Optimisation de la maintenance par la conception

robuste de la modularité : Application au torréfacteur

de soja
Aslain Brisco Ngnassi Djami

To cite this version:

Aslain Brisco Ngnassi Djami. Optimisation de la maintenance par la conception robuste de la mod-
ularité : Application au torréfacteur de soja. Génie mécanique [physics.class-ph]. Université de
Ngaoundéré (Cameroun), 2022. Français. �NNT : �. �tel-03517219�

HAL Id: tel-03517219

https://theses.hal.science/tel-03517219
Submitted on 7 Jan 2022

HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

archive for the deposit and dissemination of sci- destinée au dépôt et à la diffusion de documents
entific research documents, whether they are pub- scientifiques de niveau recherche, publiés ou non,
lished or not. The documents may come from émanant des établissements d’enseignement et de
teaching and research institutions in France or recherche français ou étrangers, des laboratoires
abroad, or from public or private research centers. publics ou privés.
 UNIVERSITE DE NGAOUNDERE THE UNIVERSITY OF NGAOUNDERE
ECOLE NATIONALE SUPERIEURE DES NATIONAL SCHOOL OF AGRO-
SCIENCES AGRO – INDUSTRIELLES INDUSTRIAL SCIENCES

DEPARTEMENT DE GENIE MECANIQUE

DEPARTMENT OF MECHANICAL ENGINEERING

Unité de Formation Doctorale - Physique Appliquée et Ingénierie

Optimisation de la maintenance par la conception robuste de la
modularité : Application au torréfacteur de soja
THESE
Présentée et soutenue publiquement le 20 novembre 2021 en vue de l’obtention
du diplôme de DOCTORAT/Ph.D.
Spécialité : Ingénierie des Equipements et Productique
Par :
NGNASSI DJAMI Aslain Brisco
Master en Sciences et Technologies – Génie Mécanique et Productique
Matricule : 12M081EN
Jury :

Noms et Prénoms Grade Membre Affiliation

M. KUITCHE Alexis Professeur Président Université de Ngaoundéré
M. DOKA YAMIGNO Serge Professeur Directeur Université de Ngaoundéré
M. NZIE Wolfgang Maitre de Conférences Directeur Université de Ngaoundéré
M. NTAMACK Guy Edgar Maitre de Conférences Rapporteur Université de Ngaoundéré
M. KENMEUGNE Bienvenu Maitre de Conférences Rapporteur Université de Yaoundé I
M. NTENGA Richard Maitre de Conférences Examinateur Université de Ngaoundéré

Année 2021
0
 DEDICACE

Je dédie ce modeste travail à la famille NGNASSI

i
 REMERCIEMENTS

Cette étude a été menée au sein l’Unité de Formation Doctorale de Physique Appliquée
et Ingénierie (UFD-PAI) de l’Ecole Nationale Supérieure des Sciences Agro-Industrielles
(ENSAI) de l’Université de Ngaoundéré, Cameroun.
Je rends grâce au Seigneur DIEU pour m’avoir accordé la santé, la force et l’intelligence
nécessaires pour l’accomplissement de ce travail. Que son nom soit loué !
Mes remerciements s’adressent également à plusieurs personnes qui ont rendu ce travail
de recherche possible. Je pense :
À Monsieur DOKA YAMIGNO Serge, Professeur Titulaire à l’Université de
Ngaoundéré et Monsieur NZIE Wolfgang, Maitre de Conférences à l’Université de
Ngaoundéré, tous deux directeurs de cette thèse. J’ai profité tout au long de mes années de thèse
de leur vivacité intellectuelle, de leur très grande rigueur scientifique ;
Au Professeur BEDA Tibi, Responsable du laboratoire de Mécanique, Matériaux et
Photonique (La2MP), où mes travaux de recherche ont été réalisés ;
Au Professeur KUITCHE Alexis, Responsable de l’unité de formation doctorale PAI-
ENSAI, pour m’avoir accueilli au sein de son école doctorale ;
Aux différents membres du jury, pour l’attention qu’ils ont portée à ce travail. Je vous
en suis très reconnaissant et vous prie de recevoir ici l’expression de ma profonde déférence.
Il me serait difficile d’oublier de remercier :
Le Professeur NSO Emmanuel Jong, Directeur de l’ENSAI qui a permis que cette thèse
soit soutenue dans son établissement ;
Le Docteur SAMON Jean Bosco, pour ses encouragements, son aide et ses précieux
conseils dans cette recherche.
Seront également remerciés :
Mes collègues du Laboratoire La2MP pour tout le soutien et les moments agréables passés
ensemble ;
Quelques étudiants de l’IUT et de l’ENSAI, pour avoir également contribué au rendu de ce
travail.
Je profite de cette occasion pour remercier particulièrement mon papa, Monsieur
NGNASSI Jean Claude et ma maman, Madame NKWETCHEU Odette pour tous les sacrifices
déployés jusqu’à ce jour pour que je puisse réaliser ce travail.

ii
 TABLE DES MATIERES

DEDICACE................................................................................................................................ i

REMERCIEMENTS ................................................................................................................ ii

TABLE DES MATIERES ...................................................................................................... iii

LISTE DES FIGURES............................................................................................................ ix

LISTE DES TABLEAUX ...................................................................................................... xii

LISTE DES ABREVIATIONS ............................................................................................ xiv

LISTE DES SYMBOLES ET LEURS UNITÉS DE MESURE ......................................... xv

RESUME ................................................................................................................................ xvi

ABSTRACT .......................................................................................................................... xvii

INTRODUCTION GENERALE ............................................................................................ 1

CHAPITRE I : ETAT DE L’ART ET PROBLEMATIQUE ............................................... 4

I.1 OPTIMISATION DE LA MAINTENANCE ............................................................... 5

I.1.1 La maintenance et ses attributs .................................................................................. 5

I.1.2 La fiabilité ..................................................................................................................... 5

I.1.2.1 Définition.................................................................................................................... 5

I.1.2.2 Indicateurs de la fiabilité .......................................................................................... 6

I.1.2.3 Maintenance dans une approche fondée sur la fiabilité ........................................ 7

I.1.3 La Disponibilité .......................................................................................................... 10

I.1.3.1 Définition.................................................................................................................. 10

I.1.3.2 Indicateurs (ou quantification) de la disponibilité ............................................... 10

I.1.4 La maintenabilité ....................................................................................................... 12

I.1.4.1 Définition.................................................................................................................. 12

I.1.4.2 Indicateurs de la maintenabilité ............................................................................ 13

I.1.4.3 Critères de maintenabilité ...................................................................................... 14

I.1.4.3.1 Critères contextuels.............................................................................................. 14

iii
I.1.4.3.2 Critères intrinsèques ............................................................................................ 15

I.2 RECENSION DES TRAVAUX SUR LA MODULARITE....................................... 23

I.2.1 Définition..................................................................................................................... 23

I.2.2 principes de construction d’un système modulaire ................................................. 24

I.2.3 Fondements de l’architecture modulaire d’un système .......................................... 26

I.2.3.1 L'approche système................................................................................................. 27

I.2.3.1.1 Concepts de système, d'entité et d'interaction ................................................... 27

I.2.3.1.2 Concept de vues .................................................................................................... 28

I.2.3.1.3 Concept d’architecture, de module et d’élément intégrateur .......................... 31

I.2.3.2 Conception modulaire des produits....................................................................... 33

I.2.3.2.1 Modularité et familles de produits ..................................................................... 33

I.2.3.2.2 Avantages et inconvénients de la conception modulaire .................................. 35

I.2.3.2.3 Méthodes de modularisation du produit ............................................................ 36

I.2.3.2.4 Outils matriciels de représentation d’une architecture DSM .......................... 41

I.2.3.2.4.1 Classification des DSM ..................................................................................... 41

I.2.3.2.4.2 Synthèse sur les types de DSM ......................................................................... 45

I.2.3.2.4.3 Les DSM numériques........................................................................................ 46

I.2.3.2.5 Positionnement du problème de la modularité.................................................. 50

I.3 ANALYSE BIBLIOGRAPHIQUE SUR LES METHODES DE CONCEPTION

ROBUSTE ........................................................................................................................... 50

I.3.1 Les origines de la conception robuste ....................................................................... 51

I.3.2 La conception robuste selon Taguchi ....................................................................... 51

I.3.2.1 La fonction perte ..................................................................................................... 51

I.3.2.2 Le ratio signal / bruit .............................................................................................. 52

I.3.3 Formulation du problème de conception robuste local .......................................... 53

I.3.3.1 Les variables de conception .................................................................................... 53

I.3.3.2 Les paramètres de conception environnementaux ............................................... 53

iv
 I.3.3.3 Les fonctions performances .................................................................................... 53

I.3.3.4 Exemples de formulation d’un problème de conception robuste ....................... 54

I.3.3.4.1 Exemple 1 : système de refroidissement d’une salle ......................................... 54

I.3.3.4.2 Exemple 2 : mécanisme articulé ......................................................................... 54

I.3.4 Définition d’une méthodologie de conception robust ............................................. 55

I.3.4.1 Recensement des incertitudes ................................................................................ 55

I.3.4.1.1 Différents types d’incertitudes ............................................................................ 55

I.3.4.1.2 Modélisation des incertitudes .............................................................................. 57

I.3.4.2 Méthodologie de propagation des incertitudes ..................................................... 57

I.3.4.2.1 Méthode de Monte-Carlo sur le code de calculs................................................ 58

I.3.4.2.2 Méthode de Monte-Carlo sur un modèle local .................................................. 60

I.3.4.2.3 Méthode FOSM .................................................................................................... 61

I.3.4.2.4 Méthode URQ ....................................................................................................... 62

I.3.4.3 Méthodes de conception robuste pour la résolution des problèmes

d’optimisation ..................................................................................................................... 64

I.3.4.3.1 Méthodes trouvant un compromis entre les objectifs ....................................... 65

I.3.4.3.2 Méthodes établissant le front de Pareto ............................................................. 66

I.3.4.4 Etude comparative des méthodes établissant le front de Pareto et des méthodes
recherchant un compromis entre les objectifs ................................................................. 73

I.4 PROBLEMATIQUE DE LA THESE ......................................................................... 74

I.5 METHODOLOGIE ...................................................................................................... 75

CHAPITRE II : CHOIX DE LA MEILLEURE SOLUTION DE CONCEPTION D’UN

SYSTEME AU MOYEN D’UN INDICE-MULTI PARAMETRES ................................. 76

II.1 INTRODUCTION ....................................................................................................... 76

II.2. METHODOLOGIE D’EVALUATION DE LA COMPLEXITE DE

DESASSEMBLAGE ........................................................................................................... 77

II.2.1Choix des paramètres de désassemblage ................................................................. 78

II.2.1.1 Paramètres susceptibles de représenter les contraintes de désassemblage ...... 78

v
 II.2.1.2 Paramètres représentant le désassemblage non destructif ................................ 82

II.2.1.2.1 Types de contacts ................................................................................................ 83

II.2.1.2.2 Types de combinaisons ....................................................................................... 85

II.2.1.2.3 Outils de désassemblage ..................................................................................... 85

II.2.1.2.4 Directions de désassemblage .............................................................................. 86

II.2.1.2.5 Qualification des opérateurs .............................................................................. 86

II.2.1.2.6 Équipements requis ............................................................................................ 87

II.2.1.3 Pondération des paramètres de désassemblage .................................................. 87

II.2.2 Identification des différents composants du système ............................................ 88

II.2.3 Graphes des liaisons ................................................................................................. 89

II.2.4 Possibilités de solutions ............................................................................................ 90

II.2.5 Proposition d’un indicateur d’évaluation de la solution de conception .............. 90

II.3 RESULTATS ............................................................................................................... 95

II.3.1. Identification des composants du système ............................................................. 95

II.3.1.1 FAST du torréfacteur de soja ............................................................................... 95

II.3.1.2 Vue éclatée du torréfacteur de soja ..................................................................... 96

II.3.2. Modélisation du produit par le graphe de liaisons ............................................... 98

II.3.3 Evaluation de la complexité de désassemblage .................................................... 100

II.4 CONCLUSION .......................................................................................................... 102

CHAPITRE III : PROPOSITION D’UN OUTIL QUI S’APPUIE SUR

L’ALGORITHME DE CLUSTERING ............................................................................. 103

III.1 INTRODUCTION.................................................................................................... 103

III.2 METHODOLOGIE DE L’ALGORITHME DE CLUSTERING EXISTANT .. 103

III.2.1 Modélisation du produit ....................................................................................... 103

III.2.2 Première étape de l’algorithme de clustering existant et choix d’une bonne

topologie ............................................................................................................................. 104

III.2.2.1 Première étape de l’algorithme de clustering existant ................................... 104

III.2.2.2 Choix d’une bonne topologie des modules ....................................................... 105

vi
 III.2.3 Deuxième étape de l’algorithme de clustering existant ..................................... 109

III.2.4 Troisième étape de l’algorithme de clustering existant ..................................... 112

III.2.4.1 La fonction d’enchère ........................................................................................ 112

III.2.4.2 La fonction Coût ................................................................................................ 113

III.2.4.3 Le recuit simulé .................................................................................................. 114

III.3 LIMITES DE L’ALGORITHME DE CLUSTERING EXISTANT ................... 115

III.4 NOUVEL ALGORITHME DE CLUSTERING ................................................... 117

III.4.1 Matrice structurelle de conception modifiée ...................................................... 119

III.4.2 Coefficients correcteurs du coût de couplage des modules ............................... 119

III.4.3 La fonction Coût ................................................................................................... 121

III.4.4 Identification des éléments intégrateurs ............................................................. 123

III.5 CONCLUSION ........................................................................................................ 123

CHAPITRE IV : VALIDATION DE L’ALGORITHME PROPOSE ............................ 125

IV.1 INTRODUCTION .................................................................................................... 125

IV.2 RESULTATS DE L’ALGORITHME DE CLUSTERING EXISTANT............. 125

IV.2.1 Modélisation du produit ....................................................................................... 125

IV.2.2 Première étape de l’algorithme de clustering existant et topologie des modules

............................................................................................................................................ 127

IV.2.2.1 Première étape de l’algorithme de clustering existant .................................... 127

IV.2.2.2 Choix d’une bonne topologie des modules ....................................................... 132

IV.2.2.2.1 Matrice de précédence des composants ......................................................... 132

IV.2.2.2.2 Changement de direction de désassemblage des modules ........................... 135

IV.2.2.2.3 Matrice de précédence des modules et Gamme de désassemblage ............. 138

IV.2.2.2.4 Topologie des modules du torréfacteur de soja ............................................ 143

IV.2.3 Deuxième étape de l’algorithme de clustering existant ..................................... 144

IV.2.3.1 Matrice structurelle de conception ................................................................... 144

IV.2.3.2 Quantification de la modularité ........................................................................ 148

vii
 IV.2.4 Troisième étape de l’algorithme de clustering existant ..................................... 153

IV.3 RESULTATS DE L’ALGORITHME PROPOSE ET DISCUSSION ................ 158

IV.3.1 Matrice structurelle de conception ...................................................................... 158

IV.3.2 Coefficients correcteurs ........................................................................................ 161

IV.3.3 Coût de couplage ................................................................................................... 166

IV.3.4 Identification des éléments intégrateurs du torréfacteur de soja ..................... 170

IV.3.5 Etude comparative du coût de couplage en fonction du nombre de modules . 175

CONCLUSION ................................................................................................................. 176

CONCLUSION GENERALE ET PERSPECTIVES ........................................................ 178

REFERENCES BIBLIORAPHIQUES .............................................................................. 180

ANNEXES ............................................................................................................................. 196

ANNEXE 1 : Schémas côté de la cuvette .......................................................................... 196

ANNEXE 2 : Schémas côté de l’axe du cylindre.............................................................. 197

ANNEXE 3 : Schémas côté du cylindre principal ............................................................ 198

ANNEXE 4 : Schémas côté de la trémie d’entrée ............................................................ 199

ANNEXE 5 : Schémas côté de la trémie de sortie ............................................................ 200

ANNEXE 6 : Torréfacteur de soja .................................................................................... 201

ANNEXE 7 : Torréfacteur de soja reconfiguré................................................................ 202

ANNEXE 8 : Quelques publications ................................................................................. 203

viii
 LISTE DES FIGURES
Figure 1: Mise en place d'une boucle d'amélioration et d’un retour d'expérience (Cotaina et
al., 2000) ..................................................................................................................................... 7
Figure 2: Méthodes de planification de démontage (Shana et Hung, 2015) ........................... 18
Figure 3 : Visualisation de la modularité ................................................................................ 24
Figure 4 : Allocation des fonctions aux constituants (Meinadier, 2002) ................................ 32
Figure 5 : Heuristiques pour l'architecture des fonctions ........................................................ 37
Figure 6 : Matrice Indication Module ..................................................................................... 40
Figure 7: Classification des DSM ........................................................................................... 41
Figure 8 : Exemple de DSM temporelle .................................................................................. 43
Figure 9 : Deux résultats de partitionnement d’une DSM ....................................................... 44
Figure 10 : Exemple de numérisation des DSM temporelles (Eppinger et al., 1994) ............. 47
Figure 11 : Exemple de DSM Produit (Pimmler et al., 1994) ................................................. 49
Figure 12 : Fonctions perte « double échelons » et « quadratique » ....................................... 52
Figure 13 : Système bielle-manivelle ...................................................................................... 55
Figure 14: Schéma de la "méthodologie de propagation d’incertitudes" (de Rocquigny et al.,
2008)......................................................................................................................................... 58
Figure 15 : Propagation des incertitudes par simulations de Monte-Carlo sur le code de
calculs ....................................................................................................................................... 59
Figure 16 : Propagation des incertitudes par simulations de Monte-Carlo sur un modèle ajusté
localement ................................................................................................................................ 61
Figure 17 : Propagation des incertitudes par la méthode FOSM ............................................ 62
Figure 18 : Illustration de la méthode d’intersection de limites normales .............................. 67
Figure 19 : Illustration de la méthode à objectifs pondérés .................................................... 68
Figure 20 : Illustration de la méthode génétique de tri basée sur la non-dominance .............. 70
Figure 21 : Illustration du Clustering en dimension 2. ............................................................ 71
Figure 22 : Synthèse des méthodes de conception robuste pour la résolution d’un problème
d’optimisation........................................................................................................................... 72
Figure 23 : Description de la méthodologie ............................................................................ 78
Figure 24:Structure d’un diagramme Pieuvre ......................................................................... 88
Figure 25:Structure d’un diagramme FAST ............................................................................ 89
Figure 26:Graphe des liaisons hybride (Li et al., 2002). ......................................................... 90
Figure 27:Diagramme pieuvre du torréfacteur de soja en phase d’utilisation ........................ 95

ix
Figure 28:Le FAST relative à la fonction torréfier. ................................................................ 96
Figure 29:Vue éclatée de la solution. ...................................................................................... 97
Figure 30:Graphe des liaisons de du torréfacteur de soja........................................................ 99
Figure 31:Exemple de matrice de précédence (Saïd, 2018) .................................................. 107
Figure 32: Matrice de précédence modifiée des composants (Saïd, 2018) ........................... 108
Figure 33:Organigramme du nouvel algorithme de clustering ............................................. 118
Figure 34:Regroupement en quatre modules du torréfacteur de soja .................................... 130
Figure 35:Regroupement en trois modules du torréfacteur de soja ....................................... 131
Figure 36:Regroupement en deux modules du torréfacteur de soja ...................................... 132
Figure 37:Matrice de précédence des composants du torréfacteur de soja à quatre modules.
................................................................................................................................................ 133
Figure 38:Matrice de précédence des composants du torréfacteur de soja à trois modules. . 134
Figure 39:Matrice de précédence des composants du torréfacteur de soja à deux modules. 135
Figure 40:Matrice de précédence modifiée du torréfacteur de soja à quatre modules. ......... 136
Figure 41:Matrice de précédence modifiée du torréfacteur de soja à trois modules. ............ 137
Figure 42:Matrice de précédence modifiée du torréfacteur de soja à deux modules. ........... 138
Figure 43:Matrice de précédence des quatre modules du torréfacteur .................................. 139
Figure 44:Matrice de précédence des trois modules du torréfacteur ..................................... 139
Figure 45:Matrice de précédence des deux modules du torréfacteur .................................... 139
Figure 46:Gamme de désassemblage complète du torréfacteur de soja à quatre modules. .. 140
Figure 47:Gamme de désassemblage complète du torréfacteur de soja à trois modules. ..... 141
Figure 48:Gamme de désassemblage complète du torréfacteur de soja à deux modules...... 142
Figure 49:Topologie des modules du torréfacteur de soja (pour quatre, trois et deux modules)
................................................................................................................................................ 143
Figure 50:DSM du torréfacteur de soja à quatre modules ..................................................... 144
Figure 51:DSM du torréfacteur de soja à trois modules ....................................................... 146
Figure 52:DSM du torréfacteur de soja à deux modules ....................................................... 147
Figure 53:Evolution du MSI des quatre modules avec l’algorithme existant ....................... 151
Figure 54:Evolution du MSI des trois modules avec l’algorithme existant .......................... 152
Figure 55:Evolution du MSI des deux modules avec l’algorithme existant ......................... 153
Figure 56:Evolution du coût des quatre modules avec l’algorithme existant ....................... 156
Figure 57:Evolution du coût des trois modules avec l’algorithme existant .......................... 157
Figure 58:Evolution du coût des deux modules avec l’algorithme existant .......................... 158
Figure 59:DSM numérique du torréfacteur de soja à quatre modules................................... 159

x
Figure 60:DSM numérique du torréfacteur de soja à trois modules ..................................... 160
Figure 61:DSM numérique du torréfacteur de soja à deux modules ..................................... 161
Figure 62:Etude comparative du MSI corrigé du torréfacteur à quatre modules et de celui
obtenu avec l’algorithme existant .......................................................................................... 163
Figure 63:Etude comparative du MSI corrigé du torréfacteur à trois modules et de celui
obtenu avec l’algorithme existant .......................................................................................... 165
Figure 64:Evolution du coût de couplage corrigé en fonction de la taille des quatre modules
................................................................................................................................................ 169
Figure 65:Architecture du torréfacteur de soja avec les éléments intégrateurs ..................... 172
Figure 66:Correction du MSI avec et sans les éléments intégrateurs .................................... 173

xi
 LISTE DES TABLEAUX

Tableau 1 : Critères contextuels (Menye, 2009) ..................................................................... 14

Tableau 2 : Synthèse des principes de constructions modulaires............................................ 26
Tableau 3 : Les critères de modularité dans la méthode MFD ............................................... 38
Tableau 4 : Taxonomie des interactions du Produit (Pimmler et Eppinger, 1994) ................. 44
Tableau 5 : Taxonomie des interactions entre acteurs (Sosa et al., 2004) .............................. 45
Tableau 6 : Récapitulatif des caractéristiques des DSM ......................................................... 45
Tableau 7 : Métrique pour les DSM Produit (Pimmler et Eppinger, 1994) ............................ 49
Tableau 8 : Les paramètres influençant le désassemblage et les références correspondantes 81
Tableau 9 : Zones de contacts, liaisons associées et efforts transmissibles. ........................... 83
Tableau 10:Types de contacts. ................................................................................................ 84
Tableau 11:Type de combinaisons .......................................................................................... 85
Tableau 12:Outils de désassemblage. ..................................................................................... 85
Tableau 13:Nombre de directions de désassemblage .............................................................. 86
Tableau 14:Qualifications des opérateurs ............................................................................... 86
Tableau 15:Équipements requis. ............................................................................................. 87
Tableau 16:Pondérations des paramètres de désassemblage. ................................................. 88
Tableau 17:Seuils de satisfaction de l’indicateur de fixations faciles ..................................... 90
Tableau 18:Exemple des coefficients associés aux nombres de directions d’accès ............... 93
Tableau 19:Exemple des coefficients associés aux outils de désassemblage ......................... 93
Tableau 20:Exemple des coefficients associés aux types de contacts .................................... 93
Tableau 21:Exemple des coefficients associés à aux types de combinaisons ......................... 94
Tableau 22:Exemple des coefficients associés à la qualification des opérateurs .................... 94
Tableau 23:Exemple des coefficients associés aux équipements requis ................................. 94
Tableau 24:Fonctions de services. .......................................................................................... 95
Tableau 25:Légende des composants. ..................................................................................... 97
Tableau 26:Evaluation des liaisons entre les composants avec le nouveau modèle. ............ 100
Tableau 27:Bilan de l’évaluation avec le nouveau modèle ................................................... 101
Tableau 28:Evaluation des liaisons entre les composants avec l’ancien modèle. ................. 101
Tableau 29:Bilan de l’évaluation avec l’ancien modèle ....................................................... 102
Tableau 30:Matrice de précédence pour les modules (Saïd, 2018) ...................................... 108
Tableau 31:Modifications de la matrice structurelle de conception ..................................... 119
Tableau 32:Matrice de relations du torréfacteur de soja ....................................................... 126

xii
Tableau 33:Première transformation de la matrice de relations ............................................ 128
Tableau 34:Deuxième transformation de la matrice de relations .......................................... 128
Tableau 35:Troisième transformation de la matrice de relations .......................................... 129
Tableau 36:Codification des composants du torréfacteur à quatre modules ......................... 145
Tableau 37:Nouvelle Codification des composants du torréfacteur à trois ou à deux modules
................................................................................................................................................ 148
Tableau 38:Degré de modularité des quatre modules du torréfacteur avec l’algorithme
existant ................................................................................................................................... 150
Tableau 39:Degré de modularité des trois modules du torréfacteur avec l’algorithme existant
................................................................................................................................................ 151
Tableau 40:Degré de modularité des deux modules du torréfacteur avec l’algorithme existant
................................................................................................................................................ 152
Tableau 41:Coût de couplage des quatre modules du torréfacteur avec l’algorithme existant
................................................................................................................................................ 155
Tableau 42:Coût de couplage des trois modules du torréfacteur avec l’algorithme existant 157
Tableau 43:Coût de couplage des deux modules du torréfacteur avec l’algorithme existant157
Tableau 44:Coefficients correcteurs du coût de couplage du torréfacteur à quatre modules 163
Tableau 45:Coefficients correcteurs du coût de couplage du torréfacteur à trois modules .. 164
Tableau 46:Coefficients correcteurs du coût de couplage du torréfacteur à deux modules .. 165
Tableau 47:Synthèse des coûts générés par l’algorithme existant et le nouvel algorithme sur
les quatre modules du torréfacteur ......................................................................................... 168
Tableau 48:Synthèse des coûts générés par l’algorithme existant et le nouvel algorithme sur
les trois modules du torréfacteur ............................................................................................ 170
Tableau 49:Synthèse des coûts générés par l’algorithme existant et le nouvel algorithme sur
les deux modules du torréfacteur ........................................................................................... 170
Tableau 50:Coefficients correcteur du torréfacteur de soja avec prise en compte des éléments
intégrateurs ............................................................................................................................. 172
Tableau 51:Coûts de couplage corrigé du torréfacteur de soja avec prise en compte des
éléments intégrateurs .............................................................................................................. 174
Tableau 52:Synthèse des coûts générés par l’algorithme de clustering proposé avec et sans
éléments intégrateurs .............................................................................................................. 174
Tableau 53:Comparaison des configurations obtenues avant et après implémentation de
l’algorithme de clustering amélioré ........................................................................................ 175
Tableau 54:Variation du coût de couplage du torréfacteur avec le nombre de modules ...... 176

xiii
 LISTE DES ABREVIATIONS
AdD: Arbre de Défaillance
AFNOR : Association Française de Normalisation
AMDE : Analyse des Modes de Défaillance et leurs Effets
AMDEC : Analyse des Modes de Défaillance, de leurs Effets et de leur Criticité
BD : Bloc Diagramm
CA : Component Accessibility
CAO : Conception Assistée par Ordinateur
DSM : Design Structure Matrix
FAST: Function Analysis System Technique
FOSM: First Order Second Moment
IC: Indice de Couplage
IEC: International Electrotechnique Commission
IEEE: Institute of Electrical and Electronics Engineers
Iff : Indice de Fixations Faciles
MFD: Modular Function Deployment
MIM : Module Indication Matrix
MMT : Temps Moyen des Actions Préventives ou Correctives
MSI: Module Strength Indicator
MTBF: Mean Time Between Failure
MTBM : Mean Time Between Maintenance
MTI : Moyenne des Temps d’Indisponibilité
MTL : Moyenne des Temps Logistique
MTTR : Moyenne des Temps Techniques de Réparation
NASA : National Aeronautics and Space Administration
NF : Norme Française
OMF : Optimisation de la Maintenance par la Fiabilité
QFD: Quality Function Deployment
RCM: Reliability Centered Maintenance
RT : « Ready Time » ou Temps Moyens d’Attente
SMI: Singular Value Modularity Index
TPM: Total Productive Maintenance
URQ : Univariate Reduced Quadrature
xiv
 LISTE DES SYMBOLES ET LEURS UNITÉS DE MESURE
Ai : facteur d’accessibilité du composant Ci,
Aji : facteur d’accessibilité du connecteur de type j fixant le composant Ci,
di : distance de déplacement du composant Ci pour le démonter de l’ensemble,
DC : coût de démontage,
Fi : facteur de force du composant Ci,
f(t) : densité de probabilité de temps avant défaillance ,
g(t) : densité de réparation en fonction du temps (t),
K0 : facteur constant tenant compte de l’espace, l’outillage, etc.,
Ks : facteur constant tenant compte de la sécurité du composant,
Kt : temps standard pour déplacer un composant de poids (masse) inférieure à Kw à une distance
di,
Kw : poids (masse) standard limite que peut soulever un opérateur source (lifting source),
LR : coût horaire,
M(t) : maintenabilité instantané,
𝑵𝒊,𝒋 : nombre de connecteurs de type j fixant le composant Ci,
Oi : facteur d’orientation du composant Ci,
Oji : facteur d’orientation du connecteur de type j fixant le composant Ci,
R(t) : fiabilité instantané,
Tj : temps standard de démontage d’un connecteur de type j fixant Ci,
Wi : poids (masse) du composant Ci,
λ(t) : taux de défaillance(pannes /heure),
𝝁(𝒕) : taux de réparation (réparations /heure).

xv
 RESUME
Pour un équipement donné, la connaissance de son architecture modulaire présente
l’avantage de faciliter sa maintenance. En effet, lors d’un problème relevant de la maintenance,
on n’agit pas sur tout l’équipement, sauf sur le module défaillant et on gagne aussi en temps
pour détecter le défaut observé. Cependant, la définition d’une bonne architecture est
conditionnée par un choix judicieux des paramètres de conceptions, plus spécifiquement des
paramètres de désassemblage du fait que lors la phase initiale de conception, on intègre de plus
en plus les contraintes de désassemblage pour garantir une bonne désassembilité des
équipements pour des fins de maintenance. Suite aux difficultés majeures de maintenance des
systèmes de topologies complexes, la conception modulaire est donc un atout pour les
entreprises. D’autre part, la conception modulaire bien qu’elle présente des avantages de
standardisation et de reconfigurabilité est énormément onéreuse, ce qui nécessite plus de
ressources, plus de temps et plus de travail des concepteurs. Cela engendre des conséquences
sur la maintenance des équipements, car plus les modules de l’équipement sont complexes ou
plus denses, plus la maintenance est couteuse. Il est donc question dans cette thèse d’améliorer
la maintenance par la conception de la modularité. L’atteinte de cet objectif passe par une
méthodologie qui consiste d’abord à évaluer la meilleure solution de conception pour apprécier
la pertinence des contraintes de conceptions choisies, ensuite développer un outil qui s’appuie
sur l’algorithme de clustering existant , en ayant au préalable présenté les limites de
l’algorithme de clustering existant et enfin valider l’outil proposé en observant une réduction
en coûts de couplage des modules pour garantir une bonne maintenance et déduire une
reconfiguration de l’équipement.

Mots-clés : Conception robuste, Optimisation, Maintenance, Modularité

xvi
 ABSTRACT
For a given piece of equipment, knowing its modular architecture has the advantage of
facilitating its maintenance. Indeed, during a maintenance problem, we do not act on all the
equipment, except on the faulty module and we also gain time to detect the observed fault.
However, the definition of a good architecture is conditioned by a judicious choice of the design
parameters, more specifically of the disassembly parameters because during the initial design
phase, the constraints of disassembly are increasingly integrated to guarantee a good
disassembly of equipment for maintenance purposes. Following the major difficulties in
maintaining complex topology systems, the modular design is therefore an asset for companies.
On the other hand, the modular design although it has advantages of standardization and
reconfigurability is enormously expensive, which requires more resources, more time and more
work of the designers. This has consequences for the maintenance of the equipment, because
the more complex or denser the modules of the equipment, the more expensive the maintenance
is. This thesis therefore aims to improve maintenance by designing modularity. Achieving this
objective requires a methodology which consists first of evaluating the best design solution to
assess the relevance of the design constraints chosen, then developing a tool which is based on
the existing clustering algorithm, by having first presented the limits of the existing clustering
algorithm and finally validate the proposed tool by observing a reduction in module coupling
costs to guarantee good maintenance and deduce reconfiguration of the equipment.

Keywords: Robust design, Optimization, Maintenance, Modularity

xvii
 INTRODUCTION GENERALE
La préoccupation majeure des industries manufacturières, il y a quelques années encore,
résidait essentiellement dans l’optimisation du triptyque coût/qualité/délai. Aujourd’hui, pour
rester compétitives, les entreprises doivent s’adapter aux changements qui s’opèrent dans le
marché où elles évoluent. Ce marché est caractérisé par une demande de produits (systèmes) de
plus en plus personnalisés, de qualité sans cesse croissante, disponibles en un minimum de
temps, aux moindres coûts et respectueux de l’environnement. On comprend, dès cet instant,
que toute cause d’arrêt du système de production due par exemple à un problème de
maintenance est mal perçue et peut être à l’origine de tensions entre acteurs de production et
chefs d’entreprises. C’est dans ce contexte que s’est développée ces dernières années une
approche par la modularité pour certaines structures industrielles. Grâce aux stratégies de la
conception modulaire, les entreprises proposent des produits issus de l’assemblage d’éléments
standards et spécifiques, permettant ainsi d’obtenir des produits personnalisés. Ces stratégies
constituent un bon compromis entre la pratique de la fabrication sur mesure et la standardisation
de produits et processus (Jose et Tollenaere, 2005). La fabrication sur mesure vise à la
satisfaction stricte de chaque besoin, mais conduit à une augmentation des coûts de production.
Quant à la standardisation, qui vise à proposer un produit unique permettant de satisfaire un
ensemble de besoins. Elle permet de diminuer le nombre de références à gérer et d’augmenter
les quantités de chaque composant avec les conséquences de réduction de la complexité dans
le système de fabrication. Elle présente l’inconvénient de proposer des produits
surdimensionnés. En effet, aux composants communs utilisés dans la fabrication des produits
divers, sont ajoutés des fonctions pas toujours utiles.

Un outil d’aide à la conception de modules industriels (pour les faisceaux électriques

automobiles) a été proposé dans (Agard et Tollenaere, 2002). Il permet d’assurer une diversité
fonctionnelle totale des produits finis, en s’appuyant à la fois sur la description du produit et les
processus de production. Un compromis est alors recherché entre la taille des modules à réaliser
et les coûts de production pour l’assemblage final des produits sous une contrainte de temps
d’assemblage final liée à une livraison synchrone.

Optimiser la maintenance des systèmes de production reviendrait donc à optimiser la

modularité des composants de ses derniers. En effet, vu la topologie des systèmes de plus en
plus complexes, et vu ce changement de technologie qui est sans cesse croissant au fil du temps,
il est opportun pour des concepteurs de mettre sur pieds des systèmes facilement modulables et
1
à moindre coût de couplage des modules, de façon à ce qu’à la survenance d’un
dysfonctionnement relevant d’un problème de maintenance, on ne soit plus contraint d’agir sur
tout le système si ce n’est sur le module défectueux (à moindre temps de désassemblage ou
d’assemblage des composants du module concerné) , et ceci afin de ne pas altérer la fonction
principale du système de production.

L’optimisation de la modularité est fortement corrélée à l’amélioration de la

maintenance des produits au cours de leur utilisation. En effet, plus les sous-ensembles
(modules) des produits (systèmes) sont de grandes tailles, donc plus complexes, plus ils
nécessitent de contraintes et de ressources lors d’une opération de maintenance. Ce qui rend
ainsi difficile la maintenance. Dans ce contexte, les chercheurs sont amenés à développer des
méthodes de conception robustes permettant d’augmenter le degré de modularité à l’intérieur
des modules et de réduire le coût de couplage des modules. Ainsi, ce projet de recherche intitulé
''Optimisation de la maintenance par la conception robuste de la modularité : Applications ''
évoque la problématique de difficultés de maintenance à cause d’une mauvaise modularité.

Dans cet optique, l’objectif principal de ce travail de recherche est d’ ≪ Améliorer la

maintenance par la conception de la modularité ≫.

Ainsi, cet objectif à poursuivre se décline en trois objectifs spécifiques :

 Evaluer la solution de conception la plus respectueuse des contraintes de

désassemblage ;
 Proposer un outil qui améliore au mieux la modularité ;
 Valider l’outil proposé par une application.

Les hypothèses formulées sont données comme suit :

o H1 : Les éléments appartenant à un module interagissent faiblement avec les éléments

appartenant à d’autres modules ;
o H2 : Les interactions d’un module sont une fonction décroissante de la taille des
modules ;
o H3 : La prise en compte des éléments intégrateurs améliore la modularité.

La démarche à suivre pour atteindre les objectifs est donnée comme suit :

Faire un état de l’art sur les méthodes de conception robustes ;

2
 Identifier et évaluer les paramètres de désassemblage qui conduisent à une
solution de conception satisfaisante ;
Présenter les fonctionnalités de la méthode de conception robuste sur laquelle
on s’appui, et en dégager les limites.

Sommairement, le présent mémoire retraçant nos recherches est composé de quatre chapitres
articulées comme suit :

Un état de l’art, subdivisé en trois parties, dont la première traite de l’optimisation de la

maintenance pour nous conduire finalement à la présentation des critères de maintenabilité
contextuels et intrinsèques. Dans la seconde partie, nous nous intéressons à la branche ’’critères
de maintenabilité intrinsèques’’ pour ensuite nous focaliser sur la modularité, afin d’exposer
les travaux scientifiques qui traitent de la modularité. La dernière partie quand-à-elle, fait une
analyse bibliographique sur les méthodes de conception robuste pour la résolution des
problèmes d’optimisation, afin de choisir judicieusement celle à utiliser et à améliorer dans le
cadre de ce travail de recherche. Nous dégageons ensuite la problématique issue de la limite
des travaux de la littérature.

Une démarche d’évaluation de la meilleure solution de conception d’un produit, au moyen d’un
indice-multi paramètres qui tient compte des paramètres de désassemblages et une application.

Une présentation des fonctionnalités de l’algorithme de clustering, permettant la définition

d’une architecture modulaire des produits, d’évaluer le degré de modularité et de calculer les
coûts de couplage des modules dès la phase préliminaire du processus de conception et le
développement d’un outil qui s’appuie sur l’algorithme de clustering existant, en ayant au
préalable présenté les faiblesses de l’algorithme existant, déployé dans la littérature.

Une validation de l’outil proposé, en ajustant le degré de modularité et le coût de couplage des
modules et en générant une architecture et reconfiguration optimale du produit.

