nous contacter
Jérome NEAU Ingénieur Simulation Tel: +33 1 45 46 82 60 Email:
[email protected]
NS CONSEIL 12 Avenue Raspail GENTILLY Tel: +33 1 45 46 82 60 Web: http://www.nsconseil.fr