3
 CHAPITRE I : ETAT DE L’ART ET PROBLEMATIQUE

La performance d’un système industriel est fortement corrélée à sa fiabilité, sa

disponibilité et donc à sa maintenabilité, qui sont les principaux paramètres constitutifs de la
maintenance. Dans la mesure où les activités de maintenance font partie du cycle de vie d’un
produit, il est impératif que ces activités, plus visibles en exploitation, soient prises en compte
dès la conception, jusqu’à leur démantèlement (Lyonnet et al., 1998 ; Tollenaere, 1998). Les
problèmes liés à la maintenance constituent un frein important à la disponibilité des
équipements (Samon, 2018). Selon Starkey (1989), il est courant que les équipements de valeur
soient abandonnés pour les problèmes mineurs. La conception de certains matériels et la
politique des constructeurs ne facilitent pas toujours la commande de certaines pièces
détachées, d’où la nécessité d’avoir recours aux pièces d’occasion.

La maintenance a donc pour objectif principal la maîtrise du potentiel de production de

l’entreprise, en assurant la sécurité des personnes et des biens. Elle ne doit donc pas seulement
intervenir lors de l’exploitation des équipements, par des actions correctives et préventives ;
elle a ainsi un rôle important à jouer (Monchy, 1987) : en amont de l’exploitation, lors de la
phase de conception et en aval, lors de la phase de démantèlement. En effet, les caractéristiques
de fiabilité et de maintenabilité, conditionnant la disponibilité de l’équipement, sont définies en
conception. Il est important d’utiliser les connaissances de la maintenance lors de la conception
d’un nouvel équipement et lors du démantèlement. La prise en compte des problèmes rencontrés
par la maintenance, comme la modularité complexe, est une aide à l’amélioration de la
maintenabilité d’un équipement lors de la conception. Ainsi, afin d’éviter la formation des
modules de trop grandes tailles, il faudrait corriger les coûts de couplage des modules au moyen
de certains coefficients correcteurs. La maintenance doit donc permettre d’atteindre les objectifs
de productivité, de rentabilité et de croissance. Pour y parvenir, elle doit notamment maîtriser
ses équipements de production dans les dimensions technique, économique et sociale (Boucly
et al., 1987).

Dans la suite de ce chapitre, nous parlerons d’abord de l’optimisation de la maintenance

pour enfin chuter vers la présentation des critères de maintenabilité contextuels et intrinsèques.
Ensuite, dans la branche Critères de maintenabilité intrinsèques qui se construis mieux en
conception, nous nous intéresserons à la modularité pour positionner le problème de modularité.
Enfin, nous ferons un état de l’art sur les méthodes de conception roustes, afin de dégager la
problématique de notre travail de recherche.
4
I.1 OPTIMISATION DE LA MAINTENANCE
I.1.1 La maintenance et ses attributs
Selon l’AFNOR par la norme NF X 60-010, la maintenance se définit comme étant
l’ensemble des actions permettant de maintenir ou de rétablir un bien dans un état spécifié ou
en mesure d’assurer un service déterminé. Bien maintenir, c’est assurer l’ensemble de ces
opérations au coût optimal.

D’une manière générale, la maintenance a pour objet de garantir l’état de bon

fonctionnement de l’outil de production et d’assurer ainsi sa disponibilité. Il va de soi que la
maintenance sera d’autant plus efficace qu’elle sera capable d’anticiper les défaillances du
système.
Jusqu’à un passé récent, la maintenance industrielle n’était perçue que comme une
obligation, un poids pour les entreprises et exclusivement une source de dépenses. Les
opérations de maintenance ont certes, un coût, mais lorsqu’elles sont intelligemment organisées
et gérées, elles contribuent aussi à la création de valeur. Les améliorer permet donc à l’entreprise
d’être plus performante et mieux armée face à la concurrence. L’optimisation de la maintenance
passe notamment par :

 La mise en œuvre d’une stratégie adaptée aux spécificités de l’entreprise ;

 L’amélioration des procédures et canaux d’échanges entre les acteurs : responsables,
opérateurs, techniciens de maintenance, etc.

Afin de déterminer la politique de maintenance adéquate, il est au préalable nécessaire de

connaitre les trois principaux attributs de l’équipement qui sont la fiabilité, la disponibilité et la
maintenabilité.

I.1.2 La fiabilité
I.1.2.1 Définition
La fiabilité est ≪l’aptitude d’une entité à accomplir une fonction requise ou à satisfaire
les besoins des utilisateurs, dans des conditions données, pendant une durée donnée (AFNOR,
1988)≫. Le terme est un néologisme introduit dans les années 60 pour traduire le terme anglo-
saxon « reliability » et si on accepte de la considérer comme une science, la fiabilité est la
science des défaillances (Pagès et Gondran, 1980).

La défaillance se définit comme étant « l’altération ou la cessation d’un bien à

accomplir la fonction requise » (AFNOR NF X 60-011). Suite à une défaillance, le bien peut

5
être indisponible ou sa performance peut tomber en dessous d’un seuil défini : il est alors
incapable d’assurer les fonctions requises, ce qui est évalué au regard de critères simples, d’une
part de défaillance potentielle dont le seuil associé est choisi de telle manière que si la
dégradation ne l’atteint pas, le risque de défaillance avant une autre visite est acceptable et qu’il
n’est pas nécessaire d’intervenir ; et d’autre part de dégradation qui se définit comme un état
du produit ou du système présentant une perte de performance de l’une des fonctions assurées
par le produit (AFNOR, 1988). Si les performances sont en dessous du seuil d’arrêt défini dans
les spécifications fonctionnelles, il n’y a plus dégradation mais défaillance (Nzié, 2006).

I.1.2.2 Indicateurs de la fiabilité

Ce paragraphe est un recueil des principaux indicateurs utilisés pour estimer le niveau de
fiabilité d’un système. Nous pouvons trouver plus de détails dans les ouvrages (Military
Handbook – 217F, 1991 ; Ireson et al., 1995 ; IEC 61703, 2001 ; Nzié, 2006). Le choix d’un
indicateur dépend de plusieurs facteurs tels que la nature du système (réparable ou non
réparable) et l’utilisation prévue. Quelques-uns sont présentés ci-dessous.

 Le taux de défaillance ou taux de panne

Connaissant le taux de défaillance 𝜆(𝑡), on évalue la fiabilité par la relation ci-dessous où f(t)
est la densité de probabilité de défaillance :
t

R(t )  P(T  t )   f ( x )dx  e 0

   ( x ) dx
t (1)

 Le ratio (nombre d’équipements N(t) encore en état / nombre d’équipements N0 testés)

Ce ratio permet d’évaluer la fiabilité par la relation :
N (t )
R(t )  (2)
N0
 La MTBF (Mean Time Between Failure)
A partir de la fiabilité, on calcule la MTBF par la relation (3).
 
MTBF   tf (t )dt   R(t )dt
0 0
(3)

On évalue également la MTBF comme le rapport entre la durée cumulée de bon fonctionnement
et le nombre de défaillances observées.
 La durée de vie utile
Gittard (2009) présente quelques méthodes permettant d’estimer la fiabilité d’un système.
Parmi ces méthodes, nous avons les arbres de défaillance (AdD), le bloc-diagramme de fiabilité

6
(BD), l’Analyse des Modes de Défaillance et leurs Effets (AMDE) et l’Analyse des Modes de
Défaillance, de leurs Effets et de leur Criticité (AMDEC).
Plusieurs secteurs d’activités, par exemple les secteurs pétrolier et nucléaire, et de nombreuses
entreprises comme EDF (Électricité de France) disposent des bases de données de fiabilités des
équipements qu’ils utilisent (Military Handbook – 217F, 1991 ; Smith, 2005).

I.1.2.3 Maintenance dans une approche fondée sur la fiabilité

Plusieurs auteurs dans la littérature se sont intéressés à cet aspect. C’est le cas par
exemple de la NASA (2000) qui propose une approche efficace dans le cadre d’une activité de
maintenance fondée sur la fiabilité. L’EC 60300-3-11(1999) qui constate que l’analyse des
politiques de maintenance dans l’industrie du transport aérien à la fin des années 60 et au début
des années 70 a conduit au développement du concept RCM (Reliability Centered Maintenance)
qui a fait l’objet de directives. En France, on retrouve cette démarche chez Electricité de France
avec la mise en œuvre d’une démarche dite « Optimisation de la Maintenance par la Fiabilité
(OMF) » (Zwingelstein, 1996 ; Despujols, 2004). Cette approche est un concept continu
recueillant des données de performance sur les systèmes (Figure 1).

Figure 1: Mise en place d'une boucle d'amélioration et d’un retour d'expérience (Cotaina et
al., 2000)
Yousfi (2014) définit l’OMF comme une méthode d’aide à la décision pour élaborer le
programme de maintenance préventive d’une installation, en respectant des contraintes et en
optimisant des critères. Les critères sont généralement : la disponibilité, la qualité du produit ou

7
du service rendu et les coûts d’exploitation. Parmi les contraintes, on trouve notamment la
sécurité des personnes et la préservation de l’environnement…

L’OMF permet de déterminer : où des actions préventives sont nécessaires (sur quels
matériels) ; quelles sont les actions à effectuer ; quand (avec quelle fréquence) doit-on les
réaliser. Pour cela, elle propose trois grandes phases (Yousfi, 2014) :

Une phase d’analyse du retour d’expérience, qui consiste à rechercher ce qui s’est
passé sur les matériels (en termes de fiabilité, de disponibilité et de coûts), et ce qui a
été fait comme actes de maintenance ou comme modifications.
Une phase d’évaluation des risques, qui consiste à envisager les événements graves
qui pourraient se passer (le possible), et qui met en œuvre les techniques d’analyse du
fonctionnement et du dysfonctionnement. Ce travail, qui se rapproche de celui du
concepteur, est ensuite complété par une prise en compte de l’historique de maintenance
plus proche de la vision de l’exploitant. Le possible et l’observé permettent d’envisager
le probable. C’est pour prévenir les défaillances qui présentent une gravité et qui ont des
chances de se produire qu’il faudra envisager d’effectuer des tâches de maintenance
préventive.
Une phase d’optimisation de la maintenance, qui détermine les tâches à effectuer et
leur fréquence en envisageant éventuellement des améliorations ou des modifications.

D’autre auteurs dans la littérature se sont intéressés à l’allocation de la fiabilité pour

l’optimisation de la maintenance. L’allocation de fiabilité se définit comme un processus qui
permet de traduire les exigences de fiabilité du système en exigences de fiabilité des composants
(Military Handbook – 338B, 1998). La littérature présente plusieurs méthodes d’allocations de
la fiabilité (Kececioglu, 1991 ; Ebeling, 1997 ; Military Handbook – 338B, 1998). Quelques-
unes sont présentées ci-dessous :
 Allocation équitable
Cette méthode attribue la même importance aux composants et leur attribue une même
exigence de fiabilité. Pour un système série de N composants dont les taux de pannes sont
constants, l’allocation équitable conduit à :

Ri  N RS (4)

Ou bien

S
 
i (5)
N

8
Où 𝑅𝑆∗ et 𝑅𝑖∗ (ou 𝜆𝑆∗ et 𝜆∗𝑖 ) sont respectivement l’exigence de fiabilité (ou de taux de panne) du
système et l’exigence alloué au composant i.
 Techniques des efforts égaux
L’idée ici est d’évaluer l’exigence de fiabilité allouée au système, connaissant la fiabilité
de chaque composant i du système en effectuant un produit des fiabilités des N composants.
N
RS   Ri (6)
i 1

 Méthode ARINC (Aeronautical Radio, Incorporated)

Cette méthode a été proposée par (Alven, 1964). Elle suppose que les composants sont
indépendants, en série et ont un taux de panne constant.
Pour un taux de défaillance prévisionnel constant (𝜆𝑖 = 𝑐𝑠𝑡𝑒),
 Le facteur de pondération est donné par :
i
wi  N
(7)
i 1
i

 Le taux de défaillance alloué est donné par :

i  wi .S (8)

 La fiabilité allouée est donnée par :

 
Ri  RS
wi
(9)

𝜆𝑖 : taux de panne initial du composant i. 𝜆𝑖 peut être obtenu par exemple à partir des bases de
données.

Chaque composant se voit allouer une exigence de taux de panne proportionnel à son taux
de panne initial.
 Méthode de faisabilité technique
Pour un système de N sous-systèmes i donné et en considérant chaque sous-système, l’idée
ici est de pouvoir évaluer son facteur de poids (𝑤𝑖 ), son facteur de complexité (𝐶𝑖 ) et son taux
de défaillance alloué (𝜆𝑖 ). L’évaluation de ces paramètres nécessite la connaissance de quatre
paramètres variant de 0 à 10 qui sont :
- de complexité, noté (𝑊1 ) ;
- d’état de l’art (𝑊2 ) ;
- de temps d’utilisation (𝑊3 ) ;
- de sévérité d’environnement (𝑊4 ) .

9
  Le facteur de poids du sous-système est donné par :
wi  W1i  W2i  W3i  W4i (10)
 Le facteur de complexité du sous-système est donné par :
wi
Ci  N
(11)
w
i 1
i

 Son taux de défaillance alloué est :

i  S .Ci (12)

𝜆𝑆 représente le taux de défaillance du système considéré.

D’autres méthodes peuvent être consultées dans les travaux de (Kececioglu, 1991 ;
Boyd, 1992 ; Military Herdbook – 338B, 1998) ; Subba et al., 1999) : la Méthode AGREE
(Advisory Group on Reliability of Electronic Equipment) ; l’algorithme de minimisation des
efforts ou la méthode Karmiol ; la méthode de Boyd ou de Combinaison d’allocation équitable
avec la méthode ARINC et l’allocation optimale de la fiabilité.
I.1.3 La Disponibilité
I.1.3.1 Définition
La norme IEC 50-191 (1990) définit la disponibilité comme étant la « probabilité pour
que l'équipement ou le système utilisé dans les conditions prévues soit en état d'accomplir une
fonction requise à un instant donné ».
Une autre définition similaire est proposée par Ait-Kadi (2007) qui définit la
disponibilité instantanée comme «la probabilité que le système soit en état d’opération à un
instant t et ce, indépendamment des états précédents ».
Si les durées de vie et les durées de réparation suivent une distribution exponentielle
avec respectivement un taux de panne λ et un taux de réparation µ, tous constants, la
disponibilité instantanée est donnée par l’expression (13).
 
A(t )   e   t (13)
 
I.1.3.2 Indicateurs (ou quantification) de la disponibilité
La disponibilité peut se mesurer :
 sur un intervalle de temps [0, 𝑇]donné (disponibilité moyenne), A(T) :
T
1
A(T ) 
T  A(t )dt
0
(14)

10
 La disponibilité moyenne peut être généralisée sur un intervalle de temps [𝑡1 , 𝑡2 ] ,
représentant par exemple une mission. On parle alors de disponibilité de mission, 𝐴𝑡2 −𝑡1 .
t2
1
At2 t1 
T  A(t )dt
t1
(15)

 à un instant donné (disponibilité instantanée) , A(t);

 à la limite, si elle existe, de la disponibilité instantanée lorsque t→∞ (disponibilité
asymptotique), 𝐴∞ :
A  lim AT  (16)
t 

Dans la littérature, il existe trois types de disponibilité en régime qui dépendent de ce qu’on
inclut dans les définitions du temps de bon fonctionnement et du temps d’arrêt (Ireson, 1995 ;
Ebeling, 1997 ; Dhillon, 2002). Ces disponibilités sont présentées ci-dessous.
 Disponibilité stationnaire ou asymptotique 𝑨∞
Elle représente la disponibilité du système dans un environnement idéal où les ressources
requises (compétences humaines, outillage, pièces de rechange, documentation, etc.) sont
disponibles . Le calcul de 𝐴∞ découle de la relation (13), lorsque t→∞. Cette expression prend
en compte uniquement les temps d’arrêt dus à la maintenance corrective. Les arrêts dus à la
maintenance préventive, les temps logistiques et les temps administratifs ne sont pas considérés.
On a alors :
 MTBF
A   (17)
  MTBF  MTTR
 Disponibilité inhérente 𝑨𝒊𝒏𝒉
La disponibilité inhérente prend en compte les temps d’arrêt dus à l’exécution des tâches de
maintenance corrective et préventive. Elle est calculée selon l’expression (18). Les temps
administratifs et logistiques ne sont pas pris en compte.
MTBM
Ainh  (18)
MTBM  M
̅ représentent respectivement la moyenne des temps de fonctionnement entre les
MTBM et 𝑀
actions de maintenance préventive et corrective et la moyenne combinée des temps actifs de
maintenance corrective et préventive.
 Disponibilité opérationnelle 𝑨𝒐𝒑
La disponibilité opérationnelle propre est donnée par l’expression :
MTBF MTBF  RT MTBM
Aop    (19)
MTBF  MTI MTBF  MTTR  MTL MTBM  MMT

11
Avec :
MTBF : Moyenne des Temps de Bon MTTR : Moyenne des Temps Techniques de
Fonctionnement réparation
MTI : Moyenne des Temps d’Indisponibilité MTBM : Temps Moyen Entre Actions de
RT : « Ready Time » ou Temps Moyens Maintenance Préventive ou Corrective
d’Attente, le système étant prêt à fonctionner MMT : Temps Moyen des Actions Préventives
MTL : Moyenne des Temps Logistique ou Correctives
Elle est aussi donnée par la relation :
To  TA TM c . N
Aop   (20)
To TM c . N  TA
Avec :
To : Temps d’ouverture de la ligne ou temps TMc.N : Temps moyen de cycle x Nombre de
requis pièces produites
𝑻𝑨 : temps cumulés des arrêts propres

I.1.4 La maintenabilité
I.1.4.1 Définition
Plusieurs auteurs dans la littérature définissent la maintenabilité. C’est le cas de (IEC
60050-191, 1990 ; Military HandBook – 470A ,1997 ; ARMP-7, 2003).
Pour une entité donnée, utilisée dans des conditions données d'utilisation, la maintenabilité est
la probabilité pour qu'une opération donnée de maintenance active puisse être effectuée pendant
un intervalle de temps donné, lorsque la maintenance est assurée dans des conditions données
et avec l'utilisation de procédures et de moyens prescrits (IEC 60050-191, 1990 ; ARMP-7,
2003).

Une autre définition complémentaire fournie par le Military HandBook – 470A (1997)
est la suivante : la maintenabilité est la relative facilité et économie de temps et de ressources
avec laquelle un système peut être maintenu ou remis dans un état de fonctionnement
spécifique, lorsque la maintenance est exécutée par un personnel ayant les compétences
requises et utilisant les procédures et les ressources matérielles prescrites, à chaque niveau de
maintenance spécifié.

Cette dernière définition indique que la maintenabilité est une caractéristique ou

aptitude d’un système et que sa mesure se base essentiellement sur l’appréciation du
déroulement des activités de maintenance. La maintenance désigne l’ensemble des activités

12
destinées à maintenir ou à rétablir un système dans un état spécifié ou dans des conditions
données de sûreté de fonctionnement, pour accomplir une fonction requise (Ait-Kadi et al.,
2004).
Comme la durée de vie pour la fiabilité, la durée de réparation lors de la maintenance
d’un système est une variable aléatoire dont la distribution cumulative est donnée par
l’expression (21).

I.1.4.2 Indicateurs de la maintenabilité

 Maintenabilité instantané
Elle est définie par :
t
t

  ( t ) dt
M (t )   g (t )dt  1  e
0
0
(21)

Où g(t) est la fonction densité de probabilité du temps de réparation et µ (t) le taux instantané
de réparation.
 Moyenne des temps techniques de réparation
La moyenne des temps techniques de réparation MTTR, qui est l’une des principales
mesures de la maintenabilité, est calculée à partir de l’expression (22)
 
MTTR   t.g (t )dt 
0
 1  M (t ) dt
0
(22)

 Taux instantané de réparation

On appelle taux de réparation d’un système réparable au temps t la probabilité que l’entité
soit réparée entre les instants t et t + dt, sachant qu’elle n’était pas réparée sur l’intervalle [0,
t]. Elle se note :

 (t )  P(entité réparée surt, t  t /elle n' était pas réparée sur 0, t ) (23)
Le taux de réparation peut s’assimiler à la proportion d’entités réparées sur [t, t + dt]
rapportées aux entités non réparées à l’instant t. En prenant un raisonnement similaire à celui
utilisé pour le calcul de l’intensité de défaillance λ(t) et à l’aide du théorème des probabilités
conditionnelles, on déduit après des calculs simples que :
g (t )
 (t )dt  (24)
1  M (t )
 Densité de probabilité du temps de réparation
En combinant les relations (21) et (24), on en déduit que :
 0t  ( t ) dt
g (t )   (t ).e (25)

13
I.1.4.3 Critères de maintenabilité
Lors de la conception d’un système, plusieurs critères doivent être pris en compte pour
que sa maintenance soit facile, rapide et économique en ressources. Ces critères sont
généralement classés en deux groupes : les critères contextuels qui sont relatifs au contexte
d’utilisation et les critères intrinsèques qui sont inhérent au système (Menye, 2009).

I.1.4.3.1 Critères contextuels

Certains éléments caractéristiques du contexte d’utilisation d’un système peuvent avoir
une influence majeure sur sa maintenabilité. Menye (2009) classe ses éléments en quatre
groupes : les ressources humaines, les ressources matérielles, l’organisation mise en place et
les conditions environnementales. Le tableau 1 fait une synthèse des principaux critères
contextuels et les facteurs qui les caractérisent.

Tableau 1 : Critères contextuels (Menye, 2009)

Critères contextuels Facteurs

 Effectif
Ressources
humaines

 Compétences
Equipe de maintenance
 Disponibilités
 Coût (salaire, embauche, licenciement ,…)
 Quantité
Ressources matérielles

Equipement support  Disponibilité

 Coût (achat, réparation, exploitation,…)
Documentation technique  Disponibilité
 Mis à jours
 Disponibilité
Pièces de rechange  Délai d’approvisionnement
 Coût (achat, transport, stockage,
pénurie,…)
 Nombre de niveaux de décision

Environnement
organisationnel

Procédures administratives Quantité de documents à remplir

 Etc.
 Eloignement des ateliers de réparation
Organisation et gestion de la  Politiques de maintenance
maintenance  Sous-traitance
 Etc.

14
  Température
 Humidité
Environnement physique  Précipitation (pluie, neige, etc.)
 Composition de l’air
 Radiation
Conditions  Champs électromagnétique
environnementales
 Vibrations
 Chocs
 Situation géographique
 Saison
 Luminosité
 Etc.

Pour adapter le système à son contexte d’exploitation, le concepteur doit connaître

l’effet de chaque facteur d’influence de contexte et définir le système de telle sorte qu’il soit
résistant à cet effet. Par exemple, utiliser des matériaux résistants au climat du lieu d’utilisation,
utiliser les technologies dont la maintenance peut être exécutée sur place, intégrer les
composants dont les pièces de rechange sont disponibles sur place, dimensionner les
composants pour qu’ils soient plus résistants aux chocs, etc. Le concepteur peut par exemple se
baser sur certains travaux pour atteindre ce but (Military Standard – 810F, 2000 ; NSWC-07,
2007).

I.1.4.3.2 Critères intrinsèques

Ireson et al. (1995) et Military Handbook – 470A (1997) présentent quelques critères
intrinsèques qui confèrent à un système un bon niveau de maintenabilité.

 Accessibilité

Elle se caractérise par la facilité avec laquelle un élément peut être atteint lorsque les
opérations de maintenance sont nécessaires. L’objectif visé, en la mettant en œuvre pendant la
conception, est de réduire les durées d’intervention directe sur l’équipement. La spécification
de l’accessibilité porte sur le temps d’accès à un composant, le nombre maximum d’unités à
déposer autour d’un composant donné pour atteindre celui-ci, la masse totale des unités à
déposer autour d’un constituant donné par rapport à la masse du composant lui- même, la
référence aux normes sur l’ergonomie et la sécurité. Sa mise en œuvre doit prévoir des
passerelles d’accès à hauteur adaptée, des dispositifs de déverrouillage lorsque pour des raisons
de sécurité, le système physique est protégé par un code ou un verrou. Suh (1990), a développé
une méthode quantitative de mesure de l’accessibilité d’un composant ou « Component
Accessibility (CA) » en phase de conception. Il définit la CA comme l’inverse de l’information

15
nécessaire à un agent d’assemblage idéal à manipuler le composant suivant une direction en
ligne droite sans collision vers une destination en présence d’autres composants assemblés. Son
aide permet au concepteur de choisir un arrangement optimal des composants pour les
opérations d’assemblage / démontage. L’information requise de la définition de la CA est
relative à la probabilité P de succès. Le contenu de l’information est défini par :

I = 𝑙𝑜𝑔2 (1/P) = 𝑙𝑜𝑔2 (1/ (espace accessible actuelle/espace accessible idéale)) (26)

Et l’accessibilité du composant est :

CA = 1/I (27)

La connaissance sur l’accessibilité d’un composant permet au concepteur d’avoir une

appréciation globale des options disponibles avant de choisir le déplacement d’un composant
(dans le processus d’assemblage ou de démontage en maintenance). Lorsqu’on est dans le plan
pour un corps qui est déplacé pour être assemblé, s’il n’y a pas d’obstacle, l’espace accessible
est 360° (idéale), sinon son espace accessible (actuelle) est 360° diminué de l’angle interdit.
Lorsqu’on ne tient pas compte de la hauteur du corps.

CA= 1/log 2 ( 360°/ (360°- Angle interdit)) (28)

En tenant compte de la hauteur du corps, on définit l’accessibilité par :

1
CA  (29)
 2 
 
log 2  3 
 2 
  U j 1U k21 FV jk
n

 3 
n est le nombre d’obstacles et FVjk est le volume interdit induit par le 𝑘 𝑖è𝑚𝑒 triangle sphérique
de l’espace obstacle j. Pour j =1 :
1/ 2
4   S   S  ak   S k  bk   S k  ck  
FVk  tan 1  tan k  tan k  tan  tan  (30)
3   2   2   2   2 
(Formule de trigonométrie sphérique)

sk   ak  bk  ck  / 2 et ak , bk et ck sont des côtés du 𝑘 𝑖è𝑚𝑒 triangle sphérique de l’espace

obstacle.

Cette dernière méthode est intéressante, car elle permet de faire en conception des
allocations de l’accessibilité d’un composant. Nous notons aussi que la formule est appliquée
ici pour les obstacles de formes parallélépipédiques, donc n’est pas générale pour toutes les
formes qu’on pourra rencontrer dans l’environnement de la maintenance.
16
  Démontabilité

Selon la norme NF X 60300, la démontabilité ou aptitude au démontage est la conception

du bien autorisant l’accès à chacun de ses composants et assurant un démontage et un remontage
facile de ses sous-ensembles. L’ordre de démontage et de remontage peut être ainsi déterminé
et précisé dans la documentation de maintenance. La pose et la dépose comprennent l’ensemble
des opérations nécessaires à la suppression et au rétablissement des liaisons entre l’élément à
démonter et l’ensemble dont il fait partie, afin de mieux en disposer en vue d’assurer au mieux
son remplacement ou sa maintenance. La démontabilité dépend fortement de l’accessibilité, de
la modularité, et de la connectique (la connectique et la modularité étant présenté ci-dessous).
Grâce à la connectique, on peut faire des allocations de démontabilité utiles pour le démontage
/ montage du produit suivant (Nzié, 2006) :
 Résistance d’attache (de liaison), exprimée par la force requise pour démonter ;
 Facilité de mise en action, traduite par la force requise pour assembler la liaison et les
composants reliés (raccordés), le temps pour réaliser la connectique (raccordement,
liaison) ;
 Facilité de desserrage, traduite par la force requise, le temps de desserrer les objets ;
 Facilité d’accès, traduite par le fait que l'espace disponible excède la taille des mains,
les doigts, les outils ;
 Précision de la position relative des objets, se traduisant par la distance représentant la
disparité maximum d'un objet par rapport à l'autre.

On spécifie la démontabilité par le nombre maximum et le coût maximum des outillages

spéciaux nécessaires, le degré approprié de complexité des outillages et des réglages à effectuer
au remontage, le nombre d’intervenants nécessaires, le nombre d’éléments à démonter pour
accéder à l’élément échangeable et le nombre d’éléments qui ne peuvent pas être démontés sans
destruction. Selon Shana et Hung (2015), l’étude du démontage part tout d’abord de la
définition des méthodes de planification du démontage. A cet effet, ils distinguent plusieurs
niveaux de démontage comme le précise la figure ci-contre.

17
 Figure 2: Méthodes de planification de démontage (Shana et Hung, 2015)
La méthodologie de démontage sélective ou « selective disassembly methodology » de
Srinivasan permet d’analyser la démontabilité d’un modèle CAO. Elle se passe en trois étapes
qui sont : l’identification des composants à démonter, la détermination d’une séquence de
démontage optimale, la prise des décisions de conception du démontage à base de la séquence
évaluée (Srinivasan et al., 1999). Elle est implémentée dans un logiciel, A3D (Assembly and
Disassembly in 3 dimensions) et permet de faire en conception des évaluations et allocations
importantes de maintenance suivantes : Le temps pour démonter les connecteurs fixant les
composants de la séquence S, pour Ci composant de S,
 
DTF     N i , j  T j  A ji  O ji  (31) pour Ci composant de S,
i  j 
Le temps pour démonter les composants de S (les connecteurs étant déjà démontés),

 W  F  
DTC    Ai  Oi  K t  d i    i i   (32) pour Ci composant de S,
i   Kw  
Le coût de démontage :

DC  K 0  K s  LR  DTF  DTC  (33)

K0 : facteur constant tenant compte de l’espace, l’outillage, etc.,
Ks : facteur constant tenant compte de la sécurité du composant,
LR : coût horaire,
𝑁𝑖,𝑗 : nombre de connecteurs de type j fixant le composant Ci,
Tj : temps standard de démontage d’un connecteur de type j fixant Ci,
Aji : facteur d’accessibilité du connecteur de type j fixant le composant Ci,
Oji : facteur d’orientation du connecteur de type j fixant le composant Ci,
18
Ai : facteur d’accessibilité du composant Ci,
Oi : facteur d’orientation du composant Ci,
Kw : poids (masse) standard limite que peut soulever un opérateur source (lifting source) ;
di : distance de déplacement du composant Ci pour le démonter de l’ensemble,
Kt : temps standard pour déplacer un composant de poids (masse) inférieure à Kw à une distance
di,
Wi : poids (masse) du composant Ci,
Fi : facteur de force du composant Ci.

Cependant, cette méthode suppose que les mouvements relatifs des composants sont
déterminés sans considération des outils, que les ensembles sont sans frottement et définis par
une géométrie nominale (généralement en maintenance, les composants ont été soumis à
l’usure, la corrosion, etc.), que les composants se démontent de l’ensemble suivant un simple
mouvement rectiligne et qu’un composant n’est démontable qu’après le démontage d’un
composant adjacent, que le démontage est séquentiel, monotonique (un composant est
totalement démonté pendant son démontage). Or la simultanéité de démontage est courante en
maintenance.

 Connectique
C’est un véritable critère de maintenabilité, en ce sens qu’elle permet le démontage rapide
des éléments défaillants ainsi que leur rechange et aussi certains aspects de la testabilité. En la
construisant bien, l’objectif pour l’acteur de maintenance est de faciliter le remplacement des
éléments défaillants, de permettre certain test fonctionnel et de diagnostic, afin de réduire les
temps de dépose – pose et les temps de diagnostic et de validation. Globalement le travail du
dépanneur devient facile et le temps d’immobilisation et donc d’indisponibilité du système
réduit. La connectique se spécifie par le nombre maximal de connexions / déconnexions des
éléments associés, la force à développer pour exécuter la connexion / déconnexion, la qualité
des liaisons.

Des travaux de Hsu (2002), la connectique ou assemblabilité d’un produit ou Product

Assemblability (PA) se définit comme étant l’inverse du contenu de l’information de la totalité
des composants de ce produit. Et le contenu de l’information du produit est la somme des
contenus d’information des composants associés à chaque événement Ai, qui est : avoir une
destination du composant en ligne droite lors de l’assemblage (ou montage). Alors, pour un
produit à n composants, la séquence d’assemblage consiste en n étapes représentant l’ordre

19
d’assemblage. Si un événement dans une étape i est Ai, il y a A1, A2, …. An événements associés
dans le processus global.
1 1
PA   (34)
I produit  1 
log 2  
 P  A1  A2  ...  An  
On note dans cette étude qu’un événement est associé à un seul composant à la fois. Or,
n’a-t-on pas toujours vu que des écrous d’une bride sont montés à la fois ?
Il est clair que les résultats de l’étude sont incontestablement d’un apport bénéfique pour la
reconception des produits. En effet, elle fournit une possibilité de comparaisons des alternatives
en fonction des CA. Cependant, elle ne généralise pas la forme des composants (par exemple
la forme concave des faces), la direction d’assemblage est toujours une ligne droite, ce qui n’est
pas toujours le cas dans un environnement complexe de maintenance. Concevoir un composant
est une chose. Une autre chose est la conception d’un système de plusieurs composants où
l’intégrité structurelle et fonctionnelle est un amalgame complexe des composants. Quand on
est en présence d’un tel système, quatre tâches de conception, dont l’acteur de maintenance est
partie prenante, s’imposent pour la mise en œuvre de la connectique :
o Identifier par le moyen d’une décomposition structurelle les éléments qui composent le
système ;
o Définir la nature des liaisons structurelles entre éléments constitutifs ;
o Si nécessaire, établir chaque fois les exigences fonctionnelles de ces liaisons ;
o Concevoir les liaisons.
Comme c’est le cas pour les composants technologiques structurels, pour le quatrième point
(Concevoir les liaisons pour configurer la connectique), il incombe au concepteur mainteneur
de participer au choix de (s) : matériaux, configuration, géométrie, exigences de process (tels
que les détails de fabrication, assemblage, charge). Cependant, nous ne devons pas oublier
qu’un excès de connectique peut nuire à la fiabilité. En effet, elle est souvent un point de
fragilité des systèmes par sa nature mécanique et technologique et par l’usure engendrée par la
fréquence des démontages des éléments. Le choix d’une bonne connectique doit donc être
motivé par des considérations de fiabilité.

 Détectabilité

Elle concerne la réduction des temps de localisation et de diagnostic. Un logiciel de

recherche et de localisation des défauts, les outils d'aide au diagnostic, une supervision, mais
aussi un simple voyant ou le repérage des câbles et des points de mesure sont autant d'éléments

20
de réduction des temps d'investigation. La réalisation d'une AMDEC amène le concepteur à
évaluer le critère « détectabilité » et à proposer des solutions si nécessaires.

 Aptitude de pose et dépose

Elle concerne les modules qui nécessitent un échange standard en préventif ou en cas de
défaillance. Elle concerne les liaisons à supprimer pour isoler le module de son ensemble.
Prenons l'exemple d'un groupe moteur électrique / pompe centrifuge : la dépose se rapporte à
l’électricité (consignation, accès au bornier, connectique), à l'hydraulique (vannes d'isolement,
vidange, boulonnerie des brides), à la mécanique (boulonnerie de la fixation). Des solutions
plus ou moins rapides existent pour faciliter chacune de ces opérations de maintenance.
Quelques problèmes à optimiser pour améliorer l'aptitude à la pose / dépose :
 Réduction du nombre de liaisons ;
 Réduction du nombre d'outils à utiliser (standardisation des liaisons) ;
 Assurer un pré positionnement à la pose : repères, tétons de centrage, rails de guidage ;
 Absence de réglages, préférable à des réglages longs et délicats ;
 Facilité d'accès.
Notons que l'interchangeabilité d'un module se fait souvent en « temps réel »
d'indisponibilité de l'équipement, contrairement à sa remise en état réalisée en temps différé.
Son aptitude à la dépose est donc un facteur de disponibilité de l’équipement.

 Standardisation

Elle vise à la simplification par réduction aussi bien en matière de fabrication que de
logistique et de maintenance. En maintenance, elle s'exerce à tous les niveaux techniques et
commerciaux, en permettant la réduction des stocks aussi bien que la rapidité et la simplicité
des interventions. Prenons quelques exemples :
 Les équipements : il est plus facile de maintenir 10 machines de même type que de types
différents.
 Les technologies : il est plus facile de se tenir à un modèle d'automate et de former les
techniciens à sa programmation que de multiplier les formations.
 Les modules : utiliser 20 moteurs électriques ou 20 pompes centrifuges identiques offre
plus de facilité d'organisation de la maintenance que s'ils étaient tous différents.
 Les outillages : démonter tout un module avec une clé de 13 est plus simple que d'avoir
à inventorier toute sa caisse à outils.

21
  Les composants élémentaires : quincaillerie, visserie, graisseurs, robinets, trappes de
visites, interrupteurs sont autant d'éléments qu'il est facile de standardiser.
 Les lubrifiants et leur fournisseur : ne pas suivre les préconisations par références de
marque, qui conduiraient à une profusion de fûts. Il existe des tableaux d'équivalence et
il suffit de 5 types d'huile et de 2 types de graisse pour assurer la lubrification d'un site
industriel.
 Les procédures : standardiser leur présentation facilite l’exploitation.
 Les fournisseurs : un équilibre est à trouver entre le monopole accordé à un fournisseur
privilégié et la multiplication des sources.
Notons que la normalisation est un outil de standardisation, qui elle-même facilite
interchangeabilité.

 Modularité
Pour la simplification de la fabrication d’un équipement et pour l’amélioration de sa
maintenance, c’est ce critère de maintenabilité que nous allons prendre en compte dans le cadre
de nos travaux.

D’après Nzie (2006), un module est une association de composants reliés physiquement,
groupés dans le but de constituer un sous-ensemble aisément démontable et remplaçable.
Souvent considéré comme un critère de conception, la modularité l’est d’avantage pour la
maintenabilité, car il permet de concevoir des sous-ensembles fonctionnels démontables et
interchangeables, utilisables indifféremment dans des fonctions distinctes ou même sur des
matériels différents. La modularité du produit se spécifie par rapport : à la masse et
l’encombrement maximal de ses modules, en fonction de l’aptitude à la manutention, à son
analyse fonctionnelle, aux normes spécifiques (par exemple la taille des tiroirs), au nombre
maximum de références utilisées.

La facilité de l'interchangeabilité (carte électronique par exemple) est un facteur favorisant

le transfert de tâches vers les opérateurs, dans le cas de la TPM (Totale Productive Maintenance)
(Bellaouar et Beleulmi, 2014). Le module de remplacement peut provenir :
 d'un stock interne (module neuf ou remis en stock après réparation) ;
 d'un stock externe (module ou composant tenu en stock chez le fournisseur) ;
 du bien lui-même (par échange de deux éléments constitutifs, redondance) ;
 d'un bien identique hors service ou déclassé (cannibalisation) ;
 d'un bien différent comportant le même module;

22
  d'un atelier de fabrication.
Dans le cas d'un composant, il doit être fabriqué dans le respect des spécifications et des
tolérances normalisées (joint d'étanchéité, coussinet de palier, etc).

Cela offre une gamme large de solutions pour organiser une intervention.
L'interchangeabilité suppose le respect des normes (ajustements, filetages, produits, lubrifiants,
raccords, connexions, etc).

A la section suivante, nous allons faire une recension des travaux portant sur la modularité,
afin de positionner le problème lié à la modularité.

I.2 RECENSION DES TRAVAUX SUR LA MODULARITE

I.2.1 Définition
Nous retiendrons comme définition que : « La modularité est un mode de structuration
d'un système complexe qui préconise de concevoir des structures basées sur la minimisation de
l'interdépendance entre des composants et la maximisation de l'interdépendance à l’intérieur de
chaque composant. Les composants peuvent être mélangés pour obtenir une nouvelle
configuration sans perte de la fonctionnalité du système ou de performance », d’après (Baldwin
et Clark, 1997 ; Langlois, 2002).

La modularité est une façon de concevoir une structure dans le but d’en réduire sa
complexité. La nature des interdépendances entre les composants et la façon dont ils
s'interfacent ont des implications profondes sur la complexité structurelle. Manipuler cette
complexité peut être fait par la réduction du nombre d'unités et en groupant ces unités dans des
sous-systèmes. La réduction de la complexité passe par la réduction des interdépendances entre
les composants à travers des sous-systèmes (Langlois, 2002). Les composants sont appelés des
modules.

La définition d'un module dans le Larousse est « élément juxtaposable, combinable à

d’autres de même nature ou concourant à une même fonction ».

23
 Figure 3 : Visualisation de la modularité

I.2.2 principes de construction d’un système modulaire

En gestion industrielle, la modularité est étudiée depuis les années 1960. Une première
contribution est faite par Starr (1965) qui propose que la production modulaire soit un moyen
d'augmenter la variété d'offres de produits pour satisfaire aux exigences du marché sans sacrifier
l'efficacité dans la production. Starr (1965) indique que la conception des parties du produit est
essentielle pour la production modulaire parce que « c'est l'essence du concept modulaire pour
concevoir, développer et produire ces parties qui peuvent être combinées d’un grand nombre
de façons ». Le concept de modularité est fondé sur trois principes de construction d’un système
complexe : la quasi-décomposabilité des modules, l’attache lâche entre les modules et
l’interfaçage par standardisation.

 La quasi-décomposabilité (Near decomposability)

Selon Simon (1969), la construction du produit est imaginée pour potentiellement être
considérée comme quasi-décomposable. La décomposition en modules est essentiellement une
façon de gérer la complexité.

La quasi-décomposabilité signifie qu’il peut y avoir des niveaux différents d'analyse et par
conséquent, des niveaux différents de modularité. De plus, le même module peut faire partir de
systèmes différents. Enfin, il existe des unités minimales qui sont les plus petits composants,
non décomposables. Donc, le degré de modularité dépend du type de système dans l'analyse,
peut varier avec l'unité d'analyse, doit être mesuré le long d'un continuum d'une structure
intégrale à un module élémentaire et peut changer au fil du temps, puisque la modularité est
aussi un principe de reconfiguration. Chaque système est modulaire dans une certaine mesure :
très peu de systèmes sont composés de parties qui interagissent et s'affectent si fermement qu'il

24
n'y a aucune occasion de reconfigurer les sous-systèmes. En outre, Alexander (1971) indique
explicitement l'importance de cette notion pour l'adaptabilité de systèmes : « Aucun système
adaptatif complexe ne réussira son adaptation dans un temps raisonnable à moins que
l'adaptation ne puisse passer par le sous-système, chaque sous-système étant relativement
indépendant des autres ».

 L’attache lâche (Loose coupling)

Weick (1976) a proposé la notion d’attache lâche (loose coupling) comme une façon de
capturer la nature de la coordination des modules qui ne sont pas identifiés par « des mots
comme la connexion, le lien, ou l'interdépendance ». L’attache lâche des modules véhicule des
connotations éphémères, dissolubles dans le temps et de la colle « qui maintient des
organisations ensemble ». Comme la notion de Simon (1969) de quasi-décomposabilité des
systèmes, le concept d’attache lâche embrasse l'idée que la plupart des systèmes ne sont ni
entièrement détachés, ni accrochés entièrement, mais plutôt presque décomposables avec des
liens lâches. Cela permet ainsi la compréhension d'organisations comme les systèmes qui sont
ouverts et fermés en même temps. L’attache lâche signifie que les modes de coordinations
présentés en infra (contractualisation, ajustement mutuel, standardisation des flux ou la
planification des tâches) doivent exister mais que chaque module doit aussi avoir un degré
d’autonomie afin de pouvoir être séparé et recollé ailleurs, ou modifié, ou reconçu et donc
permettre au manager de faire de la reconfiguration continuelle.

 L’interfaçage

Baldwin et Clark (1997) soutiennent que dans un système modulaire, chaque module
communique et interagit avec les autres via les interfaces qui permettent le découplage des
modules. La coordination passe par la définition de lois de structuration et de paramétrage. La
standardisation est selon eux le mode de coordination le plus adapté à la construction modulaire.
Les lois visibles de structuration (appelées aussi informations visibles) sont des processus de
construction et d’assemblage des modules permettant de spécifier que chaque module est une
partie d’un système entier et quelles seront les fonctions de chaque module ; le rôle des
interfaces et la façon dont les modules interagissent entre eux ; les standards de collectes
d’informations et de mesures de performance. Les lois invisibles de paramétrage (appelées aussi
informations cachées) sont des lois internes à chaque module, n’affectant pas la modularité
générale.

25
 Ces principes de structuration d’un système permettent alors plus facilement de sous-traiter
un module ou de récupérer une technologie via l’intégration d’un nouveau module.

Une synthèse de ces principes avec leurs définitions est présentée ci-après.

Tableau 2 : Synthèse des principes de constructions modulaires

Auteur Principe Définition

Simon Systèmes quasi- Décomposer les systèmes de façon hiérarchique
(1969) décomposables est la première manière de réduire la complexité
Orton et Attache lâche (Loose Plus on a un « loose coupling » entre les modules
Weick coupling) c’est-à-dire un interfaçage faible, plus les
(1990) modules sont accessibles à partir de plusieurs
plateformes et plus le système devient
modularisable et customisable pour le client.
Baldwin Interfaçage : lois visibles Des process de construction et d’assemblage des
et Clark de structuration (appelées modules permettent de spécifier que chaque
(1997) aussi informations module est une partie d’un système entier et
visibles) quelles seront leurs fonctions respectives ; le rôle
des interfaces et la façon dont les modules
interagissent entre eux ; les standards de collecte
d’informations et de mesures de performance ;
Interfaçage : lois invisibles Les lois internes à chaque module n’affectent pas
de paramétrages la modularité générale. Les modules devraient
(Information hiding) être caractérisés par des lois de fonctionnements
clés et celles-ci devraient être cachées aux autres
modules par les interfaces qui révèlent, ainsi aussi
peu que possible, chaque fonctionnement interne.

I.2.3 Fondements de l’architecture modulaire d’un système

Dans cette partie, nous présentons un état de l'art sur les méthodes de modularisation
d’un produit. Pour mieux comprendre, nous revenons d’abord sur les principaux concepts de
l'approche système. Cette approche est utile dans l'analyse et la modélisation des activités de
conception, dans la recherche d'architecture d'un système et dans l'organisation d'un système de

26
conception. Ensuite nous présentons un état de l'art des travaux sur les DSM (Design Structure
Matrix), afin de présenter les représentations équivalentes d’un système.

I.2.3.1 L'approche système

Von (1968) publie "The general system theory", dans lequel il définit les principes de
ce que deviendra la théorie des systèmes. Il préconise d'étudier les interactions dynamiques
entre les parties et non pas de se borner à un regard qui tend à isoler (vision réductionniste), à
disséquer et à emprisonner les éléments dans une logique de causalité linéaire. Il s'agit d'être
particulièrement attentif à la structure des interactions et à leur contrôle.

L'approche système va emprunter les concepts de boucles de rétroaction et de régulation

à la cybernétique qui a pour but principal l'étude des régulations chez les organismes vivants et
les systèmes construits par l'homme. Elle a ensuite évolué vers l'étude de la complexité, avec
une attention particulière aux systèmes dynamiques.

En France, De Rosnay (1975), Le Moigne (1977), Morin (1977, 1992) et Simon (1997)
ont contribué à développer une théorie, voire "une science des systèmes”, qui se veut d'abord
interdisciplinaire et qui vise à rendre compte de phénomènes complexes, en perpétuelle
évolution, irréductibles à un modèle analytique de type causal et déterministe. Le macroscope
De Rosnay (1975) est un des principaux ouvrages français d'initiation à l'approche système. Il
présente les concepts de causalité circulaire (et non plus seulement linéaire) et l'importance du
rôle de la rétroaction (feed-back).

Le paragraphe suivant précise une autre définition d'un système et présente les principes
utiles pour la modélisation de son architecture.

I.2.3.1.1 Concepts de système, d'entité et d'interaction

Selon De Rosnay (1975), un système est un "ensemble d'éléments en interaction
dynamique, organisés en fonction d’un but". Selon Morin (1977), "on peut concevoir le système
comme une unité globale organisée d'interrelations entre éléments, actions ou individus".
L’organisation étant alors "l'agencement de relations entre composants ou individus qui produit
une unité complexe ou système, dotée de qualités inconnues au niveau des composants ou des
individus". Inversement, il précise que "les éléments doivent donc être définis à la fois dans et
par leurs caractères originaux, dans et avec les interrelations auxquelles ils participent avec la
perspective de l'organisation où ils s’agencent, dans et avec la perspective du tout où ils
s'intègrent."

27
 Le concept d'architecture sera utilisé par la suite dans un sens proche de celui que Morin
(1977) donne au concept d'organisation. Une architecture sera alors une représentation de
l'agencement des relations.

Nous proposons de définir le concept de système comme une représentation (cognitive

ou explicite) construite par un sujet : un système est une partie de l’univers qu’un sujet se
représente comme une entité, entretenant avec son environnement des interactions pertinentes,
et constituée d’entités internes entretenant des interactions mutuelles et externes cohérentes.

Cette intelligibilité du système est requise lorsque nous avons l’intention de le

comprendre ou d’agir sur lui, que ce soit pour le concevoir, le structurer, le piloter, l’améliorer,
etc. Le système devient alors une entité "agentive " sur, à partir, ou dans laquelle le sujet doit
agir (Searle ,1998).

Un système artificiel ou artefact (Simon, 1997 ; Micaelli et Forest, 2003) est conçu et
agencé intentionnellement, pour répondre à des besoins (fonctions de service ou missions du
système). L’artefact existe non de lui-même, au contraire d’une chose naturelle, mais parce
qu’il a été conçu de sorte à assurer sa fonction (Searle ,1998).
Le système peut être lui-même intégré dans différents sur-systèmes, selon les points de
vue considérés. Il peut adapter ses frontières et son organisation, afin de prendre en compte
l'évolution de son environnement ou pour améliorer son fonctionnement (régulation,
apprentissage et pilotage) (Probst et Ulrich, 1989).

I.2.3.1.2 Concept de vues

L'approche système consiste à considérer un système comme une entité dynamique qui
entretient avec son environnement des interactions finalisées (approche téléologique, externe,
par la pertinence). La modélisation du système s'effectue ensuite à partir des interactions
mutuelles entre ses constituants (approche interne, par la cohérence), qui lui confèrent un
comportement global cohérent (intégration, émergence).

a. Vue externe (ou contextuelle)

En vue externe, le système est représenté comme une boîte noire échangeant des flux
avec son environnement, ainsi que par des scénarios d’échange (flux d'intrants et d'extrants)
permettant de fournir des prestations de service à des entités de son environnement, avec
lesquels il va interagir au cours de son cycle de vie. Le cycle de vie se décompose en différentes
phases de vie, et chaque phase, en modes de fonctionnement. Les prestations attendues par les
destinataires correspondent aux missions ou fonctions de service du système. Celles-ci sont

28
quantifiées selon les performances attendues et spécifiées par leurs critères d’appréciation. La
méthode traditionnellement utilisée pour élaborer la vue externe est l'Analyse Fonctionnelle.

b. Vue fonctionnelle interne

En vue interne, le système doit satisfaire un ensemble de fonctions techniques dont
l’agencement restitue les fonctions de service. On parle ici d’arborescence puis d’architecture
fonctionnelle du système, en cohérence avec (Pahl et Beitz, 1996). L’arborescence
fonctionnelle est obtenue en décomposant itérativement les fonctions de service en sous
fonctions jusqu’à l’obtention de fonctions pour lesquelles on peut définir des solutions
techniques (Meinadier, 2002).

L’élaboration de l’architecture fonctionnelle est utile lorsqu’on cherche à optimiser

l’organisation des sous-fonctions (par exemple, regroupement ou factorisation de module,
dissociation pour faciliter les évolutions, redondance pour assurer la robustesse lors des
évolutions ou pour la sûreté de fonctionnement) (Stone et al., 2000). L’enchaînement des
fonctions de l’architecture fonctionnelle permet de réaliser les processus de fonctionnement
internes au système, lui conférant ainsi les comportements spécifiés par les fonctions de service
et leurs scénarios. Cette architecture fonctionnelle est en théorie indépendante des choix de
conception et est donc réutilisable pour des projets semblables. En pratique, la décomposition
fonctionnelle ne se fait pas sans préjuger des choix technologiques. La validation de
l’architecture technique va nécessiter des itérations, pour modifier et/ou compléter les exigences
et l’architecture fonctionnelle.

c. Vue organique (interne)

Dans la vue organique, le système est représenté comme un agencement de constituants
(ou d’organes ou de modules) réalisant par leurs interactions les fonctions identifiées dans
l’architecture fonctionnelle. Cet agencement est appelé l' "architecture organique" ou technique.
Le point clé est la définition des interfaces qui relient les constituants.

d. Vue dynamique (interne)

Pour structurer un système, il est possible de le décomposer en vue externe, en vue
fonctionnelle interne et en vue organique, comme nous l’avons présenté précédemment. Ces
vues sont des représentations statiques (ou structurelles) du système. Il est possible aussi de
recourir à des représentations dynamiques du système (vue dynamique) qui décrivent son
évolution temporelle.

29
Le système peut être considéré comme un ensemble de processus de fonctionnement qui
décrivent l’enchaînement des activités des constituants du système, afin de restituer les
fonctions de service et leurs performances.

Les normes IEEE 1220 (1998) intègrent dans la définition de l’architecture

fonctionnelle, des aspects dynamiques en tenant compte du séquencement de l’exécution des
fonctions, des flux de données et de contrôle qui le conditionnent. Par la suite, nous parlerons
d’architecture fonctionnelle pour désigner uniquement l’arrangement des fonctions et leurs
interactions.

Même si la modélisation dynamique d'un système est primordiale pour certaines activités
de conception comme la détermination des lois de commande ou l'analyse des modes de
fonctionnement / dysfonctionnement, nous ne présenterons pas les travaux de recherche
concernant les langages et outils de modélisation dynamique, car ils sont en dehors de notre
champ de recherche. Une comparaison de langage et d'outils pourra être trouvée dans (Baron,
2005).

e. Complication et complexité

Nous n'entrerons pas dans un débat philosophique sur le sens de ces termes, mais il est
intéressant de préciser leur différence.

La complication est une propriété structurelle. Un système compliqué comprend un nombre

élevé de composants et de relations (ils ont une cardinalité élevée). D’où l’intérêt, dès qu’un
système est identifié comme tel, de le considérer comme "semi-décomposable" (Simon, 1997).
Pour mieux le comprendre ou le maîtriser, une technique performante consiste alors à le
décomposer par strate, à le structurer en modules selon Ulrich et Eppinger (2000), et à garantir
l’ajustement des modules d’une même strate en recourant éventuellement à un module
particulier, dit intégratif (qui crée la cohésion du système).

La complexité est une propriété à la fois structurelle et dynamique. Pour Micaëlli et Forest
(2003), un système est complexe s’il doit être appréhendé à l’aide de différentes vues (ou
modèles), appariées par des relations non triviales (aspect structurel), et si cette modélisation
ne permet pas de rendre compte de l'ensemble des états possibles du système du fait de sa
dynamique (aspect dynamique).

Reconnaître un système comme complexe conduit à raisonner en termes de vues.

30
Il s’agit d’abord d’identifier et d’apparier plusieurs vues (ou modèles), une seule, isolée, ne
pouvant suffire (Suh, 1990 ; Simon, 1997). Par exemple pour un artefact, vue fonctionnelle et
vue organique ou pour un acteur, vue cognitive et vue collective.

I.2.3.1.3 Concept d’architecture, de module et d’élément intégrateur

Le terme architecture recouvre différents sens selon les auteurs qui le manipulent. Deux
définitions complémentaires peuvent être pertinentes.

La première considère que l'architecture d'un produit réside essentiellement dans les choix de
passage de l'espace fonctionnel à l'espace organique, chacun de ces espaces ayant aussi une
architecture propre. La seconde considère que l'architecture est une vue interne à un ensemble
d'éléments inter-reliés.

Les travaux de deux auteurs, Ulrich et Eppinger, sont fréquemment cités par les chercheurs
travaillant sur l'architecture de produit. Ulrich et Tung (1991) et Ulrich (1995) définissent
l’architecture du produit comme :

- l’arrangement des fonctions ;

- l’allocation des fonctions aux composants ;
- la spécification des interfaces entre les composants.

En France, le point de vue de Meinadier (2002) sur l’architecture du produit rejoint celui
d’Ulrich. On parle alors d’architecture fonctionnelle et d’architecture organique. Au cours des
décompositions conduisant à ces architectures, les exigences sont allouées (réparties) sur les
éléments de la décomposition et les interfaces sont définies. La Figure 4 présente une allocation
des fonctions aux constituants.

31
 Figure 4 : Allocation des fonctions aux constituants (Meinadier, 2002)
D'autres définitions du concept d’architecture se rejoignent sur le fait que l'architecture d'un
système est la description des éléments qui le composent et des interactions qui les lient
(Pimmler et Eppinger ,1994 ; Van Wie et al., 2001 ; Crawley et al., 2004 ; Chen et Liu, 2005 ;
Holtta-Otto, 2005). Dans le cadre de la conception concourante, cette définition est enrichie par
la prise en compte de l'ensemble du cycle de vie du produit : "l’architecture du produit est la
structure des composants, leurs interactions et les principes qui gouvernent leur conception et
évolution tout au long du cycle de vie" (Dahmus et al., 2001).

Le choix de la définition d'une architecture est déterminant dans la façon d'identifier un

module.

La typologie d’Ulrich (1995) met en évidence deux types d’architectures du produit :

- Une architecture modulaire, dans laquelle l’espace des fonctions peut être décomposé
en sous-ensembles de telle manière que chaque sous-ensemble impacte distinctement
un ou un ensemble de composants. Cela rejoint le concept de conception découplée,
défini par (Suh, 1990).

- Une architecture intégrale, dans laquelle toutes les fonctions et tous les composants sont
fortement liés. Cette définition rejoint le concept de conception couplée, défini par Suh.

32
 Sosa et al. (2003) proposent d'introduire un autre type d'architecture, qui est plus proche
des cas réels : une architecture hybride composée à la fois de modules (groupements
d’éléments) et d’éléments intégrateurs, un élément pouvant être une fonction, un constituant...

Nous appuyant sur les travaux précédents ainsi que sur ceux de Baldwin et Clark (2000), nous
définissons ainsi les concepts de module et d'élément intégrateur :
- un module est une entité constituée d'un ensemble d’éléments fortement liés entre eux et
faiblement liés à d’autres éléments externes au module.
- un élément intégrateur est un élément appartenant à un module qui interagit fortement en
nombre ou en intensité avec des éléments appartenant à d’autres modules.

L'intérêt de cette définition est sa cohérence avec une représentation matricielle des
interactions entre les éléments d'un domaine et l’utilisation d’un algorithme pour identifier une
architecture « optimale" de ce domaine.

I.2.3.2 Conception modulaire des produits

La conception modulaire est une des méthodes de conception de produits permettant la
diversification de l’offre (Saïd, 2018 ; Gibaru Olivier, 2020). Un intérêt considérable s’est porté
dans les années récentes sur la conception modulaire dans les secteurs (tels que l’informatique,
l’automobile, l’aéronautique, etc) où la réactivité constitue un facteur-clé de succès. L’objectif
de cette orientation stratégique est de réduire simultanément la complexité, les temps et les
coûts de fabrication.

Dans cette partie, nous présentons d’abord la modularité et les familles de produits.
Ensuite nous présentons les avantages et les inconvénients de la conception modulaire. Nous
réalisons ensuite une synthèse bibliographique sur les méthodes de modularisation d'un produit.
Enfin, nous présentons succinctement les outils matriciels de représentation d'une architecture
(DSM et matrices d'incidence) et positionnons le problème lié à la modularité.

I.2.3.2.1 Modularité et familles de produits

Plusieurs politiques de conception de produits ont été proposés pour offrir une grande
variété de produits finis à savoir :
 la différentiation retardée ;
 la conception modulaire ;
 la standardisation.

33
 La conception modulaire consiste à assembler un produit à partir de modules fonctionnels.
Un module est constitué d’un ensemble d’éléments fortement liés entre eux et faiblement à
d’autres éléments externes au module (Baldwin et Clark, 2000).

Une famille de produits est un ensemble de produits ayant une ou plusieurs similarités dans
leurs caractéristiques (fonctions, composants, processus d’assemblage, technologie) qui
satisfont les exigences particulières des clients. Chaque produit individuel de la famille de
produits est appelé variante du produit.

Pahl et Beitz (1996) proposent la classification suivante des modules :

 Module basique : il implémente une ou plusieurs fonctions fondamentales du produit ou
de la famille de produits.
 Module auxiliaire : il implémente une ou plusieurs fonctions auxiliaires qui sont
utilisées en association avec les fonctions fondamentales pour créer de la variété dans
la famille de produits.
 Module adaptatif : il regroupe les fonctions qui permettent d’adapter un composant (ou
un système) à un autre produit ou (à un autre système). Les modules adaptatifs
permettent de gérer les contraintes imprévisibles.
 Non module : il implémente des fonctions spécifiques dictées par les besoins des clients.
Ces fonctions ne sont pas partagées avec d’autres produits de la famille.

Dans sa thèse, Mtopi (2006) utilise une autre typologie plus adaptée aux familles de
produits.

Il utilise les concepts suivants :

le « produit de base », rassemble tous les modules implémentant les fonctions

principales de la famille et est considéré comme un « module composé »,
un module indécomposable est dit « primitif »,
un module commun, correspond à une ou plusieurs fonctions présentes dans tous les
produits de la famille,
un module distinctif, introduit la variété dans la famille.

La modularité a aussi été associée à la notion de similitude dans le sens où un module

regroupe des éléments ayant des caractéristiques similaires (par exemple, des composants ayant
la même géométrie, des fonctions liées à la même discipline scientifique comme la thermique,
l’automatique) (Huang et Kusiak, 1998).

34
I.2.3.2.2 Avantages et inconvénients de la conception modulaire
Dans les mémoires de thèse de Mtopi et de Harmel, nous avons dressé un inventaire des
avantages et inconvénients de la conception modulaire (Huang, 2000 ; Baldwin et Clark, 2000 ;
Oosterman, 2001 ; Holtta et Salonen, 2003). Retenons ici les quatre points essentiels :
- Aider à maîtriser la complexité en séparant le système en modules inter-reliés, avec une
définition appropriée des interfaces entre modules. Cette approche permet d'envisager
des opérations de maintenance ou des évolutions technologiques de modules au cours
du cycle de vie du système, sans affecter l'ensemble du système (Newcomb et al., 1998 ;
Dahmus et. al., 2001).
- Permettre des économies d’échelle : lorsqu’on augmente les quantités de production,
on réduit les coûts par un meilleur amortissement des coûts fixes. Or, la conception
modulaire permet la réutilisation de certains modules ou composants (standardisation)
et donc l’augmentation des quantités (Sanchez, 1999). Cela permet aussi de générer de
l'économie de variété.
- Réduire les délais de développement ("Time to market") par une optimisation des
processus de conception (Browning (1998, 1999)). Si les interfaces entre les composants
sont bien définies, il est possible de paralléliser les activités de conception, et donc de
réduire les délais de développement.
- Faciliter la mise en place d’équipes de conception, adaptées à l’architecture du produit.
Les échanges entre équipes et leur coordination sont prévus dans le cadre du
management. Ils sont réduits par une définition appropriée des interfaces (Baldwin et
Clark, 1997 ; Ulrich et Eppinger, 2000 ; Blackenfelt, 2001 ; Sosa et al., 2003). Se
spécialisant sur la conception d'un module, l'équipe développe une compétence
collective qui peut devenir stratégique si elle est source d'innovation et d'avantage
compétitif (Sanchez et al., 1996). Elle favorise aussi l'externalisation du développement
de modules.

Mais la conception modulaire a aussi quelques inconvénients (Oosterman, 2001) :

- Une utilisation intensive de la modularisation rend les produits tous semblables.

- La modularisation fait augmenter les risques de voir les produits copiés par les
entreprises concurrentes.
- La conception initiale des modules est très difficile en raison de la complexité des
contraintes sur les interfaces.

35
 - Plusieurs auteurs affirment qu’une architecture modulaire est un frein pour la
conception de produits performants à cause du compromis que réalise une architecture
modulaire parmi tous les produits.
- La conception modulaire peut engendrer des surcoûts, si par soucis de conserver les
mêmes interfaces, on remplace un composant par un autre plus cher.

Cette synthèse montre que les entreprises s’engageant dans une stratégie de conception
modulaire de ses produits peuvent en tirer des bénéfices importants, mais doivent être
conscientes des limites et des risques de la modularisation.

I.2.3.2.3 Méthodes de modularisation du produit

Les outils d’aide à l’identification des modules dans un produit sont peu nombreux dans la
littérature de l’ingénierie de la conception. Parmi elles, trois méthodes sont fréquemment
référencées :

 Méthode heuristique pour l’architecture des fonctions,

 Méthode MFD (Modular Function Deployment),
 Méthode de “clustering” d’une matrice structurelle de conception (en anglais DSM pour
Design Structure Matrix).
Une étude comparative de ces trois méthodes a été réalisée par Holtta et Salonen (2003).
Pour notre part, dans cette partie, nous ne présenterons que les deux premières méthodes. La
troisième étant celle que nous allons utiliser dans ce travail, elle sera traitée en détail dans la
suite du travail.

a) Méthode des heuristiques

Développé par Stone (1998) et Stone et al. (2000), elle est basée sur trois heuristiques
qui permettent d’identifier les modules fonctionnels d’un produit. Un ensemble de fonctions de
ce produit interagit par des flux d’informations (flux dominants, flux ramifiés, flux convertis)
pour former des modules physiques (Figure 5). Les principaux critères de modularisation sont
fonctionnels et indépendants de l’architecture physique du produit. Les trois heuristiques sont :
 Heuristique des flux dominants : elle examine les flux à travers une arborescence
fonctionnelle et suit les flux jusqu’à ce qu’ils sortent du système ou subissent une
transformation. Elle conclut que s’il existe un ensemble de fonctions à travers lesquelles
un flux passe jusqu’à la sortie ou la transformation, alors ces fonctions forment un
module.

36
  Heuristique des flux ramifiés : elle examine les flux divergents ou convergents issus
de chaînes de fonctions parallèles. Chacune de ces chaînes peut devenir un module dont
l’interface correspond au point de branchement de la chaîne.

 Heuristique du module de conversion-transmission : elle examine les flux convertis.

Ces flux sont convertis au niveau de certaines fonctions. On considère alors ces
fonctions comme étant des modules à elles seules. Si dans une même chaîne de
fonctions, il y a plusieurs fonctions de transmission ou de conversions, alors ces
fonctions délimitent un module de conversion ou de transmission.

Figure 5 : Heuristiques pour l'architecture des fonctions

Zamirowski et Otto (1999) proposent trois heuristiques additionnelles pour identifier les
fonctions partagées dans un produit unique ou dans une famille de produit et les fonctions
uniques propres à un produit donné. Ainsi, les fonctions qui partagent des flux similaires ou qui
apparaissent plusieurs fois peuvent être regroupées pour former un unique module. Les
fonctions uniques sont celles spécifiques à un seul produit, elles peuvent être regroupées pour
former un module.

Nous remarquerons que les principaux critères de modularisation sont fonctionnels et

indépendants de l’architecture physique du produit.

Cette méthode est présentée comme étant idéale pour la conception de famille de produits
d’après Holtta et Salonen (2003), mais elle présente le défaut d’être dépendante de
l’interprétation et de la décision humaine. Elle ne peut pas être automatisée et de ce fait ne peut
pas être appliquée sur des produits complexes (Otto et Wood, 2001). Pour des présentations
plus approfondies de cette méthode et surtout de la démarche de mise en œuvre, nous
conseillons la lecture des travaux de (Dahmus et al. 2000 ; Otto et Wood, 2001 ; Holtta et
Salonen, 2003).

37
 b) Méthode MFD (Modular Function Deployement)

C’est une méthode de modularisation plus orientée management qu’ingénierie. Elle a été
développée par (Erixon, 1996 ; Ericsson et Erixon, 1999) et est dédiée à la modularisation d’un
seul produit. Dans cette méthode, des critères de modularité autres que la fonctionnalité sont
considérés. Il y a douze critères de modularité dans la méthode MFD (Tableau 3).
Un ou quelques critères de modularité sont choisis en fonction de la stratégie de développement
de produit modulaire de l’entreprise. L’entreprise applique ensuite la démarche de MFD qui
comprend cinq étapes :
1. Clarifier la spécification du produit en utilisant une matrice QFD avec les pilotes de
modularité qui remplacent les besoins des clients.
2. Analyser les fonctions et sélectionner les solutions techniques.
3. Identifier les modules possibles en utilisant la matrice MIM (Module Indication Matrix).
Celle-ci sert à examiner les corrélations entre les critères de sélection de modules (normalement,
ce sont les critères en relation avec les activités du cycle de vie du produit, par exemple facilité
de conception, recyclage, etc.) et les composants sélectionnés dans l’étape antérieure. Un
questionnaire est fourni pour soutenir cette activité. Les composants (verticalement) sont
évalués par rapport aux critères (horizontaux) selon le questionnaire fourni (Figure 6). Les
composants avec une meilleure note sont appelés « porteurs ». Le reste des composants qui ont
une bonne note dans les mêmes critères que les composants porteurs sont assemblés avec ces
derniers pour former des modules.
4. Évaluer les concepts en testant les interfaces entre les modules.
5. Améliorer chaque module.
L’identification des modules selon la méthode MFD se fait en classant les fonctions selon un
score croissant. Les fonctions participant à un même critère de modularité sont candidates pour
former un module.

Tableau 3 : Les critères de modularité dans la méthode MFD

Développement du produit Reconduction Une partie du produit peut

être réutilisée et reconduite
dans plusieurs produits.
Évolution technologique Les pièces sont susceptibles
de subir des changements en
raison des demandes de
clients ou des innovations
technologiques. Il est
important de pouvoir adapter

38
 les interfaces de sorte que la
nouvelle technologie puisse
être introduite sans remettre
en cause l’ensemble du
produit.
Modifications planifiées L’entreprise a l’intention de
développer et de changer
certaines parties du produit.
Variabilité Spécifications variables Pour prendre en compte la
personnalisation des produits
efficacement, un concepteur
devrait tâcher d’assigner
toutes les variations à un
petit nombre de composants.
Style Les modules de style
contiennent les composants
qui peuvent être altérées
pour créer des variations du
produit.
Production Unité en commun Les composants et fonctions
en commun entre plusieurs
produits permettent le
partage d’une unité de
production.
Processus et/ou organisation Des pièces exigeant le même
processus de production sont
groupées ensemble.
Qualité Essais séparés La possibilité de tester
séparément chaque module
avant la livraison à
l’assemblage final peut
contribuer à l’amélioration.
Achats Disponibilité des Modules standard d’achat
fournisseurs disponibles chez les
fournisseurs externes.
Après-vente Service et maintenance Les composants nécessitant
une maintenance peuvent
être groupés ensemble pour
former un module qui
facilite les opérations de
remplacement et de
réparation.
Amélioration Il faut donner aux clients la
possibilité de faire évoluer
leur produit.
Recyclage Le nombre de matériaux
dans chaque module devrait
être limité. Les matériaux
facilement recyclables

39
 peuvent former un module
séparé.

Figure 6 : Matrice Indication Module

La méthode MFD présente l’avantage de laisser le choix aux ingénieurs de définir les
stratégies de modularisation en jouant sur les pilotes. Ce même avantage est l’un des
inconvénients de la méthode qui reste dépendante des ingénieurs dans le choix des modules et
de leurs tailles, ceci a pour conséquence de limiter la possibilité d’automatiser la méthode et
d’avoir la même architecture d’un utilisateur à un autre (faible reproductibilité).

Les deux méthodes de modularisation présentées ci-dessus montrent certes plusieurs

avantages, mais aussi certaines limites :

o Elles dépendent des choix des ingénieurs à certains moments de la démarche de

modularisation.
o Elles ne peuvent pas être automatisées et sont difficilement exploitables sur des
exemples complexes où une assistance par un traitement informatique serait
souhaitable.
o Elles sont essentiellement adaptées à l’espace fonctionnel.

Ces limites font que, nous opterons pour une autre méthode de modularisation, à savoir la
méthode de clustering des matrices DSM. Celle-ci permet à la fois de modéliser les

40
architectures par les DSM et de générer des architectures modulaires « satisfaisantes », à travers
l’utilisation d’un algorithme de clustering.

I.2.3.2.4 Outils matriciels de représentation d’une architecture DSM

DSM est l’acronyme de « Design Structure Matrix » ce qui est traduit par matrice
structurelle de conception. Dans la suite de ces travaux, nous allons utiliser le terme DSM
pour faire référence à une matrice structurelle.

Une DSM est un outil de modélisation, utilisé dans les projets de conception et dérivé
des matrices binaires avec l’introduction de nouvelles capacités et possibilités. Nous présentons
dans ce qui suit les fondements de cet outil matriciel et ses apports dans la modélisation des
domaines d’un projet.

I.2.3.2.4.1 Classification des DSM

Il existe deux classes de DSM, en lien avec la classification utilisée pour les matrices
binaires (Ghassen, 2008). On retrouve ainsi la classe des matrices symétriques sous le nom de
DSM statiques et la classe des matrices asymétriques sous le nom de classe des DSM
temporelles (figure 7). Les DSM statiques tirent leur nom du fait qu’elles sont utilisées pour
matérialiser les interactions entre les éléments d’un système, indépendamment du temps. Les
deux sous-classes les plus utilisées des DSM statiques sont les DSM Produit utilisées pour
représenter l’architecture des produits et les DSM Organisation (ou Acteurs) pour modéliser
l’organisation des acteurs dans un projet ou dans l’entreprise. Les DSM temporelles quant à
elles permettent de représenter les systèmes dont les éléments sont liés par des relations de
précédence, qui peuvent être des relations de précédence de type temporel (DSM Processus) ou
des relations de hiérarchie ou de contrainte (DSM Paramètres).

Figure 7: Classification des DSM

41
 a) Les DSM temporelles

La terminologie exacte utilisée pour faire référence à la modélisation matricielle des

systèmes hiérarchisés est « Dependency Structure Matrix », ce qui permet d’obtenir le même
acronyme DSM.

Les deux sous-classes les plus connues des DSM temporelles sont les DSM processus et les
DSM paramètres.

Les DSM Processus. Elles permettent de modéliser l’enchaînement des tâches de tous les
processus de l’entreprise. Dans l’entreprise, les tâches déterminent principalement l’allocation
des ressources et servent de base pour estimer la durée et le coût du projet. C’est pourquoi les
deux grands domaines d’application des DSM temporelles sont :

 L’optimisation des processus du point de vue coût et délais : nous citerons les travaux
de Yassine et al. (2001) sur les probabilités de reconception, ceux de Carrascosa et al.
(1998) sur l’estimation des délais de conception et ceux de Browning et d’Eppinger
(2002) sur le lien entre le séquencement des tâches et les coûts de développement.
 L’optimisation des processus pour la conception des équipes de conception : nous
citerons les travaux de (Eppinger et al., 1994 ; Browning ,1999 ; Braha, 2002 ; Chen et
Lin, 2003).

Les DSM Paramètres. Elles ont été initialement utilisées pour modéliser les relations de
précédence et les contraintes entre les paramètres et variables en conception. Elles s’appliquent
plus généralement à tous les systèmes dont les éléments ne sont pas homogènes. Elles
permettent d’optimiser les boucles de conception entre groupes de paramètres (Browning,
2001).

L’objectif général lorsqu’on analyse des DSM temporelles est de réorganiser les éléments
en ligne et en colonne de manière à réduire les retours en arrière lorsqu’il s’agit de tâches, ou
d’identifier une hiérarchie entre les éléments. Sur la figure 8, si on considère que les activités
s’enchaînent de A vers K, alors on remarque qu’il y a trois retours en arrières (les croix au-
dessus de la diagonale).

Cette réorganisation est assurée par des algorithmes de séquencement et de partitionnement.

42
 Figure 8 : Exemple de DSM temporelle
Le partitionnement est le processus de réorganisation des lignes et des colonnes d’une
DSM temporelle de sorte qu’on réduise les interactions représentant les retours en arrière. Cela
revient à rendre la DSM le plus possible triangulaire. Cependant cette action n’est pas toujours
synonyme de réduction de la durée globale du processus modélisé. En effet, l’exemple en figure
9 montre un processus composé de 7 tâches dont les relations de précédence sont modélisées
par une DSM. La figure 9 (a) montre le résultat du partitionnement qui a pour but de réduire
les boucles en arrière, on remarque qu’on a uniquement deux sauts en arrière de E vers A et de
F vers C. On suppose que le processus en question est fini lorsqu’on passe au moins une fois
par toutes les tâches et que toutes les tâches ont des durées équivalentes, alors on obtient
l’enchaînement suivant (A, E, C, F, B, A, C, A, D, B, E, D, F, E, G, F) avec 16 tâches. On
remarque alors, que plus les interactions sont éloignées de la diagonale, plus la boucle est
grande.

Pour remédier à ces problèmes d’allongement des processus, une alternative est de
réarranger les lignes et les colonnes des DSM temporelles de manière à ce que les interactions
soient les plus proches de la diagonale. Ainsi, on augmente le nombre des boucles arrière, mais
ces boucles seront plus courtes. La figure 9 (b) montre qu’avec la deuxième technique de
séquencement, on obtient 4 boucles mais un processus plus court (A, E, E, D, D, B, C, F, E, A,
F, C, G, F) avec 14 tâches.

43
 (a) (b)
Figure 9 : Deux résultats de partitionnement d’une DSM

b) Les DSM statiques

Les DSM statiques par opposition aux DSM temporelles permettent de modéliser d’une
manière non hiérarchique les interactions entre les constituants d’un système, ce système
pouvant être un produit ou une organisation.

Historiquement, les DSM statiques binaires ont été choisies d’après Kusiak et al. (1993)
pour modéliser l’architecture des produits et modéliser les interactions qui lient leurs
composants. Ces DSM sont binaires et permettent d’identifier l’existence ou non d’un type
d’interaction étudiée. Les DSM statiques binaires sont encore utilisées malgré l’apparition des
DSM numériques (Bohm et al., 2004).

Une DSM Produit modélise les interactions entre les constituants d’un produit. Pimmler et
Eppinger (1994) proposent une taxonomie (tableau 4) permettant de différencier les différents
types d’interactions. Cette taxonomie permet ainsi de construire des DSM produits où les
cellules, autres que les diagonales, contiennent des vecteurs de dimension 4 contenant des
valeurs binaires.

Tableau 4 : Taxonomie des interactions du Produit (Pimmler et Eppinger, 1994)

Type de DSM Type d’interaction Explication

Spatiale Lié à la propagation de contraintes
physiques
Produit Energie Lié aux flux d’énergie

44
 Information Lié au flux d’information
Matériel Lié au flux de matière

Meinadier (2002) justifie l’utilisation des matrices DSM auxquelles il donne le nom de
matrices de couplage et d’intégration, car elles permettent en effet de représenter et visualiser
facilement les interactions (de différentes natures) entre les constituants. Elles sont utiles
d’abord lors de la définition de l’architecture organique (regroupement de modules,
optimisation des couplages) et ensuite lors de l’intégration pour vérifier que les zones de
couplages et les interfaces entre constituants sont bien réalisées et vérifiées.

Avec une DSM « Organisation », on modélise les interactions entre les acteurs dans une
équipe de conception. Parmi les travaux les plus récents utilisant les DSM Organisation
binaires, on citera ceux de (Sosa et al., 2004). Dans ses travaux, on propose la taxonomie des
interactions présentée dans le tableau 5.

Tableau 5 : Taxonomie des interactions entre acteurs (Sosa et al., 2004)

Type de DSM Type d’interaction Explication

Qualité Lié aux type de moyens de communication
(direct, mail, document, etc.)
Fréquence Lié à la fréquence des interactions
Acteurs
Direction Lié à des interactions
<< Timing >> Lié à la référence des interactions par rapport
au projet

I.2.3.2.4.2 Synthèse sur les types de DSM

Le tableau 6 résume les principaux types de DSM utilisées dans la modélisation de
projet.
Tableau 6 : Récapitulatif des caractéristiques des DSM

Type de DSM Représentation Application Méthode

d’analyse
Produit Interaction entre Conception et architecture des
composants systèmes Clustering
Caractérisation des Conception d’organisation,
Acteurs interfaces entre gestion des interfaces entre Clustering
acteurs acteurs, coopération et
collaboration, flux d’information

45
 Relations Structuration des processus,
Activités Input/Output entre planification des projets partitionnement
activités
Paramètres Précédences et Conception et architectures des partitionnement
hiérarchies entre systèmes à composants non
paramètres homogènes

Avant la numérisation proprement dite des DSM, on assistait à une forme intermédiaire
entre les DSM binaires et celles numériques. Il s’agit des DSM utilisant une métrique discrète,
la plupart du temps basée sur une sémantique linguistique du genre Faible, Moyen et Fort. Ainsi,
dans les travaux de Sosa (2005), on retrouve une métrique utilisant les classes Fort, Faible et
Nul.

I.2.3.2.4.3 Les DSM numériques

Dans les DSM binaires, un seul attribut est utilisé pour caractériser les interactions à
l’intérieur d’un système à savoir l’existence ou l’absence d’une interaction. Une quantification
des interactions modélisées dans les DSM permet de relativiser le poids des interactions et ainsi
d’augmenter la qualité informative des DSM.

a) DSM temporelles numériques

Concernant les DSM temporelles, nous pouvons retenir les travaux d’Eppinger et al. (1994)
qui proposent de rendre numérique une DSM processus (Figure 10) en portant sur la diagonale
la durée de chaque tâche et en transformant la représentation binaire des interactions en
évaluation numérique du degré de dépendance entre les tâches (valeur comprise entre 0 et 1).

Le traitement proposé par les auteurs est de simuler le partitionnement qui réduit la durée
totale du processus modélisé.

46
 Figure 10 : Exemple de numérisation des DSM temporelles (Eppinger et al., 1994)
La question qu’on peut se poser lorsqu’on veut faire évoluer le caractère informatif des
DSM binaires est : quels attributs rendre numériques ?

Dans la littérature, on trouve plusieurs méthodes de numérisation des DSM temporels. Dans
ce qui suit, nous allons passer en revue les plus connues :

 Steward (1981), qui suggère d’utiliser des valeurs numériques pour caractériser l’ordre
dans lequel les tâches de retour en arrière sont traitées. La marque avec la plus haute
valeur est celle qui doit être analysée en premier.
 Yassine et al. (2001), qui proposent de quantifier le degré d’importance des interactions.
Une échelle linguistique est utilisée pour caractériser les interactions : 1 = importante,
2 = moyenne, 3 = faible dépendance. Dans ce cas, on obtient trois classes de dépendance
ordonnées selon leur degré d’importance.
 On peut caractériser la force du lien de dépendance entre les tâches. Deux mesures sont
usuellement utilisées, soit entre 0 et 1 (Eppinger et al., 1994), soit entre 1 et 10 (Yassine
et al., 2000). L’algorithme de partitionnement utilisé a pour but alors de minimiser une
somme globale des dépendances dans la DSM.
 On peut caractériser le volume des flux d’information. L’algorithme de partitionnement
a les mêmes objectifs que celui du cas précédent (Guivarch, 2003).
 On peut caractériser la variabilité de l’information échangée. Cette mesure de variabilité
reflète l’incertitude sur les échanges d’information entre tâches. Cette mesure peut être

47
 construite statistiquement ou évaluée subjectivement par les acteurs du projet (Yassine,
2004).
 On peut caractériser la probabilité de répétition, ainsi une valeur numérique renseigne
sur la probabilité de causer des répétitions (Smith et al., 1997 ; Browning, 1998 ; Cho
et Eppinger, 2001).
 Carrascosa et al. (1998) proposent de construire et de caractériser les couplages entre
tâches par des probabilités, puis de provoquer des changements, ce qui représente une
vision plus large que le modèle présenté dans le point précédent.

Avant de définir les DSM statiques numériques, il est important d’ajouter que dans
certains travaux, nous trouvons une modélisation du domaine des activités et des tâches par
des DSM statiques numériques (Chen et Lin, 2003). L’objectif est alors d’identifier les
regroupements entre tâches pour les affecter par la suite à des acteurs collectifs (des
équipes).

b) DSM statiques numériques

Les travaux d’enrichissement de l’outil DSM se sont intéressés tout d’abord aux DSM
temporelles, ce qui a ouvert la porte à la numérisation des DSM statiques et plus spécifiquement
à la numérisation des DSM Organisation. En effet, les premiers travaux sur la numérisation des
DSM statiques ont été réalisés par McCord et Eppinger (1993) et ont porté sur la construction
d’une DSM acteurs en partant des tâches que les acteurs réalisent. Ils proposent alors de
quantifier les couplages entre les acteurs en utilisant une DSM temporelle numérique qui évalue
l’intensité des dépendances entre les tâches.

La formalisation de la numérisation des DSM organisation a été réalisée quand les

premières taxonomies des types d’interactions entre acteurs ont été proposées, ces taxonomies
servaient de base pour la proposition de métriques. Morelli et al. (1995) ont utilisé la « qualité
» comme métrique pour qualifier les moyens de communications entre les acteurs. Les travaux
les plus récents quant à eux utilisent beaucoup plus la fréquence des interactions comme
métrique (Sosa, 2004).

Quant aux DSM produit, certains travaux pionniers dans la numérisation proposent une
métrique discrète qui s’applique à tous les types d’interactions identifiées (Pimmler et Eppinger,
1994). Cette métrique représentée dans le tableau 7 classe les interactions en 5 types.

48
 La DSM représentée dans la figure 11 montre l’une des premières applications des DSM
Produit numériques. Le produit en question est un moteur thermique.

Tableau 7 : Métrique pour les DSM Produit (Pimmler et Eppinger, 1994)

Type de DSM Type Métrique

Spatiale Nécessaire :(+2) L’interaction est nécessaire pour le fonctionnement du produit

Energie Désiré :(+1) L’interaction est bénéfique mais non absolument nécessaire
Produit Information Indifférent : (-1) L’interaction n’affecte pas le fonctionnement du produit
Matériel Non-désirée :(-1) L’interaction affecte le fonctionnement du produit
Nuisible : (-2) L’interaction empêche le bon fonctionnement du produit

Figure 11 : Exemple de DSM Produit (Pimmler et al., 1994)

Une autre métrique très répandue dans les DSM produit numériques, est celle qui utilise
des valeurs numériques réelles la plupart du temps positives (bornées ou pas) (Rodriguez-Torro,
2004 ; Clarkson et al., 2004 ; Larses, 2005).

49
I.2.3.2.5 Positionnement du problème de la modularité
Par la modularité, il peut être possible de développer un certain nombre d'avantages de
conception (Sanchez et Mahoney, 1996 ; Baldwin et Clark, 1997 ; Ethiraj et Levinthal, 2004).
La construction modulaire permet de procéder à des changements rapides par la division et la
substitution de modules (Baldwin et Clark, 1997). De plus, réutiliser le même module dans
plusieurs structures permet des économies d'échelle et des économies de substitution (Garud et
Kumaraswamy, 1995).

La modularité de produit permet d’avoir des stratégies d’offre de configuration de

produit comme la personnalisation de masse (mass-customization) et des stratégies
d’assortiment extensif de produits aux fonctions proches (Hsuan Mikkola et Skjøtt-Larsen,
2004). Enfin, réduire l'interdépendance entre des modules peut diminuer la spécificité des
ressources selon Baldwin et Clark (2000) et augmenter les occasions d’externalisation
(Schilling et Steensma, 2001). Les constructions modulaires sont plus robustes aux
changements dans l'environnement (Pil et Cohen, 2006).

Cependant, la modularité n'est pas un choix simple car son principal problème est
qu’elle engendre des surcoûts dans l’assemblage ou le désassemblage des modules. On note
également le problème de surcoût pour réaliser une conception modulaire par rapport à une
conception intégrée (Langlois, 2002). Il serait donc opportun de mesurer le degré de modularité
pour faciliter l’assemblage et le désassemblage des composants de chaque module constitutif
de notre système et de proposer un moyen d’améliorer la fonction coût de couplage des modules
pour éviter la formation de modules de trop grandes tailles.

Dans la section suivante, nous ferons un état de l’art sur les méthodes de conception
robuste afin de choisir une méthode que nous allons améliorer pour résoudre le problème posé.

I.3 ANALYSE BIBLIOGRAPHIQUE SUR LES METHODES DE CONCEPTION

ROBUSTE
La prise en compte des variations est essentielle dans la phase de développement d’un
produit. En effet, toute conception est soumise à des variations qui peuvent être dues à des
sources diverses, incluant les défauts de fabrication, les incertitudes sur les propriétés des
matériaux, l’environnement, etc. L’ignorance de ces variations peut se traduire par des
conceptions non robustes, onéreuses et défaillantes.

Selon Taguchi (1993), « au lieu d’éliminer ou de réduire les causes de la variabilité des
performances d’un produit, il est préférable d’ajuster sa conception afin de le rendre insensible

50
aux causes des variations ». La conception robuste vise ainsi à optimiser les paramètres de
conception d’un produit et de son procédé de fabrication afin de réduire la sensibilité de ses
performances aux bruits internes et externes.

I.3.1 Les origines de la conception robuste

Le concept de la robustesse a été introduit pour la première fois par l’ingénieur japonais
et statisticien Taguchi (1978). Il a proposé dans les années cinquante de transformer le contrôle
de qualité en ligne en contrôle de qualité hors ligne. Cette étape est à l’origine du concept de
qualité robuste en ingénierie. Il fallut cependant attendre le début des années quatre-vingt-dix
pour trouver les premières contributions dans la littérature qui intègrent ce concept dans le cadre
de la conception.

En effet, la conception robuste est au cœur de l’amélioration de la productivité en

ingénierie. De nombreuses compagnies internationales ont réalisé des économies considérables
en utilisant des méthodes de conception robuste, et ce dans différents secteurs d’activité :
mécanique, automobile, télécommunications, électronique, informatique, etc (Phadke, 1989 ;
Taguchi, 1993 ; Wu et Wu, 2000).

Les entreprises ont parallèlement investi lourdement dans l’approche « Six- Sigma » à
la fin des années quatre- vingt et au début des années quatre-vingt – dix (Thornton, 2001).
Cette approche permet de réduire les coûts en détectant les problèmes rencontrés durant les
phases de conception et de fabrication et en s’affranchissant des causes de défaillance
immédiatement. Ces efforts ont cependant eu un impact important sur le coût des produits et
ainsi sur les revenus des entreprises. En effet, l’approche « Six- Sigma » a été utilisée au
maximum de son potentiel et a montré ses limites. De nouvelles méthodes, telles que les
méthodes de conception robustes, se sont donc avérées nécessaires pour améliorer la
productivité des entreprises.

I.3.2 La conception robuste selon Taguchi

La philosophie de Taguchi repose sur deux concepts : la fonction perte et le ratio
signal/bruit, (Taguchi, 1993 ; Wu et Wu, 2000).

I.3.2.1 La fonction perte

La fraction de produits en dehors des limites spécifiées est couramment utilisée comme
une mesure de la qualité. Bien que ce soit une bonne mesure de la perte due au rebut, ce n’est
pas un bon indicateur de la satisfaction du client. C’est la raison pour laquelle Taguchi a défini

51
la fonction perte comme une mesure de la perte de la qualité subie par un client, due à une
mauvaise conception du produit acheté. Le respect des tolérances ne garantit pas
nécessairement une bonne qualité du produit. Phadke (1989) présente ainsi une fonction perte
quadratique à la place de la fonction perte double échelons. En effet, la qualité d’un produit
diminue progressivement avec la déviation des variables par rapport à leur valeur nominale.
Les allures de ces fonctions sont représentées par la figure 12 où y est la cible de la variable de
conception, m ± ∆0 est la plage de variations de y tolérée et A0 est la perte due à la défaillance
d’un produit. Ainsi, l’expression de la fonction perte est la suivante :

L  k  y  m
2
(35)

(a) Fonction double échelons

(b) Fonction perte quadratique

L( y )  k ( y  m ) 2
k  A0 /  0

Figure 12 : Fonctions perte « double échelons » et « quadratique »

En outre, si la fonction y a pour moyenne m et pour variance σ 2, la perte de qualité
moyenne par produit est donnée par l’équation suivante (𝜇 étant la cible nominale visée) :

Q  k (   m)2   2  (36)

I.3.2.2 Le ratio signal / bruit

La robustesse d’une conception varie avec les valeurs des variables de conception. Le ratio
signal/bruit est une mesure de la sensibilité de la conception aux changements des conditions
environnementales et peut être utilisé pour calculer les valeurs optimales des variables de
conception.

D’après l’équation (35), la perte de qualité moyenne dépend de la déviation de la moyenne

de la variable de conception y par rapport à sa cible et de sa variance. Rendre la conception
robuste consiste ainsi à résoudre le problème d’optimisation visant à minimiser la variance des
spécifications tout en maintenant leur moyenne sur leur cible. Selon Phadke (1989), il est plus

52
facile d’ajuster la moyenne sur la cible que de minimiser la variance. En conséquence, il est
plus judicieux pour le concepteur de minimiser la variance des performances d’une conception
dans un premier temps et d’ajuster ensuite la moyenne des variables de conception. Le problème
d’optimisation peut ainsi se décomposer en deux étapes :
1. Maximiser le ratio signal/bruit η défini par :

  10log(  2 /  2 ) (37)
2. Ajuster la moyenne sur la cible en utilisant une ou deux variable(s) de conception
n’ayant pas (ou ayant peu) d’influence(s) sur la variance des spécifications.

I.3.3 Formulation du problème de conception robuste local

Dans tout problème de conception robuste, trois ensembles sont dissociés : l’ensemble
des variables de conception, l’ensemble des paramètres de conception environnementaux et
l’ensemble des fonctions performances (Taguchi, 1993). Al- Widyan et Angeles (2005)
introduisent par ailleurs les notions de conception globalement robuste et de conception
localement robuste. Ici, nous nous focalisons sur la deuxième notion.

I.3.3.1 Les variables de conception

Les variables de conception (VC) d’un système mécanique sont généralement ses
dimensions (longueurs des barres, orientations des axes des liaisons, etc). Les valeurs nominales
de ces variables sont contrôlables et calculées par le concepteur afin d’optimiser les
performances du mécanisme. Leur valeur réelle est cependant incertaine à cause des défauts de
fabrication et de l’usure des pièces par exemple. Ces variables sont regroupées dans le vecteur
x de dimension 𝒍:

x   x1 x2 ... x T (38)

I.3.3.2 Les paramètres de conception environnementaux

Les paramètres de conception environnementaux (PCE) décrivent l’environnement du
système. Ils ne peuvent pas être maitrisés par le concepteur puisque leurs variations sont
aléatoires. La température, la pression ambiante, le niveau d’humidité et l’utilisateur du bien
conçu sont des exemples de paramètres de conception environnementaux. Ces paramètres sont
regroupés dans le vecteur p de dimension m :

p   p1 p2 ... pm 
T
(39)

I.3.3.3 Les fonctions performances

53
 Les fonctions performances (FP) d’un système mécanique peuvent être multiples. Les
n fonctions performances d’un système mécanique sont regroupées dans le vecteur f de
dimension n et la i ème fonction performance est notée fi :

f   f1 f 2 ... f n 
T
(40)

Les fonctions performances des systèmes mécaniques étudiés dépendent

généralement des variables et des paramètres de conception :
f  f ( x, p) (41)

I.3.3.4 Exemples de formulation d’un problème de conception robuste

La formulation du problème de conception robuste d’un système de refroidissement
d’une salle et celle d’un mécanisme articulé illustre la différence entre les ensembles définis
précédemment.

I.3.3.4.1 Exemple 1 : système de refroidissement d’une salle

Pour la conception d’un système de refroidissement d’une salle, le réglage du thermostat
est le signal et la température résultante de la salle est la fonction performance. Le système a
ici une seule fonction performance : la température de la salle. La température extérieure,
l’ouverture et la fermeture des fenêtres, le nombre de personnes présentes dans la salle sont des
paramètres de conception du système, puisqu’ils ne peuvent pas être contrôlés par le
concepteur. A l’inverse, le nombre de personnes déclarées, la taille de l’unité de
conditionnement d’air, l’épaisseur et le type d’isolation sont des variables de conception
puisque leur valeur nominale peut être contrôlée par le concepteur.

Afin de rendre le système robuste, le concepteur doit ainsi calculer les valeurs nominales
des variables de conception afin de minimiser la variation de la température de la salle (la
fonction performance) et de la maintenir au voisinage de la température fixée par le réglage du
thermostat.

I.3.3.4.2 Exemple 2 : mécanisme articulé

Le système bielle- manivelle représenté par la figure 13 est composé d’une bielle de
longueur 𝒍𝑟 , d’une manivelle de longueur 𝒍𝑐 et d’un piston. e est l’excentricité entre l’axe de
rotation de la manivelle et la direction de la translation du piston.

54
 Figure 13 : Système bielle-manivelle
L’inégalité 𝒍𝑟 ≥ 𝒍𝑐 + e est une condition nécessaire au fonctionnement du mécanisme.
𝑓𝑝 et 𝜇 sont respectivement la force exercée sur le piston et le coefficient de frottement entre le
piston et le cylindre. Ils sont supposés incontrôlables par le concepteur. 𝑁𝑚𝑜𝑦 est la moyenne
de la force radiale exercée par le cylindre sur le piston. Rendre la conception du mécanisme
robuste consiste ici à calculer les valeurs nominales de 𝒍𝑟 , 𝒍𝑐 , et e afin de minimiser 𝑁𝑚𝑜𝑦 et
sa sensibilité aux variations des variables et paramètres de conception. En définitive, x =
𝑇
[𝒍𝑐 𝒍𝑟 𝐞]𝑇 , p = [𝒇𝑝 𝜇 ] et f = [𝑁𝑚𝑜𝑦 ].

I.3.4 Définition d’une méthodologie de conception robuste

I.3.4.1 Recensement des incertitudes

Nous disposons d’une boîte blanche dont les entrées X = (X1,...,Xn) regroupent les
entrées du système U et les paramètres environnementaux V . Les sorties sont représentées par
Y = (Y1,...,Yk) et les contraintes par T = (T1,...,Tm). Le code de calcul f tel que Y = f(X) est la
fonction objectif. Les fonctions 𝑔𝑖 telles que 𝑇𝑖 = 𝑔𝑖 (X), i = 1,...,m sont les fonctions
contraintes. Ces fonctions contraintes permettent de définir l’espace de conception par les
relations Ti ≥ 0, i = 1,...,m.

I.3.4.1.1 Différents types d’incertitudes

Tout système physique, et donc notre boîte blanche, est sujet à différentes sources
d’incertitudes qui sont en général classées en deux catégories (Beyer and Sendhoff, 2007) :

55
 - incertitudes objectives ou aléatoires : incertitudes irréductibles dues à des phénomènes
physiques non contrôlables comme la température, la pression mais aussi les conditions
de fabrication de pièces ou les propriétés des matériaux ;
- incertitudes de modèle ou épistémiques : incertitudes dues à un manque de connaissance
du concepteur vis-à-vis du comportement de son système. Ces incertitudes peuvent être
en général réduites par un effort de modélisation, d’investissement dans la connaissance.

Le vecteur X défini précédemment est entaché d’incertitudes aléatoires. Les incertitudes

épistémiques touchent quant à elles les fonctions f et 𝑔𝑖 , i = 1,...,m.
Un classement plus précis des différentes variables incertaines en fonction de la possibilité
ou non d’action sur ces variables dans le processus de conception a été proposé dans (Beyer
and Sendhoff, 2007) :
- incertitudes de type I : incertitudes liées à l’environnement et aux conditions
d’utilisation, ce sont donc des incertitudes aléatoires. Les variables que nous avons
notées V précédemment présentent ce type d’incertitudes. Elles sont indépendantes de
la conception du système physique. Elles peuvent être connues soit par des valeurs
(𝑐)
caractéristiques notées 𝑣𝑗 pour chaque variable Vj ,soit par une densité de probabilité
complète obtenue à partir de mesures ;
- incertitudes de type II : incertitudes de fabrication des pièces. Les variables
géométriques, que nous avons notées U, ne sont connues du concepteur que par leur
valeur nominale qu’il peut ajuster dans l’optique d’une conception robuste. Notons u
une réalisation de U : à cause des imperfections potentielles du processus de fabrication,
les variables U n’ont jamais la valeur nominale souhaitée 𝑢∗ et une dispersion ∆u
apparaît autour de 𝑢∗ (u = 𝑢∗ + ∆u) ;
- incertitudes sur les fonctions du système : incertitudes liées à l’évaluation des
performances du système, ce sont des incertitudes épistémiques qui touchent ici la
fonction f.
On peut parfois les regrouper avec les incertitudes de type I ;
- incertitudes de faisabilité : incertitudes sur les fonctions contraintes définissant l’espace
de conception. Ce sont encore des incertitudes épistémiques mais qui touchent cette fois
les fonctions 𝑔𝑖 .
La prise en compte de cette incertitude est une condition indispensable pour un résultat
optimal et robuste des études menées sur un système. Une fois que les sources d’incertitudes
ont été identifiées, il convient de les modéliser et de les quantifier.

56
I.3.4.1.2 Modélisation des incertitudes

La prise en compte des incertitudes peut se faire de différentes manières :

- approche au pire des cas (ou déterministe) : chaque variable incertaine est connue par
(+) (−)
ses valeurs haute 𝑢𝑖 et basse 𝑢𝑖 pour les variables de décision 𝑢𝑖 ,i = 1,...,d1 et une
(𝑐)
valeur caractéristique 𝑢𝑗 pour les variables Vj, j = 1,...,d2 ;
- approche probabiliste : chaque variable incertaine (U et V ) est définie par sa densité
de probabilité 𝑓̃𝑖 (𝑢𝑖 ), i = 1,...,𝑑1 et 𝑓̃𝑗 (𝑢𝑗 ), i = 1,...,𝑑2 ;
- approche possibiliste : une mesure floue est associée à chaque variable incertaine
(Dubois et al., 2008). Il peut s’agir d’une modélisation déterministe avec une loi sous-
jacente inconnue mais dont on connaît une statistique (la moyenne par exemple).

La méthode déterministe est simple mais limitée, tandis que la méthode possibiliste est plus
générale mais aussi plus complexe.

A chaque variable incertaine 𝑋𝑖 ,i = 1,...,d , est associée une densité de probabilité 𝑓̃𝑖 (𝑥𝑖 ).
Les variables du système n’étant pas entachées d’incertitudes, sont fixées à leur valeur
nominale. Elles seront donc considérées comme des paramètres et non plus comme des
variables.

Les incertitudes sur les fonctions du système et les incertitudes de faisabilité sont beaucoup
plus difficiles à modéliser. On les retrouve souvent dans les codes numériques censés reproduire
le comportement physique d’un système. Il existe donc un biais entre les simulations et la
réalité. Cependant, l’accès aux résultats dans la réalité n’est pas toujours possible, ce qui rend
l’évaluation de ce biais inaccessible en pratique. Avec l’amélioration des systèmes
informatiques et des capacités de calculs, nous considérons que les modèles utilisés conduisent
à des erreurs suffisamment faibles pour que leurs incertitudes soient négligées.

La modélisation des incertitudes de types I et II par des lois de probabilité conduit à une
variabilité des sorties qui présentent donc également des lois de probabilité. L’obtention
d’informations sur ces lois en sortie se fait par la propagation d’incertitudes.

I.3.4.2 Méthodologie de propagation des incertitudes

Partant du modèle physique connu (code de calcul), l’étude d’une variable d’intérêt Y à
partir de données stochastiques (vecteur X) permet de déterminer une quantité d’intérêt
(moments de la loi de Y par exemple) et donc de réaliser la propagation des incertitudes (cf.
Figure 14) au travers du modèle. Le cheminement inverse consiste à considérer un grand

57
nombre d’évaluations de la quantité d’intérêt, afin de hiérarchiser les incertitudes. Cela revient
à calculer les sensibilités, au sens probabiliste, c’est-à-dire l’influence des paramètres d’entrée
sur la variabilité de la réponse.

Figure 14: Schéma de la "méthodologie de propagation d’incertitudes" (de Rocquigny et al.,

2008)
Le principal problème de la modélisation probabiliste est que les résultats obtenus en
sortie dépendent du choix des différentes lois sur les entrées. Ce phénomène a notamment été
étudié par (Lehman et al., 2004). Il faut donc suffisamment d’informations sur une incertitude
pour choisir la loi qui lui sera attribuée.

Les quantités d’intérêt obtenues en sortie peuvent être obtenues de différentes façons :
Monte-Carlo sur le code de calculs, Monte-Carlo sur des modèles locaux, la méthode FOSM
(First Order Second Moment) et la méthode URQ (Univariate Reduced Quadrature). Ces quatre
méthodes font l’objet des sections suivantes.

I.3.4.2.1 Méthode de Monte-Carlo sur le code de calculs

La méthode la plus évidente est la méthode de Monte-Carlo. Elle consiste à effectuer
des tirages de Monte-Carlo à chaque appel du code. Ces tirages sont effectués suivant la loi de
chaque variable entachée d’incertitudes et sont répartis autour du point évalué afin de
représenter l’incertitude de la variable. La robustesse de la sortie, à travers la (ou les) quantité(s)

58
d’intérêt choisie(s), est donc calculée en chaque point évalué. Les quantités d’intérêt, moments
de loi de la sortie Y, sont estimées localement par les moments empiriques de Y sur les N tirages
de Monte-Carlo. La moyenne empirique est donnée par la relation (42) et l’écart-type empirique
par la relation (43).

1 N
my   yi
N i 1
(42)

1 N
y   ( yi  my )2
N  1 i 1
(43)

Du point de vue de l’écart-type, on propage ainsi l’incertitude de la variable 𝑋𝑖 sur la

sortie Y selon le schéma de la Figure 15.

Figure 15 : Propagation des incertitudes par simulations de Monte-Carlo sur le code de calculs
Chaque simulation selon la loi des entrées fournira une valeur de la sortie. Toutes ces
valeurs permettent d’estimer localement les moments de la loi de cette sortie.

Il est clair que plus le nombre de tirages est important, plus l’estimation de la quantité
d’intérêt est précise. Cette méthode peut donc rapidement devenir coûteuse, surtout si le code
de calculs lui-même est coûteux.

59
I.3.4.2.2 Méthode de Monte-Carlo sur un modèle local
Cette méthode permet d’estimer les quantités d’intérêt de manière moins coûteuse que
les simulations de Monte-Carlo sur le code de calcul. En effet, les simulations de Monte-Carlo
effectuées autour du point en cours ne sont plus évaluées via le code de calculs, mais par une
approximation locale de la fonction étudiée. Une méthode bien connue consiste à considérer
une approximation locale linéaire.

L’approximation linéaire de f en un point a consiste à négliger le reste dans le

développement limité d’ordre 1 de f au voisinage de a. On écrit alors, pour x dans un voisinage
de a :

d
f
f ( x)  f (a)  Df (a)( x  a)  f (a)   (a)( xi  ai ) (44)
i 1 xi
où Df(a) est la différentielle de f en a, qui peut être vu comme le coefficient directeur de
l’approximation linéaire. Ceci revient à confondre localement f avec sa tangente. Comme on ne
connaît pas forcément l’expression de f, on va se servir de la dérivation numérique pour estimer
Df(a).
On choisit h ∈ ℝ𝑑 et (u,v) ∈ (ℝ𝑑 )2 tels que pour tout i ∈ [1, d], |𝑢𝑖 −𝑣𝑖 | = ℎ𝑖 et |𝑢𝑖 −𝑎𝑖 | =

ℎ𝑖
|𝑣𝑖 −𝑎𝑖 |= . Sur chaque dimension, ℎ𝑖 doit être faible de telle sorte que u et v soient proches.
2

Ainsi, pour i ∈ [1, d], on a :

f f ai ,..., ai1 , ui , ai1 ,..., ad   f ai ,..., ai1 , vi , ai1 ,..., ad 
(a)  (45)
xi hi

Sur chaque dimension, ceci revient à remplacer la tangente par la corde. L’estimation
de Df(a) nécessite donc d’évaluer 2d points.

Les moments de Y sont calculés comme précédemment sauf que les 𝑦𝑖 ne sont pas des
évaluations du code mais des valeurs approchées par le modèle linéaire. Le schéma de la Figure
15 devient donc celui de la Figure 16.

60
Figure 16 : Propagation des incertitudes par simulations de Monte-Carlo sur un modèle ajusté
localement

Le principal inconvénient de cette méthode est que la qualité de l’estimation des

moments n’est pas bonne, si la vraie fonction est discontinue ou présente des non-linéarités
importantes.

I.3.4.2.3 Méthode FOSM

La méthode FOSM (First Order Second Moment) est une méthode probabiliste
permettant de déterminer les moments stochastiques d’une fonction à partir de variables
d’entrée aléatoires. Ainsi, la moyenne de Y sera approchée par la relation (46) et l’écart-type,
par la relation (47).

my  f (  ) (46)

d d
f (  ) f (  )
y  
i 1 j 1 xi x j
Cov( X i , X j ) (47)

où d est la dimension du vecteur d’entrée X et µ = (𝜇1 ,..., 𝜇𝑑 ), le vecteur moyenne de X. Ces

approximations sont obtenues en remplaçant la fonction f par son développement de Taylor à
l’ordre 1.

61
 Notons que si les variables 𝑋𝑖 sont indépendantes, c’est-à-dire Cov (𝑋𝑖 , 𝑋𝑗 ) = 0, i ≠ j,
alors :

2
d
 f (  )  2
 y     xi (48)
i 1  xi 

f (  )
Dans le cas d’une seule variable d’entrée (d = 1), on a alors  y  x .
xi
La propagation des incertitudes ressemble à celle de la méthode de Monte-Carlo sur
modèle local, puisqu’il faut ici aussi estimer les dérivées partielles de f, sauf que nous n’avons
plus besoin de simulations de la loi de X pour estimer les moments de la loi de Y (cf. Figure
17).

Figure 17 : Propagation des incertitudes par la méthode FOSM

Cette méthode est plus rapide que la méthode de Monte-Carlo sur code de calculs, mais
est comparable à la méthode de Monte-Carlo sur modèle local. Comme cette dernière, la
méthode FOSM dépend de la forme de la fonction étudiée et peut être en difficulté, dans des
cas de discontinuités ou de fortes non linéarités. Le lecteur intéressé par cette méthode pourra
se référer à (Haldar and Mahadevan, 2000).

I.3.4.2.4 Méthode URQ

Cette méthode est basée sur la quadrature de Gauss qui permet d’approcher la valeur
numérique d’une intégrale, à partir de points pris sur le domaine d’intégration. Ces points sont
appelés des nœuds. Dans la méthode URQ (Univariate Reduced Quadrature), 2d + 1 nœuds
sont considérés. Le nombre de variables incertaines d dans le système comprend les 𝑑1 entrées
62
et les 𝑑2 paramètres environnementaux, s’il y en a. Elles sont considérées comme
indépendantes.

Soit X = (𝑋1 ,..., 𝑋𝑑 ) le vecteur des variables aléatoires du système. On note 𝜇𝑋 la moyenne

de X et σ𝑋 = (σ𝑋1 ,..., σ𝑋𝑑 ) son écart-type. Les 2d + 1 points x = (𝑥 0 , 𝑥 + , 𝑥 − ) qui seront évalués
sont définis de la manière suivante :

𝑥 0 = 𝜇𝑋

𝑥𝑖+ = 𝜇𝑋 + ℎ𝑖+ σ𝑋𝑖 e𝑖 , (49)

𝑥𝑖− = 𝜇𝑋 + ℎ𝑖− σ𝑋𝑖 e𝑖 ,

où e𝑖 est le 𝑖 è𝑚𝑒 vecteur de la matrice identité de taille d, ℎ𝑖+ et ℎ𝑖− sont des paramètres d’échelle
dépendant des moments centrés réduits d’ordres 3 et 4 (respectivement le coefficient
d’asymétrie et le kurtosis notés γ𝑋 et Γ𝑋 de la loi de X. Ces 2d + 1 points permettent, par la
quadrature de Gauss, d’estimer l’espérance et la variance de la sortie Y = f(X) en utilisant les
formules suivantes :

d f  xi  f  xi  
Y  0 f   X    i    
 hi hi  (50)
i 1
 

 i 
  f x   f    2  f  xi   f   X    
 f  xi   f   X  f  xi   f   X     (51)
2
d
    wi 

  
   

2 X
w w
Y
i 1 
 hi  i
 hi  i
 hi hi 
      

Par une parallèle entre la quadrature de Gauss et le développement de Taylor de f à l’ordre 4,

on obtient les valeurs de ℎ𝑖+ et ℎ𝑖− :

  Xi 3 X2 i
h 
i   Xi  (52)
2 4

Les différents poids présents dans les relations (50) et (51) sont alors :

63
 d
1
w0  1   ,
 
i 1 h h
i i

1
wi  ,
h  hi
i


w 

h   h h  1 ,
i
 2  
i i
(53)
h  h 
i
  2
i i

w 

h   h h  1 ,
i
 2  
i i

h  h 
i
  2
i i

2
wi  .
 hi  hi 
2

Comparée à la méthode de Monte-Carlo, la méthode URQ permet de réaliser la

propagation d’incertitudes plus rapidement et avec moins d’appels au code de calculs. De plus,
la précision de l’estimation n’est que légèrement moins bonne que celle fournie par les
simulations de Monte- Carlo. Le lecteur intéressé par cette méthode de propagation pourra se
référer à (Padulo and Guenov, 2011).

Nous avons défini plusieurs méthodes de propagation des incertitudes à travers un code
de calculs. Définissons maintenant le problème de conception robuste, afin de déterminer
ensuite les méthodes de résolution que nous devrons utiliser pour résoudre un tel problème.

I.3.4.3 Méthodes de conception robuste pour la résolution des problèmes d’optimisation

Le principe d’une optimisation multi-objectifs est différent du principe d’une approche
mono-objectif. Le but principal d’une optimisation mono-objectif, est de trouver la solution
optimale globale qui donne la meilleure valeur (plus petite ou plus grande) de la fonction mono-
objectif. Dans un problème d’optimisation multi-objectifs, on dispose de k ≥ 2 fonctions
objectifs, chaque fonction objective pouvant avoir une solution optimale différente. Le but d’un
problème multi-objectifs est de trouver de « bons compromis », plutôt qu’une seule solution.
Certaines méthodes permettent de trouver une solution réalisant un compromis entre les
différents objectifs. D’autres permettent d’en trouver plusieurs et de construire le front de
Pareto. Dans toute la suite, nous noterons 𝑓1 et 𝑓2 les fonctions objectifs correspondant à
chacune des deux optimisations que nous supposerons être des minimisations. La plupart des
méthodes décrites ici le sont également dans (Collette and Siarry, 2002).

64
I.3.4.3.1 Méthodes trouvant un compromis entre les objectifs
Parmi les méthodes effectuant un compromis entre les objectifs de l’optimisation, nous
exposerons rapidement quatre méthodes :
- la méthode hiérarchique,
- la méthode par compromis,
- la fonction de distance,
- la méthode du critère global.
Ces méthodes sont étudiées par exemple dans (de Oliveira and Saramago, 2010).

 Méthode hiérarchique

La méthode hiérarchique consiste à organiser les objectifs par ordre d’importance. Chaque
fonction objectif est minimisée individuellement, sous une contrainte qui empêche le minimum
de la nouvelle fonction d’être supérieur à une fraction choisie du minimum de la fonction
objectif précédente.

Dans le cas d’une optimisation bi-objectifs, 1 est le rang de l’objectif le plus important, 2
celui du moins important. Deux optimisations simples à un objectif sont effectuées
successivement.
(1) (1) (1)
La première permet de trouver le point 𝑥 (1) ) = (𝑥1 ,..., 𝑥𝑑 ) tel que 𝑓1 (𝑥1 )=𝑚𝑖𝑛𝑥 𝑓1 (𝑥).
(2) (2)
La seconde optimisation consiste à trouver 𝑥 (2) ) = (𝑥1 ,..., 𝑥𝑑 ) tel que :

f 2  x (2)   min f 2 ( x ),
x

 

sous la contrainte f 2  x (2)    1 
 100 

 f1  x  ,
(1)

où 𝜀 est un réel positif inférieur à 100. Le choix de 𝜀 se fait par l’utilisateur. Plus sa valeur est
petite, plus la condition est difficile à satisfaire. Le lecteur intéressé par cette méthode pourra
se référer à (Osyczka, 1981).

 Méthode par compromis

Cette méthode consiste à convertir le problème d’optimisation multi-objectifs, en un
problème d’optimisation simple à un seul objectif. Pour cela, un des deux objectifs est choisi
comme étant l’objectif principal, tandis que l’autre devient une contrainte du problème. On
cherche alors à résoudre :
min f1 ( x ), (54)
x

65
sous la contrainte f 2  x    min f 2 ( x ) (55)
x

La quantité w > 1 est un poids permettant d’assouplir la contrainte qui serait trop forte
avec w = 1. Le minimum 𝑚𝑖𝑛𝑥 𝑓2 (𝑥) est le résultat de l’optimisation simple de 𝑓2 . Les fonctions
objectives sont interchangeables, le choix se fait par l’utilisateur, tout comme pour la valeur de
w. Le lecteur intéressé par cette méthode pourra se référer à (Nakayama and Sawaragi, 1984).

 Fonction de distance

Cette méthode est utilisée lorsque les optimisations consistent à atteindre des valeurs cibles
𝑎1 et 𝑎2 . La méthode consiste à minimiser l’écart entre les observations de chaque fonction et
leurs cibles respectives. Pour cela, on utilise une fonction de distance :
(56)
 p p 1/ p
  f ( x)  a  f ( x)  a , 1 p  
2 
E
p  1 1 2

où p est l’ordre de la méthode. Lorsque p = 1, on parle de programmation par buts. Pour p = 2,

il s’agit de la norme euclidienne.

 Méthode du critère global

Cette méthode consiste à trouver la combinaison des entrées assurant le minimum d’un
critère global. Ce critère consiste à établir la proximité de chaque fonction objectif 𝑓𝑖 , à un
minimum 𝑎𝑖∗ , selon un écart relatif. Le but est de trouver :
 a   f ( x ) 2  a   f ( x )  2 
min  1 1     (57)
2 2

x
 a1   a 2  

Les minima 𝑎𝑖∗ sont les valeurs optimales de chaque fonction objectif 𝑓𝑖 du problème
d’optimisation simple à un objectif. Le lecteur intéressé par cette méthode pourra se référer à
(Rao, 2009).

Ces quatre méthodes permettent d’obtenir une unique solution au problème d’optimisation
multi-objectifs. Les méthodes suivantes consistent à obtenir plusieurs points solutions afin
d’établir un front de Pareto.

I.3.4.3.2 Méthodes établissant le front de Pareto

Le front de Pareto est la limite séparant la région des points faisables (satisfaisant toutes
les contraintes) des points non-faisables. Dans un cas bi-objectifs, ce front est une ligne continue
que l’on représente par rapport aux deux objectifs. Le but des méthodes d’optimisation générant
le front de Pareto, est de trouver un certain nombre de points sur la ligne de Pareto, en donnant
66
différents poids aux différents objectifs. Par exemple, pour obtenir trois points dans un cas bi-
objectifs, on pourra considérer les trois jeux de poids :(1,0) ; (0.5, 0.5) ; (0,1). Six méthodes de
ce type sont exposées.

 Méthode d’intersection de limites normales

Cette méthode, appelée normal-boundary intersection method en anglais, utilise une

paramétrisation géométrique intuitive, afin d’établir une répartition équilibrée de points sur le
front de Pareto. Ceci permet d’avoir une représentation précise de toute la ligne. Les optima
simples sous contraintes de chaque fonction objectif sont déterminés :𝑓1∗ et 𝑓2∗ . Ces deux
solutions correspondent respectivement aux poids (1,0) et (0,1). Elles constituent les extrémités
du front de Pareto. La méthode consiste ensuite à trouver les solutions Pareto-optimales , sur
des lignes perpendiculaires au segment [𝑓1∗ , 𝑓2∗ ]. Les points d’intersections des perpendiculaires
à [𝑓1∗ , 𝑓2∗ ] sont équi-répartis sur le segment. La méthode est représentée à la Figure 18. Les
points bleus ainsi générés sont bien répartis sur le front de Pareto. La zone délimitée par une
courbe noire est la région acceptable. Cette méthode a été étudiée dans (Das and Dennis, 1998)
puis dans (Shukla, 2007).

Figure 18 : Illustration de la méthode d’intersection de limites normales

 Méthode à objectifs pondérés

La méthode consiste à transformer le problème d’optimisation multi-objectifs en un

problème d’optimisation simple à un seul objectif.
min 1 f1 ( x)  2 f 2 ( x) ; i  0 et 1  2  1 (58)
x

67
Cette optimisation simple est effectuée pour plusieurs choix de poids, le nombre est choisi par
l’utilisateur. A chaque jeu de poids correspond une solution de Pareto, comme le montre la
Figure 19. Ici, cinq jeux de poids ont été considérés, ce qui nous donne cinq points du front de
Pareto. Le lecteur intéressé par cette méthode pourra se référer aux travaux de (Kim and Weck,
2005 ; Marler and Arora, 2010).

Figure 19 : Illustration de la méthode à objectifs pondérés

 Méthode de Tchebycheff pondérée

On considère les valeurs minimales de 𝑓1 et 𝑓2 obtenues par optimisation simple , notées

𝑓1∗ et 𝑓2∗ . La méthode de Tchebycheff pondérée consiste à résoudre le problème :

x 
min max w1 f1 ( x)  f1 , w2 f 2 ( x)  f 2  ; w  w 1
1 2 (59)

Les poids prennent différentes valeurs, afin de trouver différents points sur le front de Pareto.
Cette méthode a été étudiée dans les travaux de (Steuer and Choo, 1983 ; Miettinen, 2001).

 Méthode de l’optimum min-max

Proche de la méthode précédente, la méthode de l’optimum min-max consiste à résoudre

le problème :
 f ( x )  f1 f ( x )  f 2 
min max  w1 1 
, w2 2 , (60)
x
 f1 f 2 

où 𝑓1∗ et 𝑓2∗ ont déterminés comme précédemment et w1  w2  1 . Différents jeux de poids

fournissent différents points sur le front de Pareto. Le lecteur intéressé pourra se référer à
(Zhang and Gao, 2006).

68
  Méthode génétique de tri basée sur la non-dominance

Cette méthode, appelée non-dominated sorting genetic method, s’appuie sur les
méthodes génétiques. Dans un premier temps, définissons la dominance dans le cas de deux
minimisations :
Définition (Dominance). Une solution A domine une solution B si et seulement si :
∀ i ∈ {1, 2},𝑓𝑖 (𝐴) ≤ 𝑓𝑖 (𝐵) et ∃ j ∈ {1, 2}, 𝑓𝑗 (𝐴) ≤ 𝑓𝑖 (𝐵) .

Si la solution A domine la solution B, on dit que B est dominée par A ou bien A est non dominée
par B ou entre les deux solutions, A est la solution non dominée.

Si la solution A domine la solution B, on dit que B est dominée par A ou bien A est non dominée
par B ou entre les deux solutions, A est la solution non dominée.

L’algorithme associé à la méthode étudiée ici, noté NSGA-II et proposé par Deb et al.
(2002), a les caractéristiques suivantes :

- il utilise une approche élitiste pour sauvegarder les meilleures solutions trouvées lors
des itérations précédentes,
- il utilise une procédure rapide de tri basée sur la non-dominance,
- il utilise un opérateur de comparaison basé sur une distance de surpeuplement,
- il n’a aucun paramètre à régler.

Notons que la distance de surpeuplement est une mesure de proximité d’un point avec
ses voisins. Une grande distance moyenne de surpeuplement sur un échantillon signifie qu’il y
a une grande diversité dans la population étudiée. A chaque étape de l’algorithme, on dispose
d’une population (𝑅𝑡 ) de 2N individus. Elle est séparée en une population de parents (𝑃𝑡 ) de
taille N et une population d’enfants (𝑄𝑡 ) de taille N. La population de taille 2N est ensuite triée
selon un critère de non-dominance pour identifier différents fronts 𝐹1 , 𝐹2 ,... Le premier front
est l’ensemble des individus non-dominés, le deuxième comprend les individus dominés
uniquement par ceux du premier front, et ainsi de suite. Les meilleurs individus vont donc se
retrouver dans le ou les premiers fronts. Une nouvelle population parente (𝑃𝑡+1) est formée en
considérant les meilleurs individus appartenant aux premiers fronts. Tous les individus de
chaque front successif sont sélectionnés tant que le nombre d’individus ne dépasse pas N. Si le
nombre d’individus présents dans (𝑃𝑡+1) est inférieur à N, on va sélectionner les individus du
front suivant, qui n’a pas été inclus dans (𝑃𝑡+1 ), et appliquer une procédure de surpeuplement
pour atteindre les N individus. Une fois que les individus appartenant à la population (𝑃𝑡+1)

69
sont identifiés, une nouvelle population enfant (𝑄𝑡+1 ) est créée par sélection, croisement et
mutation.

La sélection est basée sur un opérateur de comparaison. Cet opérateur permet d’ordonner
deux solutions selon leur rang et la valeur de la distance de surpeuplement. Entre deux solutions
de rangs différents, on préfère la solution avec le plus petit rang (ou le plus petit front). Pour
deux solutions qui appartiennent au même front, on préfère la solution qui est localisée dans la
région où la densité de solutions est moindre, soit l’individu possédant la plus grande valeur de
distance de surpeuplement.

Le fonctionnement de l’algorithme est représenté à la Figure 20.

Figure 20 : Illustration de la méthode génétique de tri basée sur la non-dominance

 Algorithme de clustering

Le « clustering » fait référence au classement d’objets dans différents groupes, plus

précisément au partitionnement des données en paquets homogènes qu’on appelle « cluster ».

Lorsque le nombre d'individus de l'archive externe est grand, les performances de

l'algorithme d’optimisation choisie peuvent se dégrader significativement. En effet, le nombre
d'individus influe sur le calcul de la valeur d’adaptation. Celui-ci devient moins fiable, et peut
tromper la recherche en la focalisant, par exemple, sur des zones déjà explorées. Pour pallier à
ce défaut, une solution consiste à utiliser des techniques de clustering (réduisant ainsi
l’ensemble de Pareto sans supprimer ses caractéristiques). Ces techniques ont été étudiées
intensivement dans le contexte des analyses de cluster et ont été appliquées avec succès pour

70
déterminer des partitions d'une collection relativement hétérogène d'éléments. La technique de
clustering utilisée par SPEA (Strength Pareto Evolutionary Algorithm) est assez intuitive. Au
début de la procédure, chaque individu constitue son propre groupe, puis on fusionne deux à
deux les groupes les plus proches en terme de distance. Cette étape est itérée jusqu'à l'obtention
du nombre désiré de groupes. Une fois les groupes identifiés, il ne reste plus qu’à choisir un
représentant par groupe. Ce représentant peut être détermine de plusieurs façons, par exemple
en prenant le barycentre du groupe. C'est ce représentant qui sera gardé, les autres éléments
étant tout simplement supprimés. Les étapes de la méthode de clustering sont illustrées à la
figure 21.

Figure 21 : Illustration du Clustering en dimension 2.

La synthèse des méthodes de conception robuste pour la résolution d’un problème
d’optimisation est donnée par la figure 22.

71
 Méthodes de conception robuste

Méthodes trouvant un compromis Méthodes établissant le front de

entre les objectifs Pareto

Méthodes Méthodes Méthodes Méthodes

approchées analytiques approchées analytiques

Méthode Méthode à Méthode de Méthode de

Méthode Méthode par Fonction Méthode d’intersection objectifs Méthodes méta Tchebycheff l’optimum
hiérarchique compromis de distance du critère de limites pondérés heuristiques pondérée min-max
global normales

Méthode
génétique de tri Algorithme
basée sur la de clustering
non-dominance

Figure 22 : Synthèse des méthodes de conception robuste pour la résolution d’un problème d’optimisation

72
I.3.4.4 Etude comparative des méthodes établissant le front de Pareto et des méthodes
recherchant un compromis entre les objectifs

Dans la synthèse des méthodes de conception robuste de résolution des problèmes

d’optimisation, nous avions d’une part les méthodes établissant un compromis entre les
objectifs et les méthodes établissant le front de Pareto.

Les méthodes recherchant un compromis entre les objectifs sont les méthodes
d’optimisation multi-objectif. Les problèmes multi-objectifs ont la particularité d’être beaucoup
plus difficiles à traiter que leur équivalent mono-objectif. La difficulté réside dans l’absence
d’une relation d’ordre total entre les solutions. Une solution peut être meilleure qu’une autre
sur certains objectifs et moins bonne sur les autres. Donc il n’existe généralement pas une
solution unique qui procure simultanément la solution optimale pour l’ensemble des objectifs.
Voilà pourquoi le concept de solution optimale devient moins pertinent en optimisation multi-
objectif. Les méthodes recherchant un compromis entre les objectifs, présentent donc une
limite. Dans ce cas, la solution optimale n’est plus une solution unique mais, un ensemble de
solutions compromis entre les différents objectifs à optimiser. Il est vital pour identifier ces
meilleurs compromis, de définir une relation d’ordre entre ces éléments. La plus célèbre et la
plus utilisée, est la relation de dominance au sens de Pareto. L’ensemble des meilleurs
compromis est appelé le front de Pareto, la surface de compromis ou l’ensemble des solutions
efficaces. Cet ensemble de solutions constitue un équilibre, dans le sens qu’aucune amélioration
ne peut être faite sur un objectif sans dégradation d’au moins un autre objectif. La solution de
Pareto consiste à obtenir le front de Pareto.

Parmi les méthodes établissant le front de Pareto, les méthodes méta-heuristiques sont
les plus rependues dans la résolution des problèmes de partitionnement (qui nous intéresse dans
le cadre de notre thèse). Il se trouve que la taille des données influe dans la recherche de la
solution optimale, lorsqu’on fait recours aux algorithmes génétiques. Cette méthode devient
donc moins fiable. Nous optons alors pour la méthode des algorithmes de clusterng (k-means
ou k-clusters ou k-modules) pour la résolution des problèmes de partitionnement. En effet, avec
cette méthode, il est plus facile d’identifier des groupes de données inconnues à partir d’un
ensemble de données complexes. Les résultats sont présentés de manière rapide.

73
I.4 PROBLEMATIQUE DE LA THESE

Dans ce qui suit, nous donnons un aperçu sur le nombre et l’importance des travaux par
sous thèmes de recherche :

- L’élaboration de l’architecture du produit, relative à l’agencement hiérarchisé ou non

d’éléments : (Pimmler et Eppinger, 1994 ; Ulrich, 1995 ; Erixon, 1996 ; Huang, 2000 ;
Stone et al, 2000 ; Ulrich et Eppinger, 2000 ; Dahmus et al., 2001 ; Whitfield et al.,
2002 ; Yu et al., 2003 ; Larses et Blackenfelt, 2003 ; Holtta et Salonen, 2003 ; Sharman
et Yassine, 2004 ; Hölttä, 2005 ; Jiao et al., 2007). Ces travaux nombreux traitent de la
modélisation et de l'identification de l’architecture du produit. Quelques-uns s’ouvrent
à la modélisation du projet de conception pour lier l’architecture du produit aux autres
caractéristiques du projet (Oosterman, 2001).

- La définition des interfaces et des flux d’échanges dans le produit : (Blackenfelt et

Sellgren, 2000 ; Van et al., 2001 ; Chen et Liu, 2005). Ces travaux s’intéressent aux
outils et aux méthodes de la conception détaillée du produit, ainsi qu’aux échanges entre
composants, permettant ainsi de faire le lien avec la vue dynamique du produit.

- La propagation d’une évolution dans une architecture : (Clarkson et al., 2004 ; Keller
et al., 2005). Ces travaux traitent de la propagation de modifications à travers une
architecture ou aux conséquences d’une évolution technologique sur l’architecture
globale du produit.

- La conception modulaire d’une famille de produit et l’intégration des contraintes de

désassemblage ou d’assemblage en conception : (Baldwin et Clark, 2000 ; Agard et
Tollenaere, 2002 ; Addouche, 2003 ; Blaise, 2008 ; Frédéric, 2010 ; Saïd (2013, 2014,
2018)). Ces travaux ne proposent pas une méthode d’amélioration du degré de
modularité et du coût de couplage des modules. La non proposition d’une telle méthode
peut occasionner un frein de la conception modulaire et par conséquent, susciter un
problème de maintenance (désassemblage difficile et coût de couplage plus élevé), car
plus le degré de modularité à l’intérieur des modules est élevé, plus l’assemblage ou le
désassemblage des composants à l’intérieur du module est facile et plus le coût de
couplage des modules est élevé, plus les modules sont de trop grandes tailles et le
système devient plus complexe. C’est fort de cette analyse que la problématique de cette
thèse est :

74
Comment minimiser les coûts de couplage des modules pour une maintenance plus aisée
par la proposition d’une méthode de conception robuste ?

I.5 METHODOLOGIE
La méthodologie suivie dans le cadre de cette thèse pour obtenir des réponses à la
problématique se subdivise en trois étapes, l’application est faite sur un torréfacteur de soja :

 Définir un indice d’évaluation de la meilleure solution de conception ;

 Modifier les fonctionnalités de l’algorithme de clustering existant ;

 Définir une meilleure architecture et reconfiguration du produit.

75
 CHAPITRE II : CHOIX DE LA MEILLEURE SOLUTION DE
CONCEPTION D’UN SYSTEME AU MOYEN D’UN INDICE-
MULTI PARAMETRES

II.1 INTRODUCTION

Avec la prise de conscience des enjeux de développement durable et du renforcement

du cadre législatif relatif à la gestion des déchets et des volumes de produits en fin de cycle de
vie, l’urgence de mettre en place des modalités de développement à la fois performantes sur le
plan économique, responsables sur le plan social et respectueuses de l’environnement devient
essentielle pour les concepteurs. Une des stratégies qui se présentent à ces derniers, est de
concevoir les produits (équipements) dans une vision de réutilisation des composants, de
recyclage des matières et de remanufacturing (Haoues et al., 2004 ; Millet et al., 2007). Cette
stratégie implique le désassemblage des produits. Dans ce contexte, les concepteurs sont
amenés à intégrer de plus en plus tôt, les contraintes liées au désassemblage du produit dans le
processus de conception afin de garantir sa désassembilité (demontabilité). Mais comment
définir et évaluer la désassembilité d’un produit ? Quelles sont les étapes à suivre afin d’intégrer
la désassembilité dans les phases préliminaires de conception ? Comment aider le concepteur à
faire le choix d’une solution de conception qui satisfait des contraintes de désassembilité ?

Afin de répondre à ses questions, la section II.2 présente une méthodologie d’évaluation
de la complexité de désassemblage, suivie d’une application sur le torréfacteur de soja.

Motivations de l’étude

Le torréfacteur de soja est un équipement qui permet de soumettre à l’action du feu le soja,
donc de le faire griller. En agro-alimentaire, la torréfaction est très importante ; en ceci qu’elle
permet de réduire ainsi le taux de mycotoxines, d’augmenter le taux de protéines non
dégradables et d’accroitre le taux d'indigestion maximal. Il est donc important de choisir un
torréfacteur fiable afin d’améliorer le rendement de torréfaction.

Problématique de conception du torréfacteur

Plusieurs travaux de la littérature ont porté sur l’étude des torréfacteurs, à l’instar de ceux
de (Zeki, 1993 ; Ahouansou et Singbo, 2010 ; Alves De Macedo, 2017 ; Carré, 2020).

76
 Ahouansou et Singbo (2010) ont évalué les performances techniques de deux
torréfacteurs d’amande de karité : le torréfacteur traditionnel à la marmite et le torréfacteur
manuel. Il se trouve que le torréfacteur traditionnel soumet les transformatrices à la chaleur et
aux courbatures. La capacité horaire de production étant d’environ 9kg/h pour un temps de
travail de 2,65 h. Le torréfacteur manuel se trouve donc être meilleur que le torréfacteur
traditionnel, avec une capacité horaire d’environ 24 kg/h et un temps de travail d’environ 1h.
Cependant il reste limité à l’utilisation d’une seule source de chaleur qui est le feu à bois, plutôt
polluant et nuisible à l’environnement.

Carré (2020) va plus loin, en présentant plusieurs technologies de transformation du soja

à la ferme. Ces technologies qui sont des torréfacteurs automatiques, bien qu’ayant plusieurs
avantages (contrôle de température simple, pouvant fonctionner sans présence humaine, temps
de séjour contrôlé, robustes, …), ont également des inconvénients (coût de maintenance élevé,
problème d’encombrement, énergie couteuse, coût d’investissement relativement
élevé, localisation des défauts d’usures de vis parfois difficile en fonction de la direction de
désassemblage complexe, démontabilité difficile,…).

Pour une conception plus aisée des systèmes en général pour des fins de rendements
(des torréfacteurs en particulier), il serait judicieux d’intégrer les contraintes de désassemblage
dès la phase initiale de conception. D’où la problématique de conception du torréfacteur.

II.2. METHODOLOGIE D’EVALUATION DE LA COMPLEXITE DE

DESASSEMBLAGE

La méthodologie adoptée est décrite par l’ordinogramme suivant :

77
 1.Recencer les
paramètres de
désassemblage

Diagramme
Pieuvre 2.Identifier les
composants du
système

FAST et vue
Elatée 3.Modéliser le
système (Graphes
de liaisons)

4.Possibilités de
Evaluation
solutions
des liaisons
entre les
composants

5.Choix de la
meilleure solution
de conception

Indicateur
de fixation
facile

Figure 23 : Description de la méthodologie

II.2.1Choix des paramètres de désassemblage
II.2.1.1 Paramètres susceptibles de représenter les contraintes de désassemblage
Une fois la fin de vie du produit atteinte, différentes fins de vie sont possibles allant de
la mise en décharge jusqu’à la remise en état et la réutilisation du produit. Il est bien souvent
nécessaire de désassembler le produit (système) afin de séparer les différents éléments qui ont
encore de la valeur ou qui peuvent être réutilisés (Jeandin, 2015). Suivant les choix qui ont été
faits, le produit peut être désassemblé complètement ou partiellement afin de ne récupérer que

78
les pièces qui présentent le plus d’intérêt. Différentes techniques de désassemblage sont
également possibles. Dans le meilleur des cas, le produit peut être désassemblé sans
endommager les pièces en retirant les attachements. Mais bien souvent cela est trop fastidieux
pour être mis en place. Il est alors possible de se tourner vers des techniques de désassemblage
dites semi-destructives. Cela correspond au fait de détériorer une ou plusieurs pièces d’un
assemblage afin de récupérer les pièces ou les matériaux les plus intéressants. Le gain de temps
est très important sans pour autant engendrer une perte importante de valeur. Nous ne
considérerons pas les techniques consistant à broyer le produit pour ensuite trier les différents
matériaux car les attachements ont bien moins d’impact dans cette situation. En effet, le
problème réside essentiellement dans le fait de parvenir à trier les différents matériaux et non à
séparer les différentes pièces. Grâce aux travaux de Jeandin (2015) nous allons dresser une liste
des paramètres permettant de représenter au mieux toutes les facettes du désassemblage. La
liste est la suivante :

- Temps de désassemblage : Un des paramètres les plus importants car il est directement
relié au coût de désassemblage et donc bien évidemment à la rentabilité des opérations
de désassemblage. Un assemblage trop long à désassembler sera nettement moins
intéressant et le désassemblage pourrait ne pas être effectué si ce-dernier est vraiment
trop important.

- Outils : Suivant l’attachement choisi pour réaliser un assemblage, l’outil pour opérer le
désassemblage sera spécifique et plus ou moins perfectionné. Le choix d’un
désassemblage non-destructif ou semi-destructif influence également l’outil utilisé.
Certains attachements nécessitent des outils spéciaux qui ont un coût nettement plus
élevé qu’un simple tournevis et peuvent demander des formations pour être utilisé.
D’autres problèmes rencontrés lors du désassemblage concernent la diversité des
attachements et le possible endommagement de ceux-ci. Pour solutionner ces
problèmes, des études sont faites sur des outils flexibles (Duflou et al., 2008) facilitant
le désassemblage de tous types d’attachements ou encore des outils spécifiques
permettant de briser la tête des vis afin de libérer facilement les pièces même si
l’attachement est endommagé (Pak et Sodhi, 2002).

- Couple : Plus la force nécessaire pour défaire un attachement est importante et plus les
risques pour l’opérateur seront importants ou plus le système devra être robuste dans le
cas d’un désassemblage automatisé.

79
- Direction d’accès : Un attachement peut être facilement démontable mais s’il n’est pas
ou difficilement accessible, le temps de désassemblage va fortement être augmenté.
Contrairement à l’assemblage durant lequel les pièces sont assemblées les unes après
les autres, lors du désassemblage il n’est pas rare de s’intéresser à une pièce spécifique
et les attachements servant à sa fixation ne sont pas nécessairement accessibles et il sera
alors difficile de positionner l’outil pour opérer le désassemblage.

- Complexité du mouvement de désassemblage : Tout comme pour les opérations

d’assemblage, le geste à effectuer pour défaire un attachement influence la facilité du
désassemblage, le type de machine à utiliser.

- Facilité de revente des pièces : Ce paramètre regroupe tous les problèmes qui peuvent
être rencontrés suite au démontage d’une pièce ou d’un sous-assemblage. Dans certains
cas comme l’aéronautique, les pièces doivent être rectifiées avant de pouvoir être
réutilisées dans un nouveau produit. Des réparations ou des opérations d’usinage
peuvent être nécessaires. Les attachements assurant un désassemblage sans dommages
sur les pièces seront généralement plus intéressants à utiliser.

- Possibilité d’automatiser le désassemblage : L’automatisation de l’assemblage des

produits a permis des gains importants de temps, des diminutions de coûts. Il peut en
être de même en désassemblage même si d’autres problèmes se posent. En effet, la
diversité des pièces à désassembler impose l’utilisation de lignes flexibles capables de
s’adapter à tous les designs. Cependant si nous prenons pour exemple les appareils
photos jetables dans Duflou et al. (2008), la ligne de désassemblage qui a été mise au
point permet des gains importants et met bien en avant le fait que le désassemblage est
loin d’être seulement une contrainte supplémentaire.

- Possibilité de réaliser un désassemblage non-destructif : Le choix de tel ou tel

attachement lors de la phase de conception va directement influencer la possibilité
d’opérer ou non un désassemblage non-destructif. Ceci est très important dans le cas où
la pièce ou le sous-assemblage doit être réutilisé.

- Risque de dégradation : Lors du désassemblage il est possible que les pièces soient
endommagées. Si ces pièces doivent être réutilisées il sera préférable d’opter pour des
attachements assurant un démontage avec le moins de risques d’endommagement
possibles.

80
 - Qualification des ouvriers : La qualification des ouvriers comprend non seulement les
éventuelles formations nécessaires pour utiliser un outil ou une machine mais également
le temps nécessaire pour prendre connaissance des informations relatives au produit qui
va être désassemblé.

- Équipements requis : Suivant le produit désassemblé, les outils utilisés, différents

équipements peuvent être requis. Dans la majeure partie des cas des gants suffisent,
cependant si le produit contient des matières toxiques ou si des opérations de sciage sont
effectuées d’autres protections sont nécessaires pour garantir la sécurité des opérateurs.

- Type de fixation des pièces : Pour effectuer les opérations de désassemblage il est
parfois nécessaire de fixer les pièces. Ce paramètre est utilisé pour représenter les
différentes situations possibles.

- Identification des attachements : Un des points qui pose le plus de problème lors du
désassemblage est la capacité à identifier l’attachement utilisé pour réaliser une liaison.
En effet, si nous prenons pour exemple les attachements solidaires, ils sont généralement
masqués et difficiles à repérer, le temps de désassemblage va forcément en pâtir et les
pièces risquent d’être endommagées à cause d’une mauvaise identification et donc d’un
démontage inadéquat. Certains produits possèdent des marquages afin de préciser la
position des attachements et ainsi faciliter le travail des opérateurs lors du
désassemblage.

- Résistance des matériaux : Ce paramètre est particulièrement important pour le

désassemblage semi-destructif. En effet, plus le matériau est résistant et plus le nombre
de problèmes rencontrés sera conséquent, temps plus importants, efforts élevés, outils
spécifiques, etc.

Tableau 8 : Les paramètres influençant le désassemblage et les références correspondantes

Paramètres Sources
Rose, Ishii et Masui, 1998 ; Kroll et Carver, 1999 ; Das,

Temps de désassemblage Yedlarajiah et Narendra, 2000 ; Güngör, 2006 ; Ghazilla,

Taha, Yusoff, Rashid et Sakundarini, 2014
Chen, Navin-Chandra et Prinz, 1993; Kroll et Carver, 1999
Outils
; Sonnenberge, 2001; Güngör, 2006

81
 Kroll et Carver, 1999 ; Das, Yedlarajiah et Narendra, 2000;
Force requise
Sonnenberge, 2001
Kroll et Carver, 1999; Rose, Ishii et Masui, 1998 ; Das,
Direction d'accès Yedlarajiah et Narendra, 2000
Complexité du mouvement de
Sonnenberge, 2001;Güngör, 2006
désassemblage
Chen, Navin-Chandra et Prinz, 1993 ; Güngör, 2006 ;
Facilité de revente des pièces
Ghazilla, Taha, Yusoff, Rashid et Sakundarini, 2014;
Ghazilla, Taha, Yusoff, Rashid et Sakundarini, 2014;
Possibilité d'automatiser le
Güngör, 2006
désassemblage
Possibilité de réaliser un désassemblage
Sonnenberge, 2001;Güngör, 2006
non-destructif
Sonnenberge, 2001 ; Güngör, 2006 ; Ghazilla, Taha,
Risque de dégradation
Yusoff, Rashid et Sakundarini, 2014
Qualification des ouvriers Das, Yedlarajiah et Narendra, 2000;
Equipement requis Das, Yedlarajiah et Narendra, 2000;
Type de fixation des pièces Das, Yedlarajiah et Narendra, 2000;
Identification des attachements Chen, Navin-Chandra et Prinz, 1993;
Résistance des matériaux Chen, Navin-Chandra et Prinz, 1993; Sonnenberge, 2001

II.2.1.2 Paramètres représentant le désassemblage non destructif

Dans la partie précédente nous avons déterminé 14 paramètres susceptibles de représenter

l’ensemble des problèmes rencontrés lors de cette dernière phase de la vie des produits. Ce qui
est trop important pour être implémenté directement.

Nous allons dresser une liste plus réduite des paramètres permettant de représenter au mieux
toutes les facettes du désassemblage non destructif d’un produit et pouvant être utilisés dans sa
phase de conception préliminaire. La liste est la suivante :

 types des contacts ;

 types des combinaisons ;
 outils de désassemblage ;
 nombre de directions de désassemblage ;
 qualifications des opérateurs ;

82
  équipements requis ;

Une échelle de valeurs a été créée pour chacun des paramètres permettant de calculer
la complexité de désassemblage. Les différentes valeurs permettent de représenter les
principales possibilités et de les classer de la plus intéressante à la plus contraignante. Nous
allons voir en détail ces échelles et décrire chacune des valeurs. Pour choisir ces échelles de
valeurs, nous nous sommes principalement appuyés sur trois articles (Kroll et Hanft, 1998 ;
Kroll et Carver, 1999 ; Das et al., 2000).
II.2.1.2.1 Types de contacts
Les contacts représentent la relation physique entre deux composants. Deux
composants 𝐶1 , 𝐶2 sont en contact si : ∃ S 𝑀1𝑖 ∈𝐶1 , S 𝑀2𝑖 ∈𝐶2 , telle que S 𝑀2𝑖 coïncide avec S
𝑀1𝑖 . Cette relation est créée par le contact d’une surface associée au composant 𝐶1 sur une
surface associée au composant 𝐶2 dites surfaces fonctionnelles. Ces surfaces sont de nature
différente (plane, cylindrique, sphérique, conique,..). Par conséquent, la zone de contact dépend
des surfaces en contact. La zone de contact peut être : surfacique, linéique, ponctuelle ou toute
combinaison entre ces éléments selon la position relative de ces surfaces et leurs
caractéristiques. La forme des pièces en contact varie. Pour reconnaître la liaison, il vaut mieux
se fier à la nature de la zone de contact. Le tableau 9 présente les zones de contacts, les liaisons
associées et les efforts transmissibles.

Tableau 9 : Zones de contacts, liaisons associées et efforts transmissibles.

Zones de contacts Liaisons Représentation plane Efforts

transmissibles
Point Liaison sphère-plan
(liaison ponctuelle)

Segment de droite Liaison rectiligne

Cercle ou arc de cercle Liaison annulaire

(ligne en anneau)

83
 Surface plane Liaison appui plan

Surface cylindrique Liaison pivot

glissant

Surface conique Liaison pivot

Surface hélicoïdale Liaison hélicoïdale

Surface sphérique Liaison rotule

L’existence d’au moins un contact entre les surfaces de deux composants, entraine un contact
entre les deux composants en question. Le Tableau 10 représente l’échelle de valeur créée pour
les types de contacts.
Tableau 10:Types de contacts.

Types des contacts Échelle de valeur

Aucun contact 1
Ponctuel 2
Linéaire 3
Surfacique 4

84
 Multi point contact 5
Multi surface contact 6

II.2.1.2.2 Types de combinaisons

Les combinaisons représentent les éléments qui mettent une énergie de cohésion
destinée à pérenniser certains contacts. Ces énergies de cohésion se matérialisent par des
éléments solides ou liquides mais aussi par des actions chimiques, mécaniques. Le Tableau 11
représente l’échelle de valeur créée pour les types de combinaisons.

Tableau 11:Type de combinaisons

Types de combinaisons Échelle de valeur

Mettre 1
Insertion, vissage, rivetage 2
Tourner 3
Combiner 4
Collage, soudage 5

II.2.1.2.3 Outils de désassemblage

Les informations concernant les outils utilisés pour rompre une solidarisation entre
deux composants 𝐶1 et 𝐶2 considèrent les difficultés pour les outils opératoires lors du
désassemblage. Bien évidemment, cela dépend du type de solidarisation et de sa complexité.

Une valeur importante de type d’outil correspondante à une solidarisation signifie qu’il est
coûteux ou plus compliqué de désassembler deux composants reliés par cette solidarisation.
L’idéal étant de pouvoir désassembler sans outil. Desai et Mital (2003) proposent deux échelles
pour les outils servant à exercer une force ou un moment. Le Tableau 12 représente l’échelle
de valeur créée pour les outils de désassemblage.

Tableau 12:Outils de désassemblage.

Outils de désassemblage Échelle de valeur

Aucun 1
Outil à air comprimé 2
Outillage mécanique 3
Fourni par le fabricant 4

85
 Spécifique 5
Improvisé 6

II.2.1.2.4 Directions de désassemblage

Un composant peut-être facilement désassemblé, mais s’il n’est pas ou difficilement
accessible, le temps de désassemblage va fortement augmenter. Contrairement à l’assemblage
durant lequel les composants sont assemblés les uns après les autres, lors du désassemblage il
n’est pas rare de s’intéresser à un composant spécifique. Il sera alors difficile de positionner
l’outil pour opérer le désassemblage. Le Tableau 13 représente l’échelle de valeur créée pour
les directions de désassemblage.

Tableau 13:Nombre de directions de désassemblage

Nombre des directions de désassemblage Échelle de valeur

Par-dessus 1
Sur les côtés 2
Plus de 15cm de profondeur 3
Par-dessous 4
Axes combinés 5
Sans visibilité 6

II.2.1.2.5 Qualification des opérateurs

La qualification des opérateurs comprend non seulement les éventuelles formations
nécessaires pour utiliser un outil ou une machine, mais également le temps nécessaire pour
prendre connaissance des informations relatives au produit destiné au désassemblage. Le
Tableau 14 représente l’échelle de valeur créée pour la qualification des opérateurs.

Tableau 14:Qualifications des opérateurs

Qualifications des opérateurs Échelle de valeur

Aucune 1
10 à 20 secondes 2
Plus de 30 secondes 3
Discussion 4
Formation 5

86
II.2.1.2.6 Équipements requis
Suivant le produit désassemblé, les outils utilisés… différents équipements peuvent
être requis. Dans la majeure partie des cas, des gants suffisent, cependant si le produit contient
des matières toxiques ou si des opérations de sciage sont effectuées d’autres protections sont
nécessaires pour garantir la sécurité des opérateurs. Le Tableau 15 représente l’échelle de valeur
créée pour les équipements requis.

Tableau 15:Équipements requis.

Équipements requis Échelle de valeur

Aucun 1
Gants 2
Masques 3
Protection anti-feu 4
Filtration de l’air 5
Combinaison intégrale 6

II.2.1.3 Pondération des paramètres de désassemblage

Nous avons étudié différentes méthodes traitant du désassemblage afin de déterminer une
pondération pour les paramètres cités précédemment et de voir lesquels sont les plus influents
(Das et al., 2000). Pondérer les paramètres correspond à donner plus ou moins d’importance à
un paramètre. La somme des pondérations est égale à 100. Les différentes alternatives seront
donc classées sur une échelle de 0 à 100 et plus le score sera élevé, plus le désassemblage sera
considéré comme complexe. Les pondérations appliquées aux paramètres sont présentées dans
le Tableau 16.

La pondération la plus importante a été donnée aux nombres de directions et aux outils
de désassemblage, car ils jouent un rôle important dans la complexité de désassemblage car des
outils complexes et certaines directions de désassemblage peuvent être très contraignants et
limiter l’intérêt d’un désassemblage. La qualification des opérateurs et les équipements requis
ont reçu des pondérations moins importantes, car ces deux paramètres ont moins des
conséquences sur la difficulté de désassemblage et les coûts associés en comparaison des autres
paramètres.

87
 Tableau 16:Pondérations des paramètres de désassemblage.

Paramètres Pondération
Nombre de directions de désassemblage 30
Outils de désassemblage 25
Types des contacts 20
Types des combinaisons 15
Qualifications des opérateurs 5
Équipements requis 5

II.2.2 Identification des différents composants du système

L’identification des milieux extérieurs et la formulation du besoin du système se fait par le
biais du diagramme Pieuvre ou graphe des intersections. Ce diagramme est constitué du produit,
au centre, et, autour, des éléments de son environnement (milieu extérieur). On fait apparaître
les relations (fonctions) entre le produit et le milieu extérieur. La structure d’un tel diagramme
est donné par la figure 24.

Environnement
Matière
d’utilisation
d’œuvre Autres
FC
FC
5
FP FC
Usager 6
Produit
FC
Culture
FP FC
FC d’entreprise
3
1
Energie Normes et
lois

Figure 24:Structure d’un diagramme Pieuvre

Le FAST (Function Analysis System Technique) sera donc élaboré, qui à partir d’une
fonction de service permettra d'aboutir aux fonctions techniques et aux solutions constructives
associées. Il détaille en plusieurs niveaux la réalisation d’une ou plusieurs fonctions de service.
La structure du diagramme FAST est donnée par la figure 25.

88
 Fonction de Fonction Fonction
Solution constructive A
service 1 technique 1 technique 11

Fonction
Solution constructive B
technique 12

Fonction
Solution constructive C
technique 13

Fonction Fonction
Solution constructive D
technique 2 technique 21

Fonction
Solution constructive E
technique 22

Figure 25:Structure d’un diagramme FAST

A l’issue de ce FAST, une vue éclatée de la solution sera générée automatiquement et avec
l’appui d’une légende qui permettra d’avoir une vision globale du système en termes de
composants.

II.2.3 Graphes des liaisons

Le Graphe des liaisons (Component Mating Graph, CMG) représente le produit (système)
au niveau des composants. Les nœuds et les arcs de ce graphe représentent, respectivement, les
composants et les liaisons entre les composants (Zussman et al.,1994 ; Murayama et al., 2001).
Les liaisons peuvent être orientés ou non orientés. Les liaisons non orientées désignent
l’existence d’une relation géométrique (contrainte de contact) entre deux composants tels que
contact plan ou cylindrique mais aussi un contact causé par les différents types d’attachement
tels vissage (screwing), ajustement par rupture (snap-fit), ajustement par pression (press fit).
Les liaisons orientées, quant à elles désignent une information de précédence (contrainte de non
contact) entre deux composants tels que les informations concernant l’accessibilité à une tâche
de désassemblage (Li et al., 2002). Cette approche de modélisation est illustrée sur la Figure
26.

89
 Figure 26:Graphe des liaisons hybride (Li et al., 2002).

II.2.4 Possibilités de solutions

Pour une conception donnée qui tient compte des paramètres de désassemblages, tels que
présentés plus haut, on peut envisager plusieurs solutions de conception. Parmi ces solutions de
conceptions, peuvent figurer trois types de solutions, celles qui sont : mauvaises, pas
satisfaisantes et satisfaisantes. La solution de conception est appréciée au moyen d’un
indicateur (par exemple l’indice de fixations faciles) qui est un nombre réel compris entre 0 et
100%. Plus il est proche de 100%, plus la contrainte de séparabilité est satisfaite, plus il est
proche de 0% moins cette contrainte est satisfaite. Le tableau 17 donne les seuils de satisfaction
de l’indicateur de fixation facile.

Tableau 17:Seuils de satisfaction de l’indicateur de fixations faciles

0 25% 50% 100%

Pas satisfaisante Satisfaisante Bonne

II.2.5 Proposition d’un indicateur d’évaluation de la solution de conception

En faisant la synthèse bibliographique sur les critères de conception pour le désassemblage,
il en ressort six principaux critères (indicateurs de fixations identiques, indicateur du nombre
de composants aux matériaux identiques, indicateur du poids de composants aux matériaux
identiques, indicateur du nombre de fixation ayant la même direction d’accès et indicateur de
fixations faciles) (Dowie and Simon,1994 ; Dowie, 1995).

De ces indicateurs, l’indicateur de fixations faciles est le plus pertinent car c’est le seul qui
tient compte de la complexité du mouvement de désassemblage. En effet, le geste à effectuer

90
pour défaire un attachement influence sur la facilité du désassemblage, ce qui n’est donc pas
pris en compte par les autres indicateurs. Les paramètres de désassemblage peuvent donc être
qualifiés selon une échelle prédéterminée. Afin de qualifier les paramètres de désassemblage,
une pondération est proposée qui augmente avec la difficulté à rompre la fixation considérée au
moyen des coefficients qui définissent le niveau de sophistication de ces paramètres (Dowie
and Simon, 1994 ; Dowie, 1995 ; Said, 2013).

Cependant, l’indicateur de fixations faciles proposé par les auteurs tient uniquement
compte de trois paramètres de désassemblage : le type d’outils, le nombre de directions de
désassemblage ou d’accès et le type de combinaisons ou de fixations. Bien souvent, le
désassemblage du produit est trop fastidieux pour être mis en place. En effet, très souvent celui
qui effectue l’opération de désassemblage ou d’assemblage n’a pas d’équipements de protection
individuelle (par exemple les gants) pour être habileté à retirer les attachements du produit ,ce
qui en un moment donné peut conduire à mettre plus de temps que prévu .D’autre part, l’absence
de qualification de l’opérateur à intervenir sur le produit, peut conduire à un désassemblage
destructif (dans la mesure où la pièce est endommagée pendant le désassemblage),ce qui
pourrait conduire au recyclage (engendrant ainsi des coûts supplémentaires) en vue d’une
récupération future de la pièce endommagée. La contrainte de temps est donc un paramètre très
important car elle est directement reliée au coût de désassemblage et donc bien évidemment à
la rentabilité des opérations de désassemblage. Un assemblage trop long à désassembler sera
nettement moins intéressant et le désassemblage pourrait ne pas être effectué si ce-dernier est
vraiment trop important (Jeandin, 2015). On comprend dès cet instant que pour un
désassemblage efficace, il est plus pertinent de considérer plus de trois paramètres, donc dans
le meilleur des cas les six paramètres de désassemblage non destructifs. Le nouvel indicateur
que nous proposons qui tient compte des six paramètres de désassemblage cités plus haut est
donné par la formule suivante :

 A CNDDi  AODCODi  ATCCTCi  ATCOCTCOi  AQOCQOi  AERCERi 

n

NDD
If f  i 1
(61)
n

Avec :

CNDD : complexité de directions de désassemblage,

COD : complexité de l’outil de désassemblage,
CTC : complexité du type de contact,
CTCO : complexité du type de combinaison,
91
CQO : complexité de la qualification des opérateurs,
CER : complexité des équipements requis,
n : nombre de liaisons concernées,
𝑰𝒇𝒇 : Indicateur de fixation facile (en %).
La complexité du paramètre considéré dans la liaison i est donnée par la formule :

Ci  ai Ii pi (62)
Avec :
𝑎𝑖 : coefficient du paramètre représentant le désassemblage considéré,
𝐼𝑖 : valeur assignée au paramètre de désassemblage considéré (Tableaux 9 à 14),
𝑝𝑖 : pondération du paramètre de désassemblage considéré (Tableau 15).

Il est à noter que la pondération de chaque paramètre de désassemblage est déjà connue, et la
valeur assignée à chaque paramètre de désassemblage sera extraite du tableau des liaisons entre
les composants du système ou produit d’étude. S’agissant du coefficient du paramètre
représentant le désassemblage, les tableaux qui suivent illustrerons le calcul.

Les termes 𝐴𝑁𝐷𝐷 ,𝐴𝑂𝐷 ,𝐴𝑇𝐶 ,𝐴𝑇𝐶𝑂 ,𝐴𝑄𝑂 et 𝐴𝐸𝑅 sont respectivement les poids des différents
facteurs de l’indicateur 𝐼𝑓𝑓 .Ces derniers sont calculés comme suit :

2 m  1  k 
Ak  (63)
m(m  1)

avec :
m : nombre de paramètres de désassemblages considérés (soit six pour notre formule),
k : nombre correspondant à l’ordre de priorité des facteurs.

D’après ce qui précède, la pondération la plus importante est donnée aux nombres des
directions et aux outils de désassemblage, et la moins importantes est donnée à la qualification
des opérateurs et aux équipements requis. En tenant compte de cet ordre de priorité, les valeurs
attribuées de k sont données ainsi qu’il suit :

k = 1 pour le nombre de directions de désassemblage,

k = 2 pour les outils de désassemblage,
k = 3 pour les types de contacts,
k = 4 pour les types de combinaisons,
k = 5 pour la qualification des opérateurs,
k = 6 pour les équipements requis.

92
Les poids des différents facteurs sont donc les suivants :

𝐴𝑁𝐷𝐷 = 0,28 ; 𝐴𝑂𝐷 = 0,23 ; 𝐴𝑇𝐶 = 0,19

𝐴𝑇𝐶𝑂 = 0,14 ; 𝐴𝑄𝑂 = 0,09 ; 𝐴𝐸𝑅 = 0,04.

En suivant la démarche proposée dans (Dowie and Simon, 1994 ; Dowie, 1995), les coefficients
associés à chaque paramètre de désassemblage sont donnés par les tableaux suivants (la
pondération proposée augmente avec la difficulté de rompre la fixation considérée) :

Tableau 18:Exemple des coefficients associés aux nombres de directions d’accès

Nombre des directions de désassemblage Coefficients

Par-dessus 1/6
Sur les côtés 1/5
Plus de 15cm de profondeur 1/4
Par-dessous 1/3
Axes combinés 1/2
Sans visibilité 1

Tableau 19:Exemple des coefficients associés aux outils de désassemblage

Outils de désassemblages Coefficients

Aucun 1/6
Outil à air comprimé 1/5
Outillage mécanique 1/4
Fourni par le fabricant 1/3
Spécifique 1/2
Improvisé 1

Tableau 20:Exemple des coefficients associés aux types de contacts

Types de contacts Coefficients

Aucun 1/6
Ponctuel 1/5
Linéaire 1/4
Surfacique 1/3

93
 Multi point contact 1/2
Multi surface contact 1

Tableau 21:Exemple des coefficients associés à aux types de combinaisons

Types de combinaisons Coefficients

Pose 1/5
Insertion, vissage, rivetage 1/4
Tourner 1/3
Combiner 1/2
Collage, soudage 1

Tableau 22:Exemple des coefficients associés à la qualification des opérateurs

Qualifications des opérateurs Coefficients

Aucune 1/5
10 à 20 secondes 1/4
Plus de 30 secondes 1/3
Discussion 1/2
Formation 1

Tableau 23:Exemple des coefficients associés aux équipements requis

Équipements requis Coefficients

Aucune 1/6
Gants 1/5
Masques 1/4
Protection anti-feu 1/3
Filtration de l’air 1/2
Combinaison intégrale 1

94
II.3 RESULTATS
Cette partie illustre la mise en application de la démarche d’évaluation de la complexité de
désassemblage intégrant les contraintes de désassemblage, proposée dans la partie précédente,
sur un produit : le torréfacteur de soja. Le cas d’application actuel fera également l’objet des
chapitres suivants.

Avec le flux important de matières premières (soja) à griller ou à torréfier, il se trouve

que c’est d’avantage plus pénible de le faire traditionnellement. C’est ainsi qu’en automatisant
le procédé de torréfaction, on utilise des torréfacteurs qui présentent l’avantage de réduire
considérablement le temps de torréfaction et de perte d’énergie. La création d’un diagramme
pieuvre (Figure 27) en phase d’utilisation du torréfacteur, permet d’identifier les milieux
extérieurs au produit et de formuler les fonctions de services (Tableau 24) qu’il doit satisfaire.

Soja Utilisateur
FP
Torréfacteur de
FC1 soja
Prix FC3
FC2 Environnement

Sécurité

Figure 27:Diagramme pieuvre du torréfacteur de soja en phase d’utilisation

Tableau 24:Fonctions de services.

FP Permettre à l’utilisateur de faire torréfier le soja

FC1 Etre facilement accessible financièrement(coût minimal)
FC2 Ne pas représenter de danger pour l’utilisateur
FC3 Doit s’adapter à l’environnement

Rappelons que FP est la fonction principale et que FC est la fonction complémentaire.

II.3.1. Identification des composants du système

II.3.1.1 FAST du torréfacteur de soja
Le FAST du torréfacteur de soja est donné par la figure 28.

95
 Faire Mettre en Faire roter
torréfier Moteur électrique
mouvement les + poulie-courroies
le soja les céréales racleurs

Alimenter
par une Réchaud à gaz
source de
chaleur

Refroidir Cuvette de
les refroidissement
céréales
(Soja)

Entrer,
Contenir
sortir
les Couvercle,
céréales trémie, bâti

Conserver

Figure 28:Le FAST relative à la fonction torréfier.

Suite à l’analyse fonctionnelle, basée sur le FAST nous avons identifié les différentes
fonctions techniques permettant de réaliser la fonction de service : « permettre à l’utilisateur
de faire torréfier le soja ». Nous avons retenu les fonctions techniques :

 Mettre,
 Alimenter,
 Refroidir,
 Contenir.

II.3.1.2 Vue éclatée du torréfacteur de soja

Les fonctions techniques et sous-fonctions techniques nous ont permis de détailler les
solutions technologiques. Le torréfacteur de soja est constitué de 19 composants tels que listés
dans le Tableau 25. La Figure 29 représente une illustration du produit décrivant une solution
en vue éclatée.

96
 Figure 29:Vue éclatée de la solution.

Tableau 25:Légende des composants.

Repère des composants Noms des composants

To
1 Bâti rr
éfa
2 Moteur cte
ur
3 Courroie de
soj
4 Disque 2(poulie) a

5 Axe principal
6 Roulement axe principal 1
7 Roulement axe principal 2
8 Support roulement côté moteur
9 Disque moteur
10 Capot
11 support roulement côté cuvette

97
 12 Cuvette
13 Axe secondaire
14 Roulement axe secondaire
15 support roulement axe secondaire
16 Trémie de sortie
17 Cylindre principal
18 Racleur
19 Trémie d’entrée

II.3.2. Modélisation du produit par le graphe de liaisons

La structure du produit permet de construire le graphe des liaisons présenté à la figure 30.

98
 1
1 15
𝐿1 𝐿16 𝐿18
2 𝐿17
16 𝐿12 𝐿2
14
1
𝐿15 12
9 1 𝐿19
4
𝐿14 17 𝐿3 𝐿4 1
19 13
𝐿5
3
𝐿11
𝐿20
𝐿13 5
𝐿6 1
8 𝐿7 𝐿8 18
10 1 6
1 1
7
𝐿10 1
𝐿9

11

Figure 30:Graphe des liaisons de du torréfacteur de soja.

99
II.3.3 Evaluation de la complexité de désassemblage
Comme mentionnée dans la méthodologie, un indice 𝐼𝑓𝑓 (équation 61) est choisi comme
indicateur en conception afin d’évaluer la complexité de désassemblage d’une solution générée
par le concepteur.

La complexité de désassemblage du torréfacteur de soja est évaluée à partir de six

paramètres proposés pour deux solutions dont les caractéristiques sont les suivantes :

 Solution 1 : le torréfacteur est constitué de deux grands ensembles : l’ensemble

supérieure (bâti-cylindre principal) et l’ensemble inférieure (bâti-cuvette).

L’ensemble supérieure se subdivise en trois parties. La première partie est composée des
pièces1, 17, 19, 10, 16, 11 et 8. La deuxième partie est composée des pièces 2, 3 et 9. La
troisième partie est composée des pièces 4, 5, 6 et 7. L’assemblage entre ces trois parties est
assuré par système vis-écrou.

L’ensemble inférieure se subdivise en deux parties. La première partie est composée des
pièces 1,14 et15. La deuxième partie est composée des pièces 12, 13 et 18. L’assemblage entre
ces deux parties est assuré par système vis-écrou.

 Solution 2 : cette solution est similaire à la précédente, la seule différence est que les
pièces 17 et 16 sont soudées.

Le tableau 26 fait une évaluation des liaisons entre les composants du produit et le tableau
27 ressort les valeurs des indices de fixations faciles pour chacune des solutions proposées,
lorsqu’on applique le modèle développé dans ce travail qui considère les six paramètres de
désassemblage non destructifs pour évaluer la solution de conception.

Tableau 26:Evaluation des liaisons entre les composants avec le nouveau modèle.

Liaisons TC OD NDD TCO QO ER Valeur

1--2 6 3 5 4 3 2 23
2--9 4 1 4 3 1 1 14
3--9 4 3 5 2 2 2 18
3--4 4 1 4 3 1 1 14
4--5 4 3 5 4 3 2 21
5--6 4 3 5 2 3 2 19
5--7 4 3 5 2 3 2 19
6--8 6 1 5 2 2 2 18
7--11 6 1 5 2 2 2 18

100
 11--10 4 3 5 4 3 2 21
17--10 6 3 5 2 2 2 20
17--8 4 3 5 4 3 2 21
17--1 6 3 5 4 3 2 23
17--16 6 3 5 4 3 2 23
1--12 6 3 5 4 3 2 23
15--14 4 3 4 2 2 2 17
12--15 4 3 5 4 3 2 21
14--13 4 3 5 4 3 2 21
18--13 4 3 5 4 3 2 21
19--17 4 3 5 4 3 2 21

Tableau 27:Bilan de l’évaluation avec le nouveau modèle

Torréfacteur de soja Solution 1 Solution 2

𝐼𝑓𝑓 (en %) 37 ± 0,9 39 ± 0,5

D’après le tableau 27 les indices de fixations faciles obtenus pour les deux solutions
proposées sont de l’ordre de 37 % pour la solution 1 et de 39 % pour la solution 2. Les deux
solutions appartiennent à l’intervalle [25%, 50%] qui traduisent une solution satisfaisante. Mais
la solution 2 présente l’indice de fixations faciles le plus proche de 50%, elle est alors jugée
comme la solution de conception la plus respectueuse des contraintes de désassemblage en fin
de vie que la solution 2.

En appliquant le modèle développé par Dowie and Simon (1994) et Dowie and D. a
(1995) qui tient compte de trois paramètres désassemblages pour évaluer la solution de
conception, le tableau 28 fait une évaluation des liaisons entre les composants du produit et le
tableau 29 ressort les valeurs des indices de fixations faciles pour chacune des solutions
proposées.

Tableau 28:Evaluation des liaisons entre les composants avec l’ancien modèle.

Liaisons OD NDD TCO Valeur

1--2 3 5 4 12
2--9 1 4 3 8
3--9 3 5 2 10
3--4 1 4 3 8
4--5 3 5 4 12
5--6 3 5 2 10

101
 5--7 3 5 2 10
6--8 1 5 2 18
7--11 1 5 2 18
11--10 3 5 4 21
17--10 3 5 2 20
17--8 3 5 4 21
17--1 3 5 4 23
17--16 3 5 4 23
1--12 3 5 4 23
15--14 3 4 2 17
12--15 3 5 4 21
14--13 3 5 4 21
18--13 3 5 4 21
19--17 3 5 4 21

Tableau 29:Bilan de l’évaluation avec l’ancien modèle

Torréfacteur de soja Solution 1 Solution 2

𝐼𝑓𝑓 (en %) 24,05 ± 0,41 24,73 ± 0,64

D’après le tableau 29, les indices de fixations faciles obtenus pour les deux solutions
proposées sont de l’ordre de 24,05 % pour la solution 1 et de 24,73 % pour la solution 2. Les
deux solutions appartiennent à l’intervalle [0%, 25%] qui traduisent une solution pas
satisfaisante. Donc le modèle développé dans ce travail est meilleur que celui proposé par
Dowie and Simon (1994) et Dowie and D. a (1995) car il a pu générer deux solutions de
conception satisfaisantes.

II.4 CONCLUSION
Ce chapitre a été consacré au choix de la meilleure solution de conception au moyen d’un
critère concernant l’intégration du désassemblage en fin de vie durant la phase de conception
préliminaire. Une évaluation des solutions de conception d’un torréfacteur de soja a été
présentée à l’issue de laquelle le choix de la solution de conception la plus respectueuse des
contraintes de désassemblage a été fait grâce au modèle développé dans ce travail. Ces
paramètres de conception issus de ce modèle seront fort utiles pour déployer l’algorithme de
clustering au torréfacteur de soja.

102
 CHAPITRE III : PROPOSITION D’UN OUTIL QUI S’APPUIE
SUR L’ALGORITHME DE CLUSTERING

III.1 INTRODUCTION
Dans ce chapitre, nous proposons un outil qui s’appuie sur l’algorithme de clustering
existant. Il s’agit d’un nouvel algorithme de clustering qui utilise le formalisme de
représentation matricielle pour mettre en œuvre l’identification des architectures des domaines
du produit (système ou équipement). Le principe retenu est d’utiliser les DSM (Design Structure
Matrix) en entrée pour proposer des architectures optimales des produits. Notre contribution
concerne l’amélioration d’un algorithme de clustering existant qui a servi de référence à
plusieurs travaux antérieurs tels que ceux de (Idicula ,1995 ; Fernandez ,1998 ; Thebeau, 2001).
Nous présentons d’abord les limites de l’algorithme existant, ensuite nous proposons plusieurs
améliorations de cet algorithme, à partir de notre analyse bibliographique sur la conception
modulaire et les indices de modularité.

III.2 METHODOLOGIE DE L’ALGORITHME DE CLUSTERING EXISTANT

L’algorithme de clustering existant repose sur plusieurs étapes, décrites ci-dessous.

III.2.1 Modélisation du produit

Les composants du produit (système) et leurs relations sont représentés par un graphe
de liaisons, G= (C, R) où chaque sommet représente un composant, et chaque couple de deux
composants appelé « arc » représente les informations liées aux relations.

Soit C= (𝐶1 , 𝐶2 , 𝐶3 ,…, 𝐶𝑛 ) l’ensemble de tous les composants du produit de cardinalité n.

Soit R= (𝑅1 , 𝑅2 , 𝑅3 ,…, 𝑅𝑚 ) l’ensemble de toutes les relations entre les composants du produit
de cardinalité m.

Pour chaque couple de composants du graphe, nous lui attribuons une valeur qui est la
somme des paramètres représentant le désassemblage. Ainsi le résultat sera présenté sous la
forme d’une matrice de relation. On définit la matrice de relation par un élément 𝑐𝑖,𝑗 tel que :

TC  TCO  OD  NDD  QO  ER, si ci et c j ont une relation

ci , j   (64)
 0, sinon

avec :

 TC : Types des Contacts ;

103
  TCO : Types des Combinaisons ;
 OD : Outils de désassemblage ;
 NDD : Nombre de Direction de Désassemblage ;
 QO : Qualifications des opérateurs ;
 ER : Équipements requis ;
 k : indice de la liaison entre les composants 𝑐𝑖 et cj .

La valeur dans une cellule de la matrice est non nulle si les composants respectifs sont
connectés et égale à zéro si ce n'est pas le cas. Pour des raisons de symétrie de la matrice, on a :
𝑐𝑖,𝑗 = 𝑐𝑗,𝑖 . D’après Lambert et al. (2005), le nombre maximal de connexions K dans un produit
avec N composants est donné par l'expression suivante :

K  N  N  1 (65)

Si toutes les connexions dans un produit sont établies, c'est-à-dire que tous les éléments
significatifs sont différents de 0, la matrice représente un produit fortement connecté, c'est-à-
dire un produit dans lequel tous les composants sont mutuellement connectés.

III.2.2 Première étape de l’algorithme de clustering existant et choix d’une bonne

topologie
III.2.2.1 Première étape de l’algorithme de clustering existant
Le clustering est un processus qui partitionne un ensemble de données en sous-classes
(clusters ou grappes) ayant du sens.

Cette étape permet de réorganiser consécutivement les lignes et les colonnes de la matrice
modélisant les relations entre les composants d’un produit, selon un indice de similarité jusqu’à
l’obtention des blocs diagonaux. Ainsi tous les composants qui sont en interaction minimal sont
regroupés ensemble pour former des modules.

Optimiser le regroupement, consiste donc à maximiser la similarité intra-classe et à minimiser

la similarité inter-classes.

Pour trouver le nombre des modules, nous utilisons la formule proposée par (Ericsson et Erixon,
1999) :

0,5 NCP  NM  NCP (66)

avec :

104
  NCP : Nombre de Composants du Produit ;
 NM : Nombre de Modules du Produit.

Ce regroupement se fait en plusieurs étapes :

1.Générer un nombre de modules possibles, d’après l’équation 66.

2.Additionner les entrées de chaque colonne de la matrice des relations.

3.Choisir des composants avec les plus fortes intensités de liaisons et assigner les à un
module.

4.Choisir une colonne parmi celles qui correspondent aux composants de l’étape précédente
et tracer une ligne verticale.

5. Pour chaque entrée (valeur) différente de 0 coupées par la ligne verticale, tracer une ligne
horizontale.

6. Assigner les composants au module auquel appartient le composant de la colonne choisie

de sorte à maximiser les relations des composants du même module et à minimiser les
relations entre les composants de modules différents.

7. Transformer la matrice en supprimant les composants assignés à un module.

8. Répéter les étapes 6 à 7 jusqu’à ce que chaque composant soit assigné à un module.

III.2.2.2 Choix d’une bonne topologie des modules

Le choix d’une bonne topologie des modules est fortement corrélé aux séquences ou
gammes de désassemblage du produit. En effet, avec le processus de désassemblage, on peut
identifier des composants qui peuvent être récupéré en parallèle (en même temps). On constate
dès cet instant que lors d’une opération de maintenance faisant appel aux désassemblage, on
peut se retrouver à démonter en même temps plusieurs composants. Ces composants présentent
donc un mode de fonctionnement de type série (le dysfonctionnement de l’un des composants
affecte systématiquement les autres). Les autres composants ne faisant pas partir de ce mode de
fonctionnement (type parallèle) peuvent donc être désassemblé indépendamment l’un de
l’autre. C’est ainsi qu’à l’issu des gammes de désassemblage, on définit une topologie des
modules.

Pour obtenir la séquence de désassemblage optimale (conduisant à un désassemblage

complet) , nous nous inspirons des méthodes développées par (Bourjault, 1984 ; Subramani et

105
Dewhurst, 1991 ; Lee et Kumana, 1992 ; Srinivasan et Gadh , 1998 ; Jabbour et Mascle, 1998 ;
Kuo et al., 2000 ; Srinivasan et Gadh, 2000 ; Gungor et Gupta, 2001 ; Moore et al., 2001 ;
Kongar et Gupta, 2001 ; Failli et Dini, 2001 ; Srinivasan et Gadh, 2002 ; Torres et al., 2003 ;
Wang et al ., 2003 ; Lambert et Gupta, 2005 ; Kongar et Gupta, 2006 ; Giudice et Fargione,
2007 ; Tseng et al., 2009 ; Tripathi et al., 2009 ; Zhang et Zhang, 2010 ; Xue et al., 2010 ; Saïd,
2018).

La séquence de désassemblage générée par l’algorithme que nous proposons met en

évidence l’ordre de désassemblage des modules du produit, puis les composants d’un module.
Pour la génération de la séquence de désassemblage, trois données d’entrée sont nécessaires :

 la matrice de précédence entre les composants ;

 les directions de désassemblage des modules ;
 la matrice de précédence entre les modules .

La matrice de précédence entre les composants est définie à partir du graphe des liaisons et
de l’architecture modulaire du produit. Un élément 𝑝𝑖𝑗 de la matrice est tel que :

1, si le composant i est désassemblé avant le composant j

0, si le composant i n'est pas désassemblé avant le composant j

pij =  (67)
 x, si aucune contrainte de précédence existe entre les composants i et j
 cette notaion peut prendre la valeur 0 ou 1

Les entrées de la diagonale principale de la matrice de précédence sont égales à 0.

Pour illuter au mieux les trois données d’entrées nécessaires dont nous aurons besoins,
nous allons nous appuyer principalement sur les travaux de Saïd (2018).

La figure 31 donne une illustration de la matrice de précédence d’une lampe de bureau

subdivisée en cinq modules (SE1, SE2, SE3, SE4 et SE5).

106
 Figure 31:Exemple de matrice de précédence (Saïd, 2018)

Du fait que des composants appartiennent au même module, la valeur 0 est attribuée aux
entrées de chaque module de valeur égal à 1. On change ainsi la direction de désassemblage
des modules et la nouvelle matrice de précédence intégrant ce changement de direction est
donnée à la figure 32.

107
 Figure 32: Matrice de précédence modifiée des composants (Saïd, 2018)
En considérant les modules et les relations existant entre eux, le tableau 30 donne une
illustration d’une matrice de précédence des modules. Dans les modules et relations existant
entre eux, s’il existe au moins un composant i désassemblé avant le composant j, la valeur
assignée est 1. Dans le cas contraire, on assigne la valeur 0 (même s’il s’agit d’un
désassemblage où aucune contrainte de précédence existe).

Tableau 30:Matrice de précédence pour les modules (Saïd, 2018)

SE1 SE2 SE3 SE4 SE5 Niveau

SE1 0 1 0 0 0 1
SE2 1 0 1 0 0 2
SE3 0 1 0 1 1 3
SE4 0 0 1 0 1 2
SE5 0 0 0 0 0 0

À partir de cette matrice de précédence des modules, nous pouvons déduire, dans sa
dernière ligne et colonne, les niveaux d’accessibilité suivant les deux sens de la direction de

108
désassemblage. Ces niveaux d’accessibilité sont caractérisés par le nombre de composants qui
précèdent les composants à désassembler.

Finalement, la gamme de désassemblage résultante peut être représentée selon

différentes façons (graphe des liaisons, graphe des adjacences,…). Nous proposons de la
représenter sous forme d’arbre de désassemblage pour une vision plus complète des modules et
des composants à désassembler et tenant compte de l’ordre de désassemblage.

III.2.3 Deuxième étape de l’algorithme de clustering existant

Dans cette étape, nous ferons une synthèse des métriques de mesure de la modularité et
nous justifierons notre choix.

Quand on parle de modularité, on est en droit de se poser la question : à quel point un

produit est- il modulaire ? Afin de quantifier la modularité, plusieurs mesures et métriques ont
été développées. Les mesures développées servent alors à comparer différentes architectures
d’un même produit.

Les mesures que nous présentons dans ce paragraphe sont classées selon une complexité
croissante.

Blackenfelt (2000) utilise deux métriques pour mesurer la modularité d’un produit : le
MI (Module Independence) (Newcomb et al., 1998) et l’ARP (Average Ratio of Potential) dont
les expressions sont :

n
inm
MI   (68)
m 1 tot

n
1 inm
ARP   (69)
m 1 n in pot

Avec :

 n : le nombre de modules ;
 m : l’indice d’un module ;
 𝒊𝒏𝒎 : la somme des interactions à l’intérieur du module m ;
 𝒊𝒏𝒑𝒐𝒕 : la somme des interactions à l’intérieur d’un module pondéré par un facteur à
fixer.

109
 La différence principale entre ces deux métriques est que l’ARP est maximal pour une
architecture composée de plusieurs petits modules.

Les métriques utilisées par Blackenfelt ne prennent pas en compte les interactions externes
aux modules, de ce fait la pertinence des métriques est très limitée.

Une autre mesure de la modularité est le SMI (Holtta et al., 2005) pour « Singular Value
Modularity Index », la mise en place de cet indicateur nécessite une étape intermédiaire qui est
la diagonalisation de la DSM du produit. On a alors :

DSM  U  VT (70)
DSM

Avec :

 1 0 0 
 DSM   0 0  (71)
0  N 
 0

Où les 𝜎𝑖 sont les valeurs propres classés dans un ordre décroissant.

U et 𝑉 𝑇 représentant respectivement les vecteurs propres (normaux) et les vecteurs propres

orthogonaux de la DSM .

N est le nombre de composants (nombre de lignes et de colonnes dans le DSM) du système.

On définit alors SMI par :

  1 N 1
SMI     1   i  i   i1  (72)
 DSM  N 1 i 1

La valeur de SMI est encadrée par 0 et 1, un SMI proche de 1 indique un fort degré de
modularité, un SMI proche de 0 définit une architecture intégrale.

Se basant sur les valeurs propres de la DSM, cette métrique ne permet pas de faire le
lien entre la taille des DSM, la taille des modules, leurs densités et la densité des interactions
externes. L’interprétation de cette métrique nécessite de se référer à la DSM initiale.

Guo et Gershenson (2004) ont étudié huit métriques de modularisation et proposent une
mesure de la modularité basée sur les intensités des interactions entre éléments dans un système.
Cette mesure (métrique) se compose de deux parties : une partie positive qui donne un poids

110
aux interactions internes aux modules et une partie négative qui pénalise les interactions
externes aux modules (Expression 73).

mk mk  nk 1
mk Nc

Mm   Rij Mm   
i  nk  j 1
Rij   Rij 

 2 
i  nk j  nk j  mk 1

k 1  mk  nk  1 k 1  mk  nk  1 N c  mk  nk  1
(73)
Mm

Avec :

 𝑛𝑘 : index du premier élément du 𝑘 è𝑚𝑒 module ;

 𝑚𝑘 : index du dernier élément du 𝑘 è𝑚𝑒 module ;
 𝑀𝑚 : nombre total des modules dans le produit ;
 𝑁𝑐 : nombre total de composants dans le produit ;
 𝑅𝑖𝑗 : valeur de l’ interaction entre les éléments i et j.

Cette mesure peut être utilisée avec toutes les DSM composants, elle présente l’avantage de
prendre en compte les interactions extérieures aux modules. Cependant, Wietfield et al. (2002)
utilisent une métrique proche de celle de Guo avec des pondérations plus pertinentes (le nombre
d’interactions disponibles). Cette mesure de la modularité est l’indicateur MSI pour Module
Strength Indicator. Le MSI s’applique à un module et se compose de deux parties (Equations
74 et 75).

n2 n2

  DSM i, j 
i  n1 j  n1
MSI i  (74)
 n2  n1  1   n2  n1  1
2

n1 1 n2 N n2

   DSM i, j   DSM  j, i      DSM i, j   DSM  j, i  

i 1 j n1 i n2 1 j n1
MSI e   (75)
2    n  1   n  n  1 
1 2    N  n    n  n  1 
2 1 2 2 1

MSI  MSI i  MSI e (76)

Avec :

 DSM (i, j) : Valeur de l’interaction entre l’élément i et j dans la DSM ;

 𝑛1 : Index du premier élément du module ;
 𝑛2 : Index du dernier élément du module ;
 𝑁 : Le nombre total d’éléments ;

111
  𝑀𝑆𝐼𝑖 et 𝑀𝑆𝐼𝑒 représentent respectivement la densité des interactions à l’intérieur et à
l’extérieur d’un module.

L’indicateur MSI permet alors de mesurer le degré de modularité de chaque module en

comparant les interactions à l’intérieur et à l’extérieur du module. Cet indicateur permet ainsi à
l’architecte système d’évaluer la modularité de chaque module et de simuler plusieurs
configurations. Ce dernier indicateur semble donc le plus complet pour évaluer la modularité
d’une architecture (Ghassen, 2007). Une dernière remarque concernant cette métrique : les
auteurs proposent les indices 𝑛1 et 𝑛2 et affirment que le nombre d’éléments est 𝑛2 − 𝑛1 + 1,
pour que cette affirmation soit vraie il faut que 𝑛1 soit l’indice du dernier élément dans le
module précédent (Ghassen, 2007 ; Eric, 2008).

III.2.4 Troisième étape de l’algorithme de clustering existant

L’idée de cette étape est d’évaluer une fonction objective permettant d’identifier pour
un produit donné les modules qui exigent le plus d’attention chez le concepteur. Nous ferons la
synthèse des fonctions objectives qu’on peut évaluer dans cette étape afin de choisir notre
fonction objective à évaluer.

L’algorithme proposé par Idicula (1995) pour cette étape est un algorithme de clustering
hiérarchique du type Bottom-Up qui groupe « les tâches de conception dans des modules qui
sont faiblement couplés entre eux, alors que chaque module est composé de tâches fortement
couplées » (Ghassen, 2007).

Il y a trois points importants qui font la spécificité de cet algorithme :

 la fonction d’enchère qui permet à un module de tester le coût de l’incorporation d’un

élément ;
 la « fonction objectif » qui exprime le coût de coordination de l’architecture testée et
qui garantit l’obtention de l’architecture la plus adaptée en minimisant ce coût ;
 le recuit simulé qui permet à l’algorithme de sortir du chemin d’un optimum local pour
trouver une architecture qui minimise le coût de coordination .

III.2.4.1 La fonction d’enchère

L’algorithme choisit aléatoirement et donc équiprobablement un élément. Une fois que
l’élément est choisi, l’algorithme calcule une enchère de chaque module. Une telle enchère est
une mesure de la façon dont les membres « forts » d’un module interagissent avec l’élément
choisi. L’équation 77 montre la forme exacte de la fonction d’enchère.

112
 size
Bid  clusterk , elementi   
 DSM (i, j)  DSM ( j, i)  pow _ dep
 CL _ MAT (k , j )  (77)
cl _ size  k 
pow _ bid
j 1

Avec :

 𝐵𝑖𝑑(𝑐𝑙𝑢𝑠𝑡𝑒𝑟𝑘 , 𝑒𝑙𝑒𝑚𝑒𝑛𝑡𝑖 ) : l’enchère du module k envers l’élément i ;

 𝐷𝑆𝑀(𝑖, 𝑗) : valeur de l’interaction entre i et j dans la matrice ;
 size : taille de la DSM, c’est-à-dire le nombre d’éléments composant le domaine ;
 cl_size (k) : nombre d’éléments contenus dans le module k ;
 pow_dep: contrôle l’importance donnée aux interactions fortes relativement aux
interactions faibles(une grande valeur augmente cette différence) ;
 pow_bid: contrôle la valeur de l’enchère relativement à la taille des modules (une grande
valeur décourage la formation de grands modules et encourage la formation de modules
de la même taille ) ;
 CL_ MAT (k, j) : variable binaire qui prend 1 quand l’élément j est dans le module k.

III.2.4.2 La fonction Coût

L’algorithme est construit autour d’une « fonction objectif » appelée le coût total de
couplage. Cette fonction a pour but de faire correspondre notre vision de l’architecture d’un
système à la formulation mathématique qu’elle utilise. Ainsi, le but est de transcrire les
observations suivantes dans une formulation mathématique :

 Lorsqu’une interaction lie deux éléments appartenant à deux modules différents alors le
coût de spécification/définition de cette interaction dépend de la taille des deux modules
qu’elle rapproche. Cette remarque est à l’origine de l’évolution du coût de couplage
proposé par la suite par (Ghassen, 2007 ; Eric, 2008) (voir équation 80).
 Pour obtenir l’expression finale du coût total de couplage : à l’image de la proposition
d’Idicula (1995), Ghassen (2007) et par Eric (2008) ont construit deux fonctions
complémentaires du coût de couplage : l’une pour caractériser les interactions internes
à un module et l’autre pour caractériser les interactions externes à ce module.

Pour chaque interaction dans la matrice DSM, l’algorithme d’Idicula calcule un coût de
couplage. Ensuite, la somme de tous les coûts de couplage donne le coût total de couplage.

Les équations 78 et 79 montrent les coûts de couplage pour une interaction.

Si les deux éléments i et j appartiennent au même module k (𝑀𝑘 ), alors :

113
Coût Couplage  i, j  =  DSM i, j   DSM  j, i     taille  M k  
2
(78)

Sinon, si aucun module ne contient les éléments i et j, alors il existe deux modules Mi’
et Mj’ qui contiennent respectivement les éléments i et j. Le coût de l’interaction entre les
éléments i et j s’écrit alors :


Coût Couplage  i, j  =  DSM  i, j   DSM  j, i    taille  M i '   taille  M j '  
2
(79)

L’équation 80 résume l’expression du coût total de couplage.

Coût Total Couplage =  Coût Couplage i, j  (80)

i j

Les trois formulations précédentes des coûts de couplage peuvent être réécrites en
adoptant comme référence les modules. On peut formuler alors une fonction de coût de
couplage, soit interne, soit externe à un module k, Mk (Equations 81 et 82 ).

Coût Couplage Interne  M k  =    DSM i, j   DSM  j, i    taille  M  

2
k
(81)
iM k jM k , j i

 DSM i, j  DSM j , i    taille  DSM   taille  M k   taille  M n 

2
 
Coût Couplage Externe M k =  
iM k jM k , jM n 
   

(82)

Alors le Coût Total de Couplage peut s’écrire sous la forme présenté dans l’équation 83.

Modules
Coût Total Couplage =  Coût Couplage Interne  M   Coût Couplage Externe  M  
Mk
k k

(83)

III.2.4.3 Le recuit simulé

Dans deux étapes de l’algorithme, la décision portant sur le choix de l’étape suivante
n’est pas déterminée par les résultats obtenus mais par un processus aléatoire. Ce type de
processus est connu sous le nom de « Simulated Annealing » qui en français est traduit en «
Recuit Simulé ».

Le Recuit Simulé est un méta-algorithme probabiliste générique, il permet de réaliser

une bonne approximation de l’optimum global d’une « fonction objectif » dans un grand espace
de définition. Il a été développé parallèlement par Kirkpatrick et al. (1983), et par Cerny (1985).

114
 La dénomination de cet algorithme est inspirée de la métallurgie, où on répète
cycliquement la chauffe et le refroidissement d’un métal pour augmenter la taille de ses cristaux
et réduire ses défauts.

Le principe de l’algorithme est le suivant : l’algorithme est initialisé avec une solution
prise au hasard. À chaque itération, il modifie légèrement la solution pour essayer d’améliorer
la « fonction objectif ». Des sauts aléatoires sont introduits pour permettre de sortir d’optima
locaux, et donc accepter des solutions même si elles n’améliorent pas la « fonction objectif ».

Des conditions d’arrêt de l’algorithme sont définies pour limiter la durée d’exploration
de l’espace de solutions.

Dans l’ultime évolution de l’algorithme d’Idicula, proposée par Thebeau (2001), le

recuit simulé permet à l’algorithme de réaliser aléatoirement certaines opérations, ce qui a pour
intérêt d’augmenter le nombre de solutions explorées par l’algorithme. Cependant, Ghassen
(2007) a remarqué une erreur liée à l’utilisation du recuit simulé.

Cette erreur se situe dans la boucle qui permet d’accepter un coût de couplage supérieur,
l’algorithme de référence enregistre alors la meilleure architecture référencée en cours obtenue
jusqu’au meilleur coût actuel et qui peut être obtenue dans la boucle de stabilité en cours, mais
cette architecture n’est pas sauvegardée dans une variable qui contient la meilleure architecture
obtenue. Il s’ensuit à la sortie de cette boucle que l’algorithme peut accepter un coût qui
améliore la variable sans vérifier si le meilleur coût actuel améliore le précédent. Par
conséquent, l’algorithme peut ne pas prendre en compte la meilleure architecture parmi celles
qu’il teste.

A l’issue de cette analyse de l’algorithme d’Idicula, nous optons pour une dénomination
plus générique de la « fonction objectif » à savoir : « coût total de couplage ». En effet, cette
fonction objective est indépendante du domaine étudié.

III.3 LIMITES DE L’ALGORITHME DE CLUSTERING EXISTANT

Il convient d'abord de définir les qualités attendues d'un bon algorithme de clustering.
Cette question nous renvoie à une question encore délicate aujourd'hui dans la littérature
s'intéressant à la conception modulaire : qu'est-ce qu'une architecture optimale ?

D'une façon générale, l'identification d'une architecture est un problème de décision

multicritère. Il s'agit de tenir compte de la complexité de la conception liée à cette architecture.
Le principe de système semi-décomposable formulé par Simon (1997) et les axiomes de la

115
conception axiomatique vont dans ce sens et tendent à privilégier la création de sous-systèmes
qui soient le plus possible découplés. Il s'agit de limiter la diversité technique en standardisant
les composants et faire des économies d'échelle en production. Il s'agit de s'assurer que le
système sera facilement maintenable. En résumé, toutes les parties prenantes du cycle de vie du
système vont spécifier des exigences sur son architecture.

La méthode de modularisation MFD essaie de prendre en compte plusieurs critères pour

proposer un module mais cette méthode reste manuelle et subjective. Les algorithmes de
clustering cherchent généralement à optimiser une "fonction objectif" qui ne prend en compte
que les couplages d'un domaine du système (par exemple, fonctionnel ou organique) (Thebaud,
2001 ; Whitfield et al., 2002 ; Yu et al., 2003).

En ce qui concerne la suite de ce travail, nous définirons une architecture optimale

comme étant la solution minimisant la "fonction objectif" d'un algorithme de clustering.

Éric (2008) caractérise les qualités attendues d'un algorithme de la façon suivante :

 S1 : Converger de façon répétée (reproductibilité) et rapide (temps de calcul) vers la

solution optimale, du point de vue de la "fonction objectif" choisie ;
 S2 : Favoriser des modules denses (densité des modules) ;
 S3 : Pénaliser les modules de grande taille (nombre d'éléments dans un module) car ils
peuvent être complexes à concevoir et nécessiter de nombreuses interfaces (intégration
difficile) ;
 S4 : Etre facile à programmer ou à modifier ;
 S5 : Nécessiter peu de paramètres à fixer ;
 S6 : Etre compréhensible par son utilisateur. Les principes du calcul doivent être faciles
à expliquer. Le résultat doit pouvoir s'interpréter facilement.

Les algorithmes proposés par Yu et al. (2003 ; 2007) ont l'avantage d'une meilleure
convergence vers l'optimum que l'algorithme de Thebaud mais un temps de calcul qui peut être
plus long (les auteurs ne fournissent pas ces données comparatives). Les programmes sources
ne sont pas disponibles et difficilement compréhensibles par un bon ingénieur de conception.

L'algorithme développé par Thebaud satisfait les spécifications S1, S4 et S6.

Globalement l’algorithme de clustering existant ne satisfait pas les spécifications S2, S3, S5 et
ne prend pas en compte la notion d’éléments intégrateurs afin de réduire la complexité des
modules.

116
 Nous allons proposer des modifications pour améliorer cet algorithme sur ces critères.

III.4 NOUVEL ALGORITHME DE CLUSTERING

Dans ce qui suit, nous allons présenter le nouvel algorithme de clustering et son
fonctionnement.

L’algorithme utilisé se base sur l’évaluation des couplages entre éléments d’un même
domaine pour générer d’une manière systématique des groupements en modules de ces mêmes
éléments en optimisant une « fonction objectif ». Il ne gère que les valeurs positives des
couplages.

L’algorithme d’Idicula permet de produire d’une manière stochastique des modules à

partir d’une DSM. Cependant, nous avons constaté que cet algorithme est lourd à utiliser et est
fonction des paramètres de contrôle qui peuvent être difficile à manipuler pour permettre de
trouver une combinaison optimale.

Dans notre démarche d’amélioration de l’algorithme de référence, nous avons intégré

des notions fondamentales de l’architecture modulaire afin d’orienter le fonctionnement de
l’algorithme.

Les modifications que nous apportons concernent quatre points spécifiques :

 La DSM ;
 Le MSI ;
 La « Fonction objectif » ;
 L’identification des éléments intégrateurs.

L’organigramme du nouvel algorithme de clustering que nous proposons est donné à la

figure 33.

117
 Début

Définir la nouvelle DSM (𝛿(𝑖, 𝑗))

Déduire les coefficients correcteurs (𝑀𝑆𝐼𝑖 ′et 𝑀𝑆𝐼𝑒 ′)

Définir une fonction objective (Coût de couplage des

modules)

Calculer le nouveau Coût Total en appliquant les

Coefficients Correcteurs (Le 𝑀𝑆𝐼𝑖 ′et le 𝑀𝑆𝐼𝑒 ′)

Non
Réduction dans le
Coût ?

Oui

Identifier les éléments intégrateurs

Afficher les nouveaux modules

Calculer le Coût Total de Couplage de la nouvelle

architecture

Non
Réduction dans le
Coût ?

Oui

Non
Le Coût obtenu est-il optimal ? (situé dans la
plage déduite de l’implémentation de
l’algorithme existant)

Oui

Fin

Figure 33:Organigramme du nouvel algorithme de clustering

118
III.4.1 Matrice structurelle de conception modifiée
La première modification de l’algorithme existant concerne la matrice structurelle de
conception. En se servant des modifications apportées par Ghassen (2007) et Eric (2008), les
transformations des éléments de la DSM de base que nous proposons sont données dans le
tableau 31.

Tableau 31:Modifications de la matrice structurelle de conception

DSM(i, j) Valeur de couplage entre les éléments 𝑪𝒊 et 𝑪𝒋 . Notons que pour i = j, DSM(i , j) = 0.
𝜹(𝒊, 𝒋) Prend la valeur 1 quand DSM(i, j) ≠ 0 et la valeur 0 quand DSM(i, j) = 0.

La matrice structurelle de conception de l’algorithme de base tient compte de l’intensité

des interactions entre les éléments (DSM (i, j)), la nouvelle matrice structurelle de conception
que nous proposons tient compte uniquement de l’existence ou non des interactions. La
transformation ainsi opérée est donnée comme suit :

Dans la nouvelle matrice structurelle de conception d’ordre n, x représente une valeur

binaire qui peut prendre les valeurs 0 ou 1, en fonction de la valeur de couplage entre les
éléments 𝑪𝒊 et 𝑪𝒋 que génère l’algorithme de base (1≤ 𝒊 ≤ 𝒏 et 1 ≤ 𝒋 ≤ 𝒏 ).

III.4.2 Coefficients correcteurs du coût de couplage des modules

La deuxième modification concerne le Module Strength Indicator (MSI). En appliquant
l’algorithme de base développée par Idicula (1995), on observe une formation de modules de
grandes tailles (dont moins dense à l’intérieur), plus contraignants pour la maintenance. Nous
proposons à cet effet un procédé pour éviter la formation de modules de "trop" grande taille
(former des modules plus denses à l’intérieur). Pour cela, nous corrigeons les coûts de couplage
du précédent algorithme par deux coefficients correcteurs, que nous appelons MSIi' et MSIe'.

Pour le calcul de ces coefficients, on met l’accent sur deux caractéristiques d’une
architecture modulaire :

 Un module est le groupement d’éléments interagissant fortement entre eux ;

119
  Les éléments appartenant à un module interagissent faiblement avec les éléments
appartenant à d’autres modules.

A la lumière de ces deux remarques, nous nous sommes inspiré de la métrique de

modularité proposée par Whitfield et al. (2002).

La partie MSIi’ (pour densité des interactions à l'intérieur) prend en compte les
interactions internes à un module et donne de ce fait une mesure de la cohésion et de la
robustesse (Strength) interne du module.

La partie MSIe’ (pour densité des interactions à l'extérieur) prend en compte les
interactions externes qui lient les éléments appartenant au module aux autres éléments externes
au module, ainsi MSIe’ mesure la force des interactions externe au module.

Il apparaît à travers les deux définitions que MSIi’ et MSIe’ sont deux indicateurs antagonistes.

C’est pourquoi l’indicateur MSI’ (Module Strength Indicator corrigé du module

considéré) s’écrit comme la différence des deux.

Dans notre travail, nous n’allons pas utiliser directement l’indicateur MSI’, mais une
forme dérivée des deux indicateurs MSIi’ et MSIe’. Alors que ces deux indicateurs originaux
tiennent compte de l’intensité des interactions, les indicateurs que nous proposons tiennent
compte uniquement de l’existence ou non des interactions. On obtient alors les indicateurs
MSIi’ et MSIe’ présentés en équations 84 et 85.

n2 n2

    i, j 
MSI  M k  
' i  n1 j  n1 , j i
(84)
 n2  n  1   n2  n1  1
i 2
1

n1 1 n2 taille ( DSM ) n2

    i , j     j , i       i , j     j , i  
MSI  M k  i 1 j n1 i n2 1 j n1
'
 (85)
2    n  1   n  n  1  2    taille( DSM )  n    n  n  1 
e
1 2 1 2 2 1

Avec :

 Taille (DSM) : fonction qui renvoie la taille d'un module ou de la DSM, i.e. nombre
d'éléments dans une sous-matrice de la DSM ;
 𝑛1 : index du premier élément du module 𝑀𝑘 ;
 𝑛2 : index du dernier élément du module 𝑀𝑘 (𝑛2 ≥ 𝑛1 ). Si 𝑛2 = 𝑛1 , le module ne
contient en fait qu’un seul élément.

120
 Notons que le dénominateur du MSIi’ correspond au nombre total d’interactions
possibles du module considéré, en dehors de la diagonale et que nous considérons uniquement
des DSM symétriques.

L’indicateur MSI a été développé pour des DSM temporelles et plus précisément pour
des DSM paramètres tel que celles développées dans l’algorithme de clustering de base qui
s’inspirent des paramètres de conception. Nous proposons alors un indicateur MSI’ développé
pour des DSM numériques qui prennent leurs valeurs entre 0 et 1. On obtient alors des
indicateurs MSIi’ et MSIe’ ayant leurs valeurs entre 0 et 1. Du fait que les indicateurs MSIi’ et
MSIe’ prennent en compte des interactions valant 1 ou 0, MSIi’ et MSIe’ ont une valeur bornée
par 0 et 1.

Avant d’expliquer l’utilisation de ces indicateurs dans la fonction de coût, nous allons
étudier le comportement de ces deux indicateurs.

L’indicateur MSIi’ est maximal et vaut 1, lorsque le module est totalement dense, c’est-
à-dire tous les éléments qui le composent interagissent. L’indicateur est nul, lorsque les
éléments qui composent le module n’interagissent pas du tout entre eux (ce qui remet en
question l’utilisation du terme module pour qualifier ce groupement d’éléments).

L’indicateur MSIe’ est nul lorsque le module concerné n’interagit avec aucun élément
externe (il est complètement découplé). Il est maximal lorsque chacun des éléments qui le
composent interagit avec tous les éléments externes à ce module. Cette dernière configuration
est également contraire à l’application du terme module à un groupement d’éléments.

Ainsi, un groupement d’éléments tend à devenir un module parfait quand son MSIi’
tend vers 1 et son MSIe’ tend vers 0.

III.4.3 La fonction Coût

La troisième modification concerne la "fonction objectif" qui est l'élément déterminant
de l’algorithme de clustering. Notons que sa formulation correspond à une modélisation de ce
que l'expert qui utilise l'algorithme peut considérer comme une "architecture optimale".

Si nous reprenons la « fonction objectif » choisie plus haut (équation 83), nous
remarquons que nous pénalisons plus fortement les interactions externes que les interactions
internes. Cette configuration peut aboutir à la création de modules relativement grands, même
si la taille du module est pénalisée. Ainsi, pour ajuster et corriger la « fonction objectif » nous
allons nous inspirer des travaux de (Ghassen, 2007 ; Eric ,2008). Ces travaux ne donnent pas

121
des contraintes sur les coefficients correcteurs et n’intègrent pas ces contraintes dans la
formulation de la fonction objectif. Nous formulons donc une fonction objectif définie par
l’équation 86, qui tient compte des contraintes sur les coefficients correcteurs du coût de
couplage des modules.

minimiser Coût Total Couplage =   Coût Total Couplage  i, j 

i j
t el que : MSIi' MSIi (86)
MSI e' MSI e

Les corrections que nous apportons avec cette nouvelle fonction objectif concernent le
coût de couplage interne et le coût de couplage externe, pour un module considéré.

Ainsi, les corrections apportées sont données par les équations 87 et 88.

Coût Couplage Interne Corrigé  M k  = Coût Couplage Interne  M k  / MSI i'  M k  (87)

Coût Couplage Externe Corrigé  M k  = Coût Couplage Externe  M k   MSI e'  M k  (88)

Ces deux corrections sont interprétées de la manière suivante :

 en divisant le coût de couplage interne par MSIi’, nous favorisons la création de modules
plutôt denses que grands ;
 en multipliant le coût de couplage externe par MSIe’, nous favorisons la minimisation
des interactions externes aux modules.

Notons la double logique de la nouvelle "fonction objectif" :

 plus MSIi' augmente, plus le module est dense, plus le coût baisse ;
 plus MSIe' augmente, plus il y a d'interactions externes au module, plus le coût
augmente.

Le Coût Total Corrigé s’écrit alors :

    
Modules
Coût Total Couplage Corrigé =  Coût Couplage Interne Corrigé M k  Coût Couplage Externe Corrigé M k
Mk

(89)

Afin de montrer la pertinence de cette dernière « fonction objectif », nous allons comparer
dans la partie résultats de ce chapitre notre algorithme et l’algorithme référence.

122
III.4.4 Identification des éléments intégrateurs
Une dernière modification concerne le traitement spécifique que nous réservons aux
éléments intégrateurs. Ghassen (2007) définit un élément intégrateur comme un élément qui
nappartient à aucun module et qui interagit avec des éléments appartenant à plusieurs modules.
Cette définition pose cependant un problème dans la mesure où l’architecture de base ne
comporte pas d’éléments n’appartenant à aucun module. En effet, tout module contient au
moins un composant, donc un composant unique pourrait définir son propre module. Dans
l’optique de construire des modules de petites tailles, on peut considérer un élément appartenant
déjà à un module comme un élément intégrateur dans la mesure où il interagit fortement avec
un autre module. Nous définissons donc un élément intégrateur comme un élément appartenant
à un module et qui interagit avec des éléments appartenant à un ou à plusieurs modules.

Les algorithmes de clustering ont pour objectif de créer des modules et donc tentent
d'insérer tout élément à l'intérieur d'un module. Les fonctions de coût (celle de Thebaud (2001)
ou celle que nous proposons) ne peuvent pas garantir que les éléments intégrateurs seront placés
à l'extérieur des autres modules, ce qui au final, n'est pas conforme à la vision de l’architecte et
perturbe la convergence de l'algorithme.

C’est pourquoi nous proposons de calculer un indice de couplage (IC) pour identifier
"automatiquement" les éléments intégrateurs, définis comme ceux qui interagissent fortement
en nombre avec les éléments appartenant à d’autres modules (Equation 90). Nous offrons aussi
la possibilité à l’utilisateur de classer manuellement un élément qu’il considère comme étant
intégrateur.

taille DSM 

   i, j 
IC  élément j   i 1,i  j
(90)
taille  DSM   1

L’IC mesure le taux de couplage entre un élément et le reste du système. Pour tenir compte
du jugement des architectes, Ghassen (2007) fixe l’IC à 60%. Au-delà de ce seuil, les éléments
sont considérés comme étant intégrateurs. Eric (2008) par contre, offre la latitude à l’utilisateur
de définir le seuil de l’IC.

III.5 CONCLUSION
Cette partie a été consacrée à la proposition d’une méthode d’algorithme de clustering
pour une bonne modularisation des systèmes. Il se trouve que l’algorithme de clustering déployé
dans la littérature présente beaucoup de limites, dans la mesure où il ne considère que les DSM

123
paramètres (dont on aurait six paramètres à varier, rendant plus lourd l’implémentation de
l’algorithme), il génère des modules complexes (de grandes tailles et engendrant des coûts de
couplages élevés) et ne prend pas en compte les éléments intégrateurs, permettant la création
des modules plus denses. Il est donc important de réduire ces coûts de couplage pour une
conception et une maintenance plus aisées. Des corrections de l’algorithme existant ont été
apportées en proposant un nouvel algorithme de clustering. Nous validerons cet algorithme par
une application sur le torréfacteur de soja au Chapitre 4.

124
 CHAPITRE IV : VALIDATION DE L’ALGORITHME
PROPOSE

IV.1 INTRODUCTION
Dans ce chapitre, nous implémentons d’abord l’algorithme de clustering existant,
ensuite nous implémentons le nouvel algorithme proposé et comparons les résultats avec ceux
générés par le précédent algorithme.

Dans l’implémentation de l’algorithme de clustering existant, la modélisation du produit

est fondamentale pour l’identification d’une architecture modulaire. En effet, cette modélisation
conduit à aboutir à une matrice de relations globale entre tous les composants d’un produit.
Grâce à cette matrice de relations qui est fortement corrélée à la première étape de l’algorithme
de clustering existant qui consiste à déployer une chronologie de regroupement de tous les
composants en modules, on aboutit ainsi à une architecture modulaire. L’architecture modulaire
étant ainsi obtenue et une bonne topologie des modules étant définie, au moyen d’une des
métriques proposées dans la littérature qui fait l’objet de la deuxième étape de l’algorithme de
clustering existant, la modularité sera mesurée afin d’identifier le module qui assure une plus
forte cohésion interne et dont la maintenance est plus facile. A l’issue de cette mesure de la
modularité, la troisième étape de l’algorithme de clustering existant va consister à évaluer les
coûts de couplage entre les modules du produit afin d’identifier les modules qui suscitent le
plus d’attention chez les concepteurs. Enfin, les résultats de l’implémentation du nouvel
algorithme, comparés à ceux de la littérature permettrons de le valider.

IV.2 RESULTATS DE L’ALGORITHME DE CLUSTERING EXISTANT

Cette partie illustre la mise en application des fonctionnalités de l’algorithme existant
présentée au chapitre 3 qui consiste à définir une bonne topologie modulaire, à évaluation le
degré de modularité (le MSI) et à évaluer le coût de couplage des modules, sur le même produit
du chapitre 2 : le torréfacteur de soja (la solution de conception issue du chapitre 2 est donné
en Annexe 10).

IV.2.1 Modélisation du produit

En exécutant la formule donnée par l’équation (64) qui consiste à générer toutes les
cellules de la matrice de relations des composants du système et fonction des paramètres de
désassemblage sélectionnées au chapitre 2, on obtient la matrice de relation donnée par le
tableau 32.

125
 Tableau 32:Matrice de relations du torréfacteur de soja

Composants 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
1 0 23 23 23
2 23 0 14
3 0 14 18
4 14 0 21
5 21 0 19 19
6 19 0 18
7 19 0 18
8 18 0 21
9 14 18 0
10 0 21 20
11 18 21 0
12 23 0 21
13 0 21 21
14 21 0 17
15 21 17 0
16 0 23
17 23 21 20 23 0 21
18 21 0
19 21 0
TOTAL 69 37 32 35 59 37 37 39 32 41 39 44 42 38 38 23 108 21 21

En observant cette matrice, on constate que le nombre de connexions est 343 ,qui est bien en accord avec la formule établie par

126
Lambert et al. (2005) qui stipule que le nombre de connections maximales pour notre cas
est :19 (19 − 1)= 343 connections possibles. On est donc à la limite du nombre de connexions
des composants de notre système.

IV.2.2 Première étape de l’algorithme de clustering existant et topologie des modules

IV.2.2.1 Première étape de l’algorithme de clustering existant
L’application de la formule de Ericsson et Erixon (1999) permettant de calculer le
nombre de modules possibles nous a permis de constater que le nombre de modules que l’on
peut former est 2, 3 ou 4 (voir équation 91).

0,5 19  NM  19 (91)

a) Cas du torréfacteur à quatre modules

Les composants du torréfacteur de soja sont regroupés en modules, en appliquant

l’algorithme de regroupement des composants en modules proposé plus haut. L’addition des
entrées de chaque colonne de la matrice des relations (obtenue précédemment), a permis de
constater que les composants 1, 5, 12 et 17 ont des intensités de liaisons les plus élevées. Nous
les assignons à un module chacun. Ensuite nous assignons le reste des composants à un module,
de telle façon à maximiser les interactions entre les composants d’un même module et en
minimisant les interactions entre les composants de modules différents. Ainsi, au
cluster(module) contenant le composant 1 est assigné le composant 2 ; au cluster contenant le
composant 5 est assigné le composant 4 et au cluster contenant le composant 17 est assigné le
composant 16. En transformant la matrice des relations en supprimant les composants assignés
à un module, on obtient la nouvelle matrice donnée par le tableau 33.

127
 Tableau 33:Première transformation de la matrice de relations

Composants 1 3 5 6 7 8 9 10 11 12 13 14 15 17 18 19
1 0 23 23
3 0 18
5 0 19 19
6 19 0 18
7 19 0 18
8 18 0 21
9 18 0
10 0 21 20
11 18 21 0
12 23 0 21
13 0 21 21
14 21 0 17
15 21 17 0
17 23 21 20 0 21
18 21 0
19 21 0

A l’issue de cette première transformation de la matrice de relations, on constate que les

composants 6 et 7 sont assignés au cluster contenant initialement le composant 5. En
transformant la nouvelle matrice (précédemment obtenue), on obtient la matrice du tableau 34.

Tableau 34:Deuxième transformation de la matrice de relations

Composants 1 3 5 8 9 10 11 12 13 14 15 17 18 19
1 0 23 23
3 0 18
5 0
8 0 21
9 18 0
10 0 21 20
11 21 0
12 23 0 21
13 0 21 21
14 21 0 17
15 21 17 0
17 23 21 20 0 21
18 21 0
19 21 0

128
A l’issue de cette deuxième transformation de la matrice de relations, on constate que les
composants 8 et 19 sont assignés au cluster contenant initialement le composant 17. En
transformant la matrice du tableau 34, on obtient la matrice du tableau 35.

Tableau 35:Troisième transformation de la matrice de relations

Composants 1 3 5 9 10 11 12 13 14 15 17 18
1 0 23 23
3 0 18
5 0
9 18 0
10 0 21 20
11 21 0
12 23 0 21
13 0 21 21
14 21 0 17
15 21 17 0
17 23 20 0
18 21 0

A l’issue de cette troisième transformation de la matrice de relations, on constate que les

composant 10 est assigné au cluster contenant initialement le composant 17. Ensuite en
appliquant la même démarche, nous assignons le reste des composants à un module, de telle
façon à maximiser les interactions entre les composants d’un même module et en minimisant
les interactions entre les composants de modules différents.

On obtient alors la décomposition modulaire du torréfacteur de soja à la figure 34.

Donc le module 𝑴𝟏 est formé des composants 8 ;10 ;16 ;17 et 19. Le module 𝑴𝟐 est formé des
composants 11 ;12 ;13 ;14 ;15 et 18. Le module 𝑴𝟑 est formé des composants 3 ;4 ;5 ;6 et 7.
Le module 𝑴𝟒 est formé des composants 1 ;2 et 9.

129
 Figure 34:Regroupement en quatre modules du torréfacteur de soja

b) Cas du torréfacteur à trois modules

En appliquant l’algorithme de regroupement des composants en modules, l’addition des

entrées de chaque colonne de la matrice des relations, permet de constater que les composants
1, 5 et 17 ont des intensités de liaisons les plus élevées. Nous les assignons à un module chacun.

En transformant la matrice des relations (en suivant le même raisonnement pour le

torréfacteur à quatre modules) en supprimant les composants assignés à un module, de telle
façon à maximiser les interactions entre les composants d’un même module et en minimisant
les interactions entre les composants de modules différents, on obtient la décomposition
modulaire donnée par la figure 35.

130
 Figure 35:Regroupement en trois modules du torréfacteur de soja

c) Cas du torréfacteur à deux modules

En appliquant l’algorithme de regroupement des composants en modules, l’addition des

entrées de chaque colonne de la matrice des relations, permet de constater que les composants
1 et 17 ont des intensités de liaisons les plus élevées. Nous les assignons à un module chacun.

En transformant la matrice des relations (en suivant le même raisonnement pour le

torréfacteur à quatre modules) en supprimant les composants assignés à un module, de telle
façon à maximiser les interactions entre les composants d’un même module et en minimisant
les interactions entre les composants de modules différents, on obtient la décomposition
modulaire donnée par la figure 36.

131
 Figure 36:Regroupement en deux modules du torréfacteur de soja

IV.2.2.2 Choix d’une bonne topologie des modules

Nous allons générer la séquence (gamme) de désassemblage des modules afin de
déduire les couplages possibles entre les différents modules du torréfacteur de soja.

IV.2.2.2.1 Matrice de précédence des composants

Nous illustrons via la matrice de précédence pour le torréfacteur de soja, en fonction de
son nombre de modules. Afin de construire cette matrice, l’ensemble des composants qui
doivent être désassemblés avant chaque composant du torréfacteur de soja est déterminé.
L’ensemble est déterminé à partir du graphe des liaisons de la structure pour permettre son
désassemblage.

L’application de la relation 67 définie dans le chapitre précédent, permet d’avoir

respectivement la matrice de précédence du torréfacteur de soja à quatre modules, à trois
modules et à deux modules, par les figures 37, 38 et 39.

Les éléments (entrées) de la diagonale principale de la matrice de précédence sont égaux à 0.

132
Figure 37:Matrice de précédence des composants du torréfacteur de soja à quatre modules.

133
Figure 38:Matrice de précédence des composants du torréfacteur de soja à trois modules.

134
 Figure 39:Matrice de précédence des composants du torréfacteur de soja à deux modules.
IV.2.2.2.2 Changement de direction de désassemblage des modules
On exploite la matrice de précédence des composants pour en tirer les niveaux de
désassemblage du torréfacteur à quatre modules, à trois modules et à deux modules
(respectivement aux figures 40, 41 et 42) afin de construire l’arbre de désassemblage. Du fait que
des composants appartiennent au même module, on affecte la valeur 0 au lieu de 1. Par exemple
pour le module 4 (dans le cas du torréfacteur à quatre modules), on obtient :

135
Figure 40:Matrice de précédence modifiée du torréfacteur de soja à quatre modules.

136
Figure 41:Matrice de précédence modifiée du torréfacteur de soja à trois modules.

137
 Figure 42:Matrice de précédence modifiée du torréfacteur de soja à deux modules.

IV.2.2.2.3 Matrice de précédence des modules et Gamme de désassemblage

En considérant les modules et les relations existant entre eux, nous obtenons la matrice
simplifiée des figures 43, 44 et 45, respectivement pour le torréfacteur à quatre modules, à trois
modules et à deux modules.

138
 Figure 43:Matrice de précédence des quatre modules du torréfacteur

Figure 44:Matrice de précédence des trois modules du torréfacteur

Figure 45:Matrice de précédence des deux modules du torréfacteur

La combinaison des résultats de l’analyse hiérarchique des modules constituant le torréfacteur

de soja et de la matrice de précédence des composants qui les constituent permet de générer la
gamme de désassemblage (Figures 46, 47 et 48).

139
Figure 46:Gamme de désassemblage complète du torréfacteur de soja à quatre modules.

140
Figure 47:Gamme de désassemblage complète du torréfacteur de soja à trois modules.

141
Figure 48:Gamme de désassemblage complète du torréfacteur de soja à deux modules.

142
 L’arbre du torréfacteur à quatre modules présente les étapes à suivre pour le
désassemblage du produit. La décomposition du produit en modules permet de procéder au
désassemblage des composants ou bien des modules en parallèle, comme montré pour le niveau
1 les composants 8, 10, 19, 17, 16 et le module 4 sont récupérés en parallèle. Au niveau 2, les
composants 9, 2 et 1 et les modules 2 et 3 sont récupérés en parallèle. Par contre, lorsque le
torréfacteur se subdivise en trois ou en deux modules, on constate un seul niveau de
désassemblage, ce qui suppose que lors du désassemblage, on démonte à la fois tous les modules.

IV.2.2.2.4 Topologie des modules du torréfacteur de soja

D’après les gammes de désassemblage obtenues précédemment, il en ressort trois niveaux
de démontage couplés en parallèles pour le torréfacteur à quatre modules (car par niveaux on
intervient sur une catégorie de modules), et un seul niveau de démontage pour le torréfacteur
lorsqu’il a trois ou deux modules.

Pour le torréfacteur ayant quatre modules, au niveau 0, on démonte le module 1. Au

niveau 1, on démonte le module 4. Au niveau 2, on démonte à la fois les modules 2 et 3, les deux
modules ont donc un mode de fonctionnement de type série. C’est fort de ce constat que la
topologie des modules du torréfacteur pour les différents cas de figures est donnée par la figure
49.

Figure 49:Topologie des modules du torréfacteur de soja (pour quatre, trois et deux modules)

143
IV.2.3 Deuxième étape de l’algorithme de clustering existant
Nous allons quantifier la modularité de notre torréfacteur de soja au moyen du MSI
(Module Strength Indicator).

Cet indicateur de modularité étant fonction de la DSM (Design Structure Matrix), nous
allons d’abord dresser la matrice structurelle de conception qui découle directement de la matrice
de relations et de la décomposition modulaire des composants du torréfacteur de soja.

IV.2.3.1 Matrice structurelle de conception

D’après le tableau 32 (matrice de relations) et grâce au regroupement des composants en
modules, les DSM du torréfacteur de soja à quatre modules, à trois modules et à deux modules
sont respectivement données par les figures 50, 51 et 52.

Figure 50:DSM du torréfacteur de soja à quatre modules

Cette codification proposée des composants du torréfacteur de soja à quatre modules par
les 𝐶𝑖 (1 ≤ 𝑖 ≤ 19), c’est pour mieux appliquer la formule de mesure de la modularité.

144
 Nom Désignation

𝐶1
Support roulement côté moteur

𝐶2
Capot

𝐶3
Trémie de sortie

Cylindre principal 𝐶4
𝐶5

Trémie d’entrée
𝐶6

Support roulement côté cuvette

𝐶7

Cuvette
𝐶8

Axe secondaire
𝐶9

Roulement axe secondaire

Support roulement axe secondaire

145
𝐶10

Racleur
La codification des composants est donnée dans le tableau 36.

Courroie

Disque 2

Axe principal

Roulement axe principal 1

Roulement axe principal 2

Tableau 36:Codification des composants du torréfacteur à quatre modules

Bâti

Moteur

Disque moteur
𝐶11 𝐶12 𝐶13 𝐶14 𝐶15 𝐶16 𝐶17 𝐶18 𝐶19
Figure 51:DSM du torréfacteur de soja à trois modules

146
 Figure 52:DSM du torréfacteur de soja à deux modules

Nous avons défini une nouvelle codification des composants du torréfacteur de soja à trois
ou à deux modules par les 𝐸𝑖 (1 ≤ 𝑖 ≤ 19), afin de mieux appliquer la formule de mesure de la
modularité.

La codification des composants est donnée dans le tableau 37.

147
 Tableau 37:Nouvelle Codification des composants du torréfacteur à trois ou à deux modules
Désignation

𝐸1 𝐸2 𝐸3 𝐸4 𝐸5 𝐸6 𝐸7 𝐸8 𝐸9 𝐸10 𝐸11 𝐸12 𝐸13 𝐸14 𝐸15 𝐸16 𝐸17 𝐸18 𝐸19

Support roulement axe secondaire

Support roulement côté cuvette
Support roulement côté moteur
Roulement axe principal 1

Roulement axe principal 2

Roulement axe secondaire

Trémie de d’entrée
Cylindre principal
Trémie de sortie

Axe secondaire
Disque moteur
Axe principal
Disque 2
Courroie

Cuvette

Racleur
Moteur

Capot
Nom

Bâti
IV.2.3.2 Quantification de la modularité
Notre produit pouvant être formé de quatre modules, de trois modules ou de deux modules,
nous allons dans les différentes configurations pour chaque module, mesurer le degré de
modularité en comparant les interactions à l’intérieur et à l’extérieur du module.

Rappelons tout de même que les mesures des interactions à l’intérieur et à l’extérieur du
module sont données par les relations 74 et 75.

Pour des raisons de symétrie de notre DSM, la relation (75) devient donc :

n1 1 n2 N n2

  2 DSM i, j 
i 1 j n1
  2DSM i, j 
i n2 1 j n1
MSI e   (92)
2    n1  1   n2  n1  1  2    N  n2    n2  n1  1 

La DSM du module considéré est donc donnée par la relation (93)

MSI  MSI i  MSI e (93)

Pour notre DSM, on a : N = 19 composants. Nous allons balayer les différents nombres de
modules possibles de note torréfacteur.

a) Cas du torréfacteur à quatre modules

 pour le module 1 (avec 𝒏𝟏 = 𝟏 et 𝒏𝟐 = 𝟓), on a :

148
 5 5

 DSM i, j 
i 1 j 1 170
MSI i ( M 1 )    8,5 ;
 5  1  1   5  1  1
2
20

0 5 19 5

 2 DSM i, j   2 DSM i, j  162

MSI e M   i 1 j 1
 i 6 j 1
 0  1,1571 ;
2   1  1   5  1  1  2   19  5   5  1  1 
1
140

MSI  M1   MSI i  M1   MSI e  M1   7,3429 .

 pour le module 2 (avec 𝒏𝟏 = 𝟔 et 𝒏𝟐 = 𝟏𝟏), on a :

11 11

 DSM i, j  160

MSI i  M 2   i 6 j 6
  5,3333 ;
11  6  1  11  6  1
2
30

5 11 19 11

 2 DSM i, j   2 DSM i, j  80 82

MSI e M   i 1 j 6
 i 12 j 6
   2,1875 ;
2    6  1  11  6  1  2   19  11  11  6  1  60 96
2

MSI  M 2   MSI i  M 2   MSI e  M 2   3,1458 .

 pour le module 3 (avec 𝒏𝟏 = 𝟏𝟐 et 𝒏𝟐 = 𝟏𝟔), on a :

16 16

  DSM i, j  146

MSI i  M 3   i 12 j 12
  7,3 ;
16  12  1  16  12  1
2
20

11 16 19 16

  2 DSM i, j    2 DSM i, j  108 36

MSI e  M 3   i 1 j 12
 i 17 j 12
   2,1818 ;
2   12  1  16  12  1  2   19  16   16  12  1  110 30

MSI  M 3   MSI i  M 3   MSI e  M 3   5,1182 .

 pour le module 4 (avec 𝒏𝟏 = 𝟏𝟕 et 𝒏𝟐 = 𝟏𝟗), on a :

19 19

  DSM i, j  74
MSI i  M 4   i 17 j 17
  12,3333 ;
19  17  1  19  17  1
2
6

16 19 19 19

  2 DSM i, j    2 DSM i, j  128

MSI e  M 4   i 1 j 17
 i  20 j 17
  0  1,3333 ;
2   17  1  19  17  1  2   19  19   19  17  1  96

149
MSI  M 4   MSI i  M 4   MSI e  M 4   11 .

Le tableau 38 fait la synthèse des MSI évalués pour chaque module du torréfacteur à
quatre modules.
Tableau 38:Degré de modularité des quatre modules du torréfacteur avec l’algorithme existant

Modules 𝑴𝟏 𝑴𝟐 𝑴𝟑 𝑴𝟒

𝑴𝑺𝑰𝒊 8,5 5,3333 7,3 12,3333

MSI 𝑴𝑺𝑰𝒆 1,1571 2,1875 2,1818 1,3333

𝑴𝑺𝑰= 𝑴𝑺𝑰𝒊 − 𝑴𝑺𝑰𝒆 7,3429 3,1458 5,1182 11

Au vu de ces résultats, on constate que le degré de modularité augmente lorsque le nombre

d’interactions internes au module croît et que le nombre d’interactions externes décroît. Le
module 4 présente l’interaction la plus élevée, il assure donc une bonne cohésion interne du fait
que les interactions à l’intérieure du module sont d’autant plus importantes que les interactions
externes au module qui décroissent. D’après Hwai-En et al. (2008), plus l’intensité de liaison est
forte à l’intérieure d’un module, signifie qu’elle est faible à l’extérieure du module, ce qui indique
d’un point de vue maintenance qu'il est facile d'assembler et de désassembler des composants
dans un module. Cette observation se traduit par un fort degré de connexion étroit entre les
composants d’un module. De ce fait, le module 4 est le module le plus facile à maintenir, et cette
observation faite par Hwai-En et al. (2008) est donc pertinente car on constate bien que le module
4 est moins complexe avec une taille plus faible que celles des autres modules. Cependant, le
module 2 présente l’interaction la plus faible, il assure une faible cohésion interne et donc plus
difficile à maintenir. On voit bien qu’il est plus complexe avec une plus grande taille, soit de 6
composants. Donc les interactions d’un module sont une fonction décroissante de la taille du
module (figure 53). D’autre part, on constate bien que les modules 1 et 3 ont la même taille. En
se fiant juste à ce paramètre, il serait difficile de savoir lors d’un problème de maintenance le
module qu’on peut facilement maintenir. Grace à la connaissance de la densité de chaque module
(MSI), on constate que le module 1 est plus dense que le module 3, par conséquent il est donc
plus facile d’intervenir sur le module 1 que sur le module 3.

La figure 53 traduit bien l’évolution du MSI des modules.

150
 12
11

Module Strength Indicator

10

8
7,3429
6
5,1182
4
3,1458
2

0
M4(taille 3) M1(taille 5) M3(taille 5) M2(taille 6)
Modules et leurs tailles

Figure 53:Evolution du MSI des quatre modules avec l’algorithme existant

b) Cas du torréfacteur à trois modules

En appliquant le modèle d’évaluation de la métrique de la modularité proposé par Wietfield
et al. (2002) sur les trois modules du torréfacteur, on obtient les résultats consignés dans le tableau
39.

Tableau 39:Degré de modularité des trois modules du torréfacteur avec l’algorithme existant

Modules 𝑴𝟏 𝑴𝟐 𝑴𝟑

𝑴𝑺𝑰𝒊 4,39 10,6 4,9

MSI 𝑴𝑺𝑰𝒆 0,7 0,75 0,5

𝑴𝑺𝑰= 𝑴𝑺𝑰𝒊 − 𝑴𝑺𝑰𝒆 3,69 9,85 4,4

On constate que pour le torréfacteur à trois modules, le module 𝑴𝟐 est est le plus facile à
maintenir. Par contre, le module 𝑴𝟏 est le plus difficile à maintenir, du fait d’un MSI plus faible.

L’évolution du MSI en fonction de la taille des modules est donnée par la figure 54.

151
 12

Module Strength indicator

10 9,85

4,4
4
3,69

0
M2(taille 4) M3(taille 7) M1(taille 8)
Modules et leurs tailles

Figure 54:Evolution du MSI des trois modules avec l’algorithme existant

Au regard de la figure 54, on fait également le même constat selon lequel les interactions
d’un module sont une fonction décroissante de la taille du module.

c) Cas du torréfacteur à deux modules

En appliquant comme précédemment le modèle d’évaluation de métrique de la modularité
proposé par Wietfield et al. (2002) sur les deux modules du torréfacteur, on obtient les résultats
consignés dans le tableau 40.

Tableau 40:Degré de modularité des deux modules du torréfacteur avec l’algorithme existant

Modules 𝑴𝟏 𝑴𝟐

𝑴𝑺𝑰𝒊 3,15 4,9

MSI 𝑴𝑺𝑰𝒆 0,7 1

𝑴𝑺𝑰= 𝑴𝑺𝑰𝒊 − 𝑴𝑺𝑰𝒆 2,45 3,9

Au vu de ces résultats, on constate que le module 𝑴𝟐 est le plus facile à maintenir.

L’évolution du MSI en fonction de la taille des modules est donnée par la figure 55.

152
 4,5

Module Strength Indicator

4 3,9
3,5
3
2,5 2,45
2
1,5
1
0,5
0
M2(taille 7) M2(taille 12)

Modules et leurs tailles

Figure 55:Evolution du MSI des deux modules avec l’algorithme existant

La conclusion qu’on fait à ce niveau est également similaire au précédentes. Donc

globalement que le torréfacteur aye quatre, trois ou deux modules, le MSI décroit lorsque la taille
du module augmente.

IV.2.4 Troisième étape de l’algorithme de clustering existant

Nous allons ici évaluer les coûts de couplage de chaque module du torréfacteur de soja,
en considérant les différents cas de figures et déduire le coût de couplage global.

Rappelons tout de même que les coûts de couplage interne et externes d’un module sont
donnés par les équations 81 et 82.

Pour des raisons de symétrie de notre DSM, les relations 81 et 82 deviennent

respectivement :

Coût Couplage Interne  M k  =    2DSM i, j    taille  M  

2
k
(94)
iM k jM k , j i

 k  = iM

    
2
Coût Couplage Externe M   2 DSM  i, j    taille  DSM   taille M k  taille  M n 
jM , jM n 
k k

(95)

Le coût de couplage global des modules est donné par la relation 96.

Modules
Coût Total Couplage =  Coût Couplage Interne  M   Coût Couplage Externe  M  
Mk
k k

(96)
153
a) Cas du torréfacteur à quatre modules
 Pour le module 1, on a :

Coût Couplage Interne  M 1  =    2DSM i, j    taille  M  

2
1
iM1 jM1 , j i

=2(21+20+23+21)×(5)2
=4250 ;

 2DSM i, j   taille  DSM   taille  M1   taille  M n  
2
Coût Couplage Externe  M1  =   
iM1 jM1, jM n  

=2×21(5 + 6 + 19)2 +2×19(5 + 6 + 19)2 +2×18(5 + 5 +

19)2 +2×18(5 + 5 + 19)2 +2×23(5 + 3 + 19)2
=135810 ;

Coût Couplage  M1  = Coût Couplage Interne  M1   Coût Couplage Externe  M1 

=140060.

 Pour le module 2, on a :

Coût Couplage Interne  M 2  =    2DSM i, j    taille  M  

2
2
iM 2 jM 2 , j i

=2(21+21+17+21)×(6)2
=5760 ;

 2DSM i, j   taille  DSM   taille  M 2   taille  M n  
2
Coût Couplage Externe  M 2  =  
iM 2 jM 2 , jM n  

=2×18(6 + 5 + 19)2 +2×23(6 + 3 + 19)2

=68464 ;
Coût Couplage  M 2  = Coût Couplage Interne  M 2   Coût Couplage Externe  M 2 

=74224.
 Pour le module 3, on a :

Coût Couplage Interne  M 3  =    2DSM i, j    taille  M  

2
3
iM 3 jM 3 , j i

=2(14+21+19+19)×(5)2
=3650 ;

154
 
 2DSM i, j   taille  DSM   taille  M 3   taille  M n  
2
Coût Couplage Externe  M 3  =   
iM 3 jM 3 , jM n  

=2×18(5 + 3 + 19)2

=26244 ;
Coût Couplage  M 3  = Coût Couplage Interne  M 3   Coût Couplage Externe  M 3 

=29894.
 Pour le module 4, on a :

Coût Couplage Interne  M 4  =    2DSM i, j    taille  M  

2
4
iM 4 jM 4 , j i

=2(23+14)×(3)2
=666 ;


 2DSM i, j   taille  DSM   taille  M 4   taille  M n  
2
Coût Couplage Externe  M 4  =   
iM 4 jM 4 , jM n  

=0 ;

Coût Couplage  M 4  = Coût Couplage Interne  M 4   Coût Couplage Externe  M 4 

=666.

Le coût de couplage global des quatre modules du torréfacteur de soja s’obtient donc comme
suit :
4
Coût Total Couplage =  Coût Couplage  M i 
i 1

=244844.

La synthèse des coûts de couplage du torréfacteur à quatre modules est donné par le tableau 41.

Tableau 41:Coût de couplage des quatre modules du torréfacteur avec l’algorithme existant

Modules 𝑴𝟏 𝑴𝟐 𝑴𝟑 𝑴𝟒

𝑰𝒏𝒕𝒆𝒓𝒏𝒆 4250 5760 3650 666

Coût de 𝑬𝒙𝒕𝒆𝒓𝒏𝒆 135810 68464 26244 0
Couplage
𝑰𝒏𝒕𝒆𝒓𝒏𝒆 + 𝑬𝒙𝒕𝒆𝒓𝒏𝒆 140060 74224 29894 666

Au vu de ces résultats, on constate que le module 1 a le coût de couplage le plus fort, donc
ce module exige plus d’attention, plus de ressources, ou plus de travail des concepteurs. Par
155
contre, le module 4 présente un coût de couplage le plus faible, donc ce module exige moins
d’attention, moins de ressources, ou moins de travail des concepteurs.

Partant de ce tableau, il se trouve que le coût de couplage interne des modules varie de
666 à 5760 et le coût de couplage externe des modules varie de 0 à 135810. En additionnant les
bornes inférieures et supérieures des coûts, nous déduisons le seuil de satisfaction du coût de
couplage donné par l’intervalle ]666; 141570[ .

La figure 56 montre l’évolution du coût des quatre modules.

160000

140000 140060
Coût de couplage

120000

100000

80000
74224
60000

40000
29894
20000

0 666
M4(taille 3) M1(taille 5) M3(taille 5) M2(taille 6)
MODULES

Figure 56:Evolution du coût des quatre modules avec l’algorithme existant

Au regard de ce graphe, le coût de couplage n’est quasiment pas une fonction croissante
de la taille des modules. En effet, le module 2 qui est de plus grande taille a un coût de couplage
plus faible que le module 1 de taille inférieure à celle du module 2. Cela se traduit par le fait que
les interactions du modules 1 sont plus fortes que celles du module 2. Par contre, le coût de
couplage est une fonction croissante de la taille des modules 4, 3 et 2 respectivement. On constate
dès cet instant que le coût de couplage est à la fois fonction de la taille et des valeurs des
interactions des modules.

b) Cas du torréfacteur à trois modules

En appliquant l’algorithme existant sur les trois modules du torréfacteur, le coût de couplage
obtenu est donné dans le tableau 42.

156
 Tableau 42:Coût de couplage des trois modules du torréfacteur avec l’algorithme existant

Modules 𝑴𝟏 𝑴𝟐 𝑴𝟑

𝑰𝒏𝒕𝒆𝒓𝒏𝒆 85705 54402 100245

Coût de 𝑬𝒙𝒕𝒆𝒓𝒏𝒆 13105022 3280021 0
Couplage
𝑰𝒏𝒕𝒆𝒓𝒏𝒆 + 𝑬𝒙𝒕𝒆𝒓𝒏𝒆 13190727 3334423 100245

Le module 𝑴𝟑 est le moins contraignant pour les concepteurs, du fait d’un plus faible coût
de couplage .
La figure 57 montre l’évolution du coût des trois modules.

14000000
13190727
12000000
Coût de couplage

10000000

8000000

6000000

4000000
3334423
2000000

0 100245
M2(taille 4) M3(taille 7) M1(taille 8)
MODULES

Figure 57:Evolution du coût des trois modules avec l’algorithme existant

On constate également que le coût de couplage ici n’est pas une fonction croissante de la
taille des modules. Le coût global de couplage des trois modules du torréfacteur de soja vaut :
16625395.
c) Cas du torréfacteur à deux modules
En appliquant l’algorithme existant sur les deux modules du torréfacteur, le coût de
couplage obtenu est donné dans le tableau 43.

Tableau 43:Coût de couplage des deux modules du torréfacteur avec l’algorithme existant

Modules 𝑴𝟏 𝑴𝟐

𝑰𝒏𝒕𝒆𝒓𝒏𝒆 119808 10094

157
 Coût de 𝑬𝒙𝒕𝒆𝒓𝒏𝒆 22445536 0
Couplage
𝑰𝒏𝒕𝒆𝒓𝒏𝒆 + 𝑬𝒙𝒕𝒆𝒓𝒏𝒆 22565344 10094

On constate que le module 𝑴𝟏 a le coût de couplage le plus élevé, il est donc plus
contraignant pour les concepteurs. Par contre, le module 𝑴𝟐 est le module le moins contraignant
pour la conception.

La figure 58 montre l’évolution du coût des deux modules.

25000000
22565344
20000000
Coût de couplage

15000000

10000000

5000000

0 10094
M2(taille 7) M1(taille 12)
MODULES

Figure 58:Evolution du coût des deux modules avec l’algorithme existant

D’après la figure 58, le coût de couplage est une fonction croissante de la taille des
modules.

IV.3 RESULTATS DE L’ALGORITHME PROPOSE ET DISCUSSION

Cette partie illustre la mise en application du nouvel algorithme sur le torréfacteur de soja.

IV.3.1 Matrice structurelle de conception

En appliquant les modifications apportées à la DSM de référence (DSM produit), on obtient
les DSM numérique pour notre produit à 19 composants, données aux figures 59, 60 et 61
respectivement pour le torréfacteur à quatre modules, à trois modules et à deux modules.

158
Figure 59:DSM numérique du torréfacteur de soja à quatre modules

159
Figure 60:DSM numérique du torréfacteur de soja à trois modules

160
 Figure 61:DSM numérique du torréfacteur de soja à deux modules

Les valeurs des interactions de ces matrices seront fort utiles dans l’évaluation des
coefficients correcteurs des coûts de couplage des modules du torréfacteur de soja.

IV.3.2 Coefficients correcteurs

Les coefficients correcteurs du coût de couplage sont donnés par les relation 84 et 85. Pour
des raisons de symétrie de la DSM, la relation 85 devient :

n1 1 n2 taille ( DSM ) n2

  2 i, j    2 i, j 
MSI  M k  
i 1 j  n1 i  n2 1 j n1
'
 (97)
2    n1  1   n2  n1  1  2    taille( DSM )  n2    n2  n1  1 
e

161
a) Cas du torréfacteur à quatre modules
Pour notre DSM numérique à 19 composants les coefficients correcteurs pour les différents
modules sont évalués ainsi qu’il suit :

 pour le module 1 (avec 𝒏𝟏 = 𝟏 et 𝒏𝟐 = 𝟓), on a :

5 5

 i, j  8
MSI  M 1  
' i 1 j 1
  0, 4 ;
 5  1  1   5  1  1
i 2
20

0 5 19 5

 2 i, j   2 i, j  8
MSI  M 1  
' i 1 j 1
 i 6 j 1
 0  0,0571 ;
2   1  1   5  1  1  2   19  5   5  1  1 
e
140

MSI '  M1   MSI i'  M1   MSI e'  M1   0,3429 .

 pour le module 2 (avec 𝒏𝟏 = 𝟔 et 𝒏𝟐 = 𝟏𝟏), on a :

11 11

 i, j  8
MSI  M 2  
' i 6 j 6
  0, 2666 ;
11  6  1  11  6  1
i 2
30

5 11 19 11

 2 i, j   2 i, j  4 4
MSI  M 2  
' i 1 j 6
 i 12 j 6
   0,1083 ;
2    6  1  11  6  1  2   19  11  11  6  1 
e
60 96

MSI '  M 2   MSI i'  M 2   MSI e'  M 2   0,1583 .

 pour le module 3 (avec 𝒏𝟏 = 𝟏𝟐 et 𝒏𝟐 = 𝟏𝟔), on a :

16 16

    i, j  8
MSI i'  M 3   i 12 j 12
  0, 4 ;
16  12  1  16  12  1
2
20

11 16 19 16

  2 i, j    2 i, j  6 2
MSI  M 3  
' i 1 j 12
 i 17 j 12
   0,1212 ;
2   12  1  16  12  1  2   19  16   16  12  1 
e
110 30

MSI '  M 3   MSI i'  M 3   MSI e'  M 3   0, 2788 .

 pour le module 4 (avec 𝒏𝟏 = 𝟏𝟕 et 𝒏𝟐 = 𝟏𝟗), on a :

162
 19 19

  2 i, j  4
MSI i'  M 4   i 17 j 17
  0,6666 ;
19  17  1  19  17  1
2
6

16 19 19 19

  2 i, j    2 i, j  6
MSI  M 4  
' i 1 j 17
 i  20 j 17
  0  0,0625 ;
2   17  1  19  17  1  2   19  19   19  17  1 
e
96

MSI '  M 4   MSI i'  M 4   MSI e'  M 4   0,6041 .

La synthèse des coefficients correcteurs du coût de couplage du torréfacteur à quatre modules est
donné par le tableau 44.

Tableau 44:Coefficients correcteurs du coût de couplage du torréfacteur à quatre modules

Modules 𝑴𝟏 𝑴𝟐 𝑴𝟑 𝑴𝟒

𝑴𝑺𝑰𝒊 ′ 0, 4 0, 2666 0, 4 0, 6666

MSI’ 𝑴𝑺𝑰𝒆 ’ 0, 0571 0, 1083 0, 1212 0, 0625

𝑴𝑺𝑰’= 𝑴𝑺𝑰𝒊 ′ − 𝑴𝑺𝑰𝒆 ′ 0, 3429 0, 1583 0, 2788 0, 6041

La figure 62 suivante fait une étude comparative du MSI corrigé pour le torréfacteur à quatre
modules et de celui obtenu avec l’algorithme existant.

12
MSI généré avec l'algorithme existant
11
MSI généré avec l'algorithme proposé
10

8
7,3429
MSI

6
5,1182
4
3,1458
2

0,6041 0,3429
0 0,2788 0,1583
M4(taille 3) M1(taille (5) M3(taille 5) M2(taille 6)
Taille des modules

Figure 62:Etude comparative du MSI corrigé du torréfacteur à quatre modules et de celui

obtenu avec l’algorithme existant
163
 Au vu ces résultats, on fait une interprétation similaire sur le degré de modularité que celle
donnée par l’application de l’algorithme existant sur le torréfacteur de soja. Le module 4 est celui
qui pénalise le plus les interactions extérieures, donc il est le plus facile à maintenir. Par contre,
le module 2 est celui qui présente la force de cohésion la plus faible (MSI faible), donc il est plus
difficile à maintenir. Cette interprétation est donc tout à fait logique car plus le module est de
grande taille, plus il est difficile à maintenir. Globalement cette étape de notre algorithme a
favorisé à la création de modules denses, et plus spécifiquement du module 4 qui est le plus dense
avec un coefficient de correction plus proche de 1.

b) Cas du torréfacteur à trois modules

En appliquant l’algorithme proposé, on obtient la synthèse des coefficients correcteurs du coût
de couplage du torréfacteur à trois modules donné par le tableau 45.

Tableau 45:Coefficients correcteurs du coût de couplage du torréfacteur à trois modules

Modules 𝑴𝟏 𝑴𝟐 𝑴𝟑

𝑴𝑺𝑰𝒊 ′ 0,25 0,5 0,23

MSI’ 𝑴𝑺𝑰𝒆 ’ 0,03 0,017 0,04

𝑴𝑺𝑰’= 𝑴𝑺𝑰𝒊 ′ − 𝑴𝑺𝑰𝒆 ′ 0,22 0,48 0,19

Avec le nouvel algorithme, nous faisons le même constat que celui de la littérature qui
stipule que le module 𝑴𝟐 du torréfacteur est le plus facile à maintenir. Par contre, le module le
moins facile à maintenir ici est le module 𝑴𝟑 ,donc dans la quantification de la modularité, en
considérant le torréfacteur subdivisé en trois modules, notre algorithme n’est plus en accord avec
celui de la littérature.
La figure 63 suivante fait une étude comparative du MSI corrigé du torréfacteur à trois
modules et de celui obtenu avec l’algorithme existant.

164
 12
MSI généré avec l'algorithme existant
10 MSI généré avec l'algorithme proposé
9,85

8
MSI

4,4
4
3,69

0,48 0,19 0,22

0
M2(taille 4) M3(taille 7) M1(taille 8)
Taille des modules

Figure 63:Etude comparative du MSI corrigé du torréfacteur à trois modules et de celui obtenu
avec l’algorithme existant

Au regard de la figure 63, on constate bien que le MSI corrigé n’est pas en accord avec
celui de la littérature. En effet, le MSI corrigé décroit lorsqu’on passe du module 𝑴𝟐 au module
𝑴𝟑 et augmente légèrement lorsqu’on passe du module 𝑴𝟑 au module 𝑴𝟏 .

c) Cas du torréfacteur à deux modules

En appliquant l’algorithme proposé, on obtient la synthèse des coefficients correcteurs du coût
de couplage du torréfacteur à deux modules donné par le tableau 46.

Tableau 46:Coefficients correcteurs du coût de couplage du torréfacteur à deux modules

Modules 𝑴𝟏 𝑴𝟐

𝑴𝑺𝑰𝒊 ’ 0,16 0,23

MSI’ 𝑴𝑺𝑰𝒆 ’ 0,034 0,047

𝑴𝑺𝑰’= 𝑴𝑺𝑰𝒊 ′ − 𝑴𝑺𝑰𝒆 ′ 0,126 0,183

D’après les résultats obtenus, on fait toujours la même observation selon laquelle le module
𝑴𝟐 est le plus facile à maintenir. Nos résultats sont donc en accord avec ceux obtenus dans la
littérature. Par contre, il faut noter que notre algorithme a favorisé la création des modules plus
denses, avec un MSI se situant dans l’intervalle [0; 1].

165
IV.3.3 Coût de couplage
En tenant compte des coefficients correcteurs évalués précédemment (MSIi’ et MSIe’) et
ayant pris connaissance des coûts de couplage générés par l’algorithme de base, nous allons
évaluer le coût de couplage corrigé de chaque module constituant le torréfacteur de soja et
déduire le nouveau coût de couplage global des modules du torréfacteur de soja.

Nous évaluons les coûts correcteurs définis par les relations 87 et 88 où nous donnons les valeurs
arrondies à l’entier.

a) Cas du torréfacteur à quatre modules

 Pour le module 1, on a :

Coût Couplage Interne Corrigé  M1  = Coût Couplage Interne  M1  / MSI i'  M1 

4250
= 0,4

= 10625 ;
Coût Couplage Externe Corrigé  M1  = Coût Couplage Externe  M1   MSI e'  M1 

=135810 × 0,0571

= 7755 ;

Coût Couplage Corrigé  M1  = Coût Couplage Interne Corrigé  M1   Coût Couplage Externe Corrigé  M1 

= 18380.

 Pour le module 2, on a :

Coût Couplage Interne Corrigé  M 2  = Coût Couplage Interne  M 2  / MSI i'  M 2 

5760
= 0,2666

=21605 ;

Coût Couplage Externe Corrigé  M 2  = Coût Couplage Externe  M 2   MSI e'  M 2 

= 68464 × 0,1083

= 7415 ;

Coût Couplage Corrigé  M 2  = Coût Couplage Interne Corrigé  M 2   Coût Couplage Externe Corrigé  M 2 

= 29020.

166
  Pour le module 3, on a :

Coût Couplage Interne Corrigé  M 3  = Coût Couplage Interne  M 3  / MSI i'  M 3 

3650
= 0,4

= 9125 ;

Coût Couplage Externe Corrigé  M 3  = Coût Couplage Externe  M 3   MSI e'  M 3 

= 26244 × 0,1212

= 3181 ;

Coût Couplage Corrigé  M 3  = Coût Couplage Interne Corrigé  M 3   Coût Couplage Externe Corrigé  M 3 

= 12306.

 Pour le module 4, on a :

Coût Couplage Interne Corrigé  M 4  = Coût Couplage Interne  M 4  / MSI i'  M 4 

666
= 0,6666

= 999 ;

Coût Couplage Externe Corrigé  M 4  = Coût Couplage Externe  M 4   MSI e'  M 4 

= 0×0,0625

=0;

Coût Couplage Corrigé  M 4  = Coût Couplage Interne Corrigé  M 4   Coût Couplage Externe Corrigé  M 4 

= 999.

Le coût de couplage total corrigé des quatre modules du torréfacteur de soja est donné par la
relation 98.
4
Coût Total Couplage Corrigé =  Coût Couplage Corrigé  M i 
i 1

(98)
= 60705.

167
 Le tableau 47 récapitule les coûts de couplage obtenu avec l’algorithme existant et le
nouvel algorithme de clustering proposé sur les quatre modules du torréfacteur et ressort la
réduction obtenue en coût.

Tableau 47:Synthèse des coûts générés par l’algorithme existant et le nouvel algorithme sur les
quatre modules du torréfacteur

Modules Coût de couplage Coût de couplage Réduction

du torréfacteur Algorithme existant Nouvel algorithme réalisée
Module 1 140060 18380 80 %
Module 2 74224 29020 60 %
Module 3 29894 12306 58 %
Module 4 666 999

Ce tableau montre qu’avec le nouvel algorithme de clustering proposé, on réalise une

réduction en coûts de couplage conséquent (de plus de 50 %) avec chacun des modules 1, 2 et 3.
Par contre, le module 4 qui est le module le moins contraignant pour la conception et par
conséquent pour la maintenance a subi une augmentation de coût, soit de 50 %. Cela se traduit
par le simple fait que ce dernier module de l’architecture de base n’a pas de coût de couplage
externe.

Globalement l’algorithme proposé a réduit de 75 % le coût de couplage global des modules

du torréfacteur de soja à quatre modules (en passant de 244844 à 60705). Donc l’architecture
proposée, matérialisée par la DSM numérique est meilleure du point de vu maintenance.

La figure 64 présente l’évolution du coût de couplage généré par le nouvel algorithme en fonction
de la taille des quatre modules du torréfacteur de soja.

168
 35000

30000

Coût de couplage corrigé

29020

25000

20000
18380

15000
12306
10000

5000

999
0
M4(taille 3) M3(taille 5) M1(taille 5) M2(taille 6)

TAILLE DES MODULES

Figure 64:Evolution du coût de couplage corrigé en fonction de la taille des quatre modules
Avec l’algorithme existant, on a constaté que le module 1 a le coût de couplage le plus
élevé et nettement supérieur à celui du module 2. Pourtant du point de vu conception, le module
2 est le plus contraignant pour les concepteurs du fait de sa complexité avec une plus grande
taille (soit de 6 composants), ce qui parait donc poser un problème. L’algorithme que nous avons
proposé montre à la figure 64 que le coût de couplage est une fonction croissante de la taille des
modules, ce qui est d’ailleurs normal car la complexité de conception augmente avec la taille du
produit à concevoir. D’un autre côté, les moules 1 et 3 sont de même taille (soit de 5 composants),
il est donc difficile de percevoir l’ors d’un problème de maintenance de ces modules celui qui
mettra le plus de temps d’intervention où qui suscitera le plus de coûts alloués pour la
maintenance. Du coup avec l’algorithme que nous proposons, c’est fort de ce constat que des
deux modules, le module 3 est le moins contraignant et nécessitant moins de ressources pour la
maintenance.

b) Cas du torréfacteur à trois modules

Le tableau 48 récapitule les coûts de couplage obtenu avec l’algorithme existant et le nouvel
algorithme de clustering proposé sur les trois modules du torréfacteur et ressort la réduction
obtenue en coût.

169
Tableau 48:Synthèse des coûts générés par l’algorithme existant et le nouvel algorithme sur les
trois modules du torréfacteur

Modules Coût de couplage Coût de couplage Réduction

du torréfacteur Algorithme existant Nouvel algorithme réalisée
Module 1 13190727 835970 93 %
Module 2 3334423 164564 95 %
Module 3 100245 435847

L’algorithme proposé appliqué aux trois modules du torréfacteur a favorisé une réduction
globale en coût de couplage de 91 %. Donc la nouvelle architecture est meilleure que celle
générée par l’algorithme existant.

Les résultats obtenus avec l’algorithme proposé ne sont pas en accord avec ceux obtenus
par l’algorithme existant, du fait qu’ici le coût de couplage augment avec la taille des modules.

c) Cas du torréfacteur à deux modules

Le tableau 49 récapitule les coûts de couplage obtenu avec l’algorithme existant et le
nouvel algorithme de clustering proposé sur les deux modules du torréfacteur et ressort la
réduction obtenue en coût.

Tableau 49:Synthèse des coûts générés par l’algorithme existant et le nouvel algorithme sur les
deux modules du torréfacteur

Modules Coût de couplage Coût de couplage Réduction

du torréfacteur Algorithme existant Nouvel algorithme réalisée
Module 1 22565344 1511948 93, 3 %
Module 2 10094 43887

Avec l’algorithme proposé, on réalise une réduction en coût de couplage de 93,1%.

L’architecture obtenue est donc meilleure que celle de la littérature. Nos résultats restent en
accord avec ceux de la littérature, car le module 𝑴𝟐 demeure le module le moins contraignant
pour la conception et pour la maintenance (car il est le plus facile à désassembler où à assembler).

IV.3.4 Identification des éléments intégrateurs du torréfacteur de soja

a) Cas du torréfacteur à quatre modules
En se référant à l’algorithme existant, on constate que les modules 1 et 2 nécessitent plus de
travail des concepteurs, car ils ont un coût de couplage plus élevé. Cela se traduit évidemment
par le fait qu’ils sont de plus grandes tailles. Dans l’optique de faciliter la maintenance de ces
170
modules, nous allons prendre en compte les éléments intégrateurs qui permettront de réduire la
taille.

En considérant la DSM numérique du torréfacteur de soja décrite à la figure 59 , on

remarque que des modules 1 et 2, il ya deux éléments intégrateurs :le composant 𝐶4 et le
composant 𝐶6 .

Le premier élément intégrateur (𝐶4 ) a 5 interactions, dont 4 avec le premier module et 1

avec le dernier module. Le deuxième élément intégrateur (𝐶6 ) quant à lui à 3 interactions ,dont 2
avec le module 1 et 1 avec le module 3.Nous calculons donc l’indice de couplage des deux
composants (définit à la relation 99) pour les identifier "automatiquement" comme éléments
intégrateurs. Ainsi : avec le composant 𝐶4 ,on a un IC de 71% et avec le composant 𝐶6 ,on a un IC
de 33%.Le composant 𝐶4 est identifié automatiquement comme étant intégrateur, mais au regard
du seuil fixé par Ghassen (2007), le composant 𝐶6 ne saurait être considéré comme étant
intégrateur. Etant donné que le composant 𝐶6 ne réalise aucune interaction avec les composants
du module auquel il appartient (module 2), il devient donc tout à fait normal qu’il soit intégré
dans un module où il interagit fortement avec les composants. Nous nous plaçons donc dans la
même posture de Eric (2008) où nous laissons le choix à l’utilisateur de fixer un IC et nous
classons de ce fait manuellement le composant 𝐶6 comme étant un élément intégrateur.

En appliquant l’algorithme de clustering proposé avec les procédures spécifiques aux

éléments intégrateurs, nous obtenons l’architecture présentée à la figure 65.

171
 Figure 65:Architecture du torréfacteur de soja avec les éléments intégrateurs

Cette architecture montre que l’algorithme a intégré l’élément 𝐶4 dans le dernier module
et a intégré l’élément 𝐶6 dans le premier module avec lequel il interagissait prioritairement. Nous
allons à présent comparer l’architecture obtenue avec les éléments intégrateurs et celle obtenue
en appliquant l’algorithme de clustering sans les éléments intégrateurs. En appliquant les
relations 87 et 88 qui donnent les coefficients correcteurs des modules du torréfacteur de soja, on
obtient le tableau 50.

Tableau 50:Coefficients correcteur du torréfacteur de soja avec prise en compte des éléments
intégrateurs
Modules du torréfacteur 𝑴𝑺𝑰′𝒊 𝑴𝑺𝑰′𝒆 MSI’
Module 1 0,2 0,1 0,1
Module 2 0,4 0,0222 0,3778
Module 3 0,4 0,1166 0, 2834
Module 4 0,5 0,1 0,4

172
 Le tableau 50 montre que le module 4 reste toujours le module qui pénalise le plus les
interactions externes. Par contre, avec la prise en compte des intégrateurs, c’est le module 1 qui
devient cette fois le plus difficile à maintenir.

La figure 66 montre l’évolution du MSI avec et sans la prise en compte des intégrateurs.

Evolution du MSI qui tient compte des intégrateurs

Evolution du MSI sans les éléments intégrateurs
0,7
MODULE STRENGTH INDICATOR

0,6 0,6041

0,5

0,4 0,4
0,3778
0,3429
0,3
0,2834
0,2788

0,2
0,1583
0,1 0,1

0
M4(taille 4) M2(taille 5) M3(taille 5) M1(taille 5)
M4(taille 3) M2(taille 6) M3(taille 5) M1(taille 5)
TAILLE DES MODULES AVEC ET SANS PRISE EN
COMPTE D'ELEMENTS INTEGRATEURS

Figure 66:Correction du MSI avec et sans les éléments intégrateurs

La figure 66 montre que l’ajout d’un composant dans le module 4 suite aux éléments
intégrateurs, conduit à la réduction du MSI de 33%, ce qui favorise la création d’un module moins
dense. Par contre, l’économie d’échelle observée au niveau du module 2(soit avec une réduction
de 1composant) conduit à une hausse considérable du MSI (soit de 138%), ce qui favorise plutôt
la création d’un module plus dense. Le MSI du module 3 a légèrement fluctué, ceci se traduit par
le fait que les éléments intégrateurs n’ont pas affecté la taille de ce module. Le module 1 bien
qu’ayant conservé sa taille, a subi une réduction considérable de son MSI. Ça s’explique par le
fait que ce module en cédant un élément intégrateur et ayant reçu un autre a considérablement
augmenté ses interactions externes.

En appliquant les relations 87, 88 et 89, les résultats obtenus en coûts de couplage des
modules du torréfacteur sont donnés par le tableau 51.

173
 Tableau 51:Coûts de couplage corrigé du torréfacteur de soja avec prise en compte des
éléments intégrateurs

Modules du Coût 𝐝𝐞 𝐜𝐨𝐮𝐩𝐥𝐚𝐠𝐞 Coût 𝐝𝐞 𝐜𝐨𝐮𝐩𝐥𝐚𝐠𝐞 Coût de couplage

torréfacteur 𝐢𝐧𝐭𝐞𝐫𝐧𝐞 𝐞𝐱𝐭𝐞𝐫𝐧𝐞 corrigé
Module 1 11250 3581 14831
Module 2 14400 1520 15920
Module 3 9125 3060 12185
Module 4 1332 0 1332

Le tableau 51 montre que le module 4 reste le module le moins contraignant pour la

conception et le module 2, le module qui suscite le plus de travail et de ressources des
concepteurs.

Le tableau 52 récapitule les coûts de couplage obtenu avec l’algorithme de clustering

proposé avec et sans éléments intégrateurs et ressort la réduction obtenue en coût.

Tableau 52:Synthèse des coûts générés par l’algorithme de clustering proposé avec et sans
éléments intégrateurs

Modules du Coût de couplage Coût de couplage Réduction

torréfacteur sans éléments intégrateurs avec éléments intégrateurs réalisée
Module 1 18380 14831 19, 87 %
Module 2 29020 15920 45, 14 %
Module 3 12306 12185 0,98 %
Module 4 999 1332

D’après le tableau ci-dessus, en considérant les éléments intégrateurs, on observe une

réduction conséquente en coût de couplage des modules 1 et 2 et une légère réduction de coûts
avec le module 3, ce qui se traduit par le fait que les éléments intégrateurs n’ont pas affecté la
taille du module. D’un autre côté, le module 4 a subi une élévation de coûts parce qu’il, n’a pas
de coût de couplage externe.

Objectivement, l’architecture obtenue est meilleure que la précédente du point de vue «

mesure de la modularité » avec un coût de 44268, soit réalisant une réduction globale de 27%.

La reconfiguration du torréfacteur de soja grâce à la nouvelle architecture obtenue avec la

prise en compte des éléments intégrateurs est donnée à l’Annexe 7.

174
 La prise en compte des éléments intégrateurs a conduit à substituer la courroie par un
motoréducteur et son accouplement (Annexe 7) et en allant dans propriétés de masse dans le
logiciel de Conception SolidWorks (version 2016) utilisée pour la conception de notre
équipement, nous avons obtenu les résultats consignés dans le tableau 53.

Tableau 53:Comparaison des configurations obtenues avant et après implémentation de

l’algorithme de clustering amélioré

Torréfacteur de soja Masse Volume Superficie

Ancienne configuration 156,73kg 48,8 𝑑𝑚3 19,28 𝑚2
Nouvelle configuration 148,02kg 47,9 𝑑𝑚3 17,79 𝑚2

Au regard de ce tableau, la nouvelle configuration du torréfacteur (annexe 12) a conduit à

réduire respectivement la masse, le volume et la superficie. Le torréfacteur reconfiguré est donc
moins encombrant. D’un autre côté, le réducteur utilisé est facile à installer et ne nécessite pas
de calculs comme dans le système poulie-courroie. Le torréfacteur reconfiguré est donc plus
facile à maintenir.

b) Cas du torréfacteur à trois modules

Partant de la figure 60, en appliquant le raisonnement déployé pour le cas du torréfacteur
à 4 modules, on constate qu’aucun élément intégrateur n’est pris en compte dans l’application de
l’algorithme proposé sur le torréfacteur à trois modules. Donc l’architecture obtenue ne saurait
être reconfigurée.

c) Cas du torréfacteur à deux modules

Partant de la figure 61, en appliquant le raisonnement déployé pour le cas du torréfacteur à
4 modules, on constate également qu’aucun élément intégrateur n’est pris en compte dans
l’application de l’algorithme proposé sur le torréfacteur à deux modules. Donc l’architecture
obtenue ne saurait être reconfigurée.

IV.3.5 Etude comparative du coût de couplage en fonction du nombre de modules

Le tableau 54 donne la variation du coût de couplage du torréfacteur avec le nombre de
modules dont il est constitué.

175
 Tableau 54:Variation du coût de couplage du torréfacteur avec le nombre de modules

Nombre de Coût de couplage Coût de couplage

Modules du Avec l’algorithme existant avec l’algorithme proposé
torréfacteur

4 Modules 244844 44268

3 Modules 16625395 1436381
2 Modules 22575438 1555835

D’après le tableau 54, on constate qu’avec l’algorithme proposé, le coût global de couplage
du torréfacteur augmente lorsque le nombre de modules diminue. L’algorithme proposé est donc
en accord avec celui de la littérature, du fait qu’on fait le même constat précédent. Cela se traduit
évidemment par le fait que plus on a de modules, moins les modules ont des composants, ce qui
réduit drastiquement la complexité de l’équipement. D’où il est avantageux d’avoir un
torréfacteur à quatre modules, que de l’avoir à trois ou à deux modules.

CONCLUSION
Cette partie a été consacrée à l’implémentation du nouvel algorithme de clustering proposé
au chapitre 3, dans l’optique de réduire les coûts de couplages générés par l’algorithme de
clustering existant et de définir une nouvelle architecture et reconfiguration du produit. Afin de
valider la démarche proposée pour notre algorithme, nous avons fait une application sur le
torréfacteur de soja qui a également servi d’étude de cas lorsque nous déployions l’algorithme
existant. Nous avions expérimenté les différentes éventualités où le torréfacteur aurait quatre
modules, trois modules où deux modules. Nous avions constaté une non prise en compte des
éléments intégrateurs, si le torréfacteur possède trois ou deux modules, dans ce cas il est donc
impossible de reconfigurer le torréfacteur de soja. Pour le torréfacteur ayant quatre modules (le
seul cas de figure permettant la prise en compte des éléments intégrateurs et permettant une
reconfiguration du torréfacteur de soja), il en ressort que l’algorithme proposé sans tenir compte
des éléments intégrateurs a donné une architecture qui a généré une réduction globale en coûts
de 75 % sur l’algorithme existant. En prenant en compte les éléments intégrateurs, nous avions
défini une autre architecture du torréfacteur de soja qui se trouve encore meilleure que celle
donnée par le nouvel algorithme qui ne prend pas en compte les éléments intégrateurs. La
nouvelle architecture a favorisé une économie d’échelle du module 2, en le réduisant d’un
composant, le rendant ainsi moins complexe et plus facile à maintenir. Ce module a donc subi
une réduction en coût de 45% et globalement on a réalisé une réduction de 27% en coûts des
modules du torréfacteur de soja. L’algorithme proposé a permis de réduire les coûts de couplage
176
d’environ 82% et le torréfacteur reconfiguré obtenu est moins encombrant et plus facile à
maintenir.

177
 CONCLUSION GENERALE ET PERSPECTIVES
L’objectif général de ce travail de recherche était d’améliorer la maintenance par la
conception de la modularité. L’outil proposé qui s’appuie sur l’algorithme de clustering existant
a été validé par une application sur un torréfacteur de soja. L’atteinte de cet objectif général a
nécessité une méthodologie.

La première étape de la méthodologie consiste à évaluer la solution de conception la plus

respectueuse des contraintes de désassemblage. L’idée ici est d’apprécier la pertinence du choix
des paramètres de désassemblage au moyen d’un critère de conception, l’indice de fixation
faciles. Ce critère de conception fut choisi parmi tant d’autre du fait qu’il est le seul qui prend en
compte la complexité du mouvement de désassemblage d’un produit. Néanmoins, ce critère
développé dans la littérature présente des limites dans la mesure où il ne prend pas en compte les
autres paramètres de désassemblage non-destructifs qui influences considérablement sur le
mouvement de désassemblage. Un modèle (indice de fixations faciles amélioré) (intégrant tous
les paramètres de désassemblage non-destructifs qui représentent au mieux toutes les facettes du
désassemblage) a été proposé et comparativement à celui proposé dans la littérature, l’application
sur un torréfacteur de soja montre que le nouvel indice de fixations faciles proposé génère des
solutions de conception satisfaisantes. Les paramètres retenus par le modèle proposé ont permis
l’exécution de la deuxième étape de la méthodologie.

A la seconde étape de la méthodologie, on ressort les fonctionnalités de l’algorithme de

clustering existant, donc la finalité est de ressortir la topologie des modules au moyen de l’arbre
de désassemblage complet, d’évaluer le degré de modularité des modules au moyen du MSI et
d’évaluer le coût de couplage des modules du produit. Il ressort que la connaissance de la gamme
de démontage et de la topologie d’un système facilite la maintenance en définissant les priorité
d’intervention. Ensuite, nous présentons les limites de l’algorithme existant et enfin nous
proposons un nouvel algorithme de clustering dans l’optique de réduire les coûts de couplages
générés par l’algorithme de clustering existant, de générer une nouvelle architecture et de
reconfigurer le produit. Plusieurs corrections de l’algorithme existant ont été faite telles que la
définition d’une DSM numérique permettant de ressortir les coefficients correcteurs du coût de
couplage, la formulation d’une fonction objective (le coût de couplage ) permettant d’évaluer le
coût de couplage de la nouvelle architecture proposée (matérialisée par la DSM numérique) et la
définition des éléments intégrateurs afin de faire une économie d’échelle des modules de grandes
tailles qui suscitent plus de contraintes et de ressources des concepteurs .

La troisième étape de la méthodologie consiste à valider l’algorithme de clustering

proposé dans l’optique de réduire les coûts de couplage générés par l’algorithme de clustering
178
existant. En apportant plusieurs corrections de l’algorithme existant sans la prise en compte des
éléments intégrateurs, l’algorithme proposé génère une architecture avec une réduction globale
en coûts de 75% sur l’algorithme existant (cas du torréfacteur à quatre modules). D’autre part
avec la prise en compte des éléments intégrateurs (la seule éventualité permettant la prise en
compte des éléments intégrateurs étant le cas où le torréfacteur de soja peut se subdiviser en
quatre modules), on obtient une nouvelle architecture qui favorise une économie d’échelle du
module 2 (avec une réduction d’un composant), le rendant ainsi moins complexe et plus aisé à
maintenir. On réalise une réduction de 27% avec la nouvelle architecture qui prend en compte
les éléments intégrateurs sur celle qui ne prend pas en compte les éléments intégrateurs.
Globalement l’algorithme proposé a permis de réduire les coûts de couplage d’environ 82% et le
torréfacteur reconfiguré est moins encombrant et plus facile à maintenir, du fait de la facilité de
son installation.

En guise de perspectives à ce travail de recherche, on pourrait :

Enoncer des règles plus restrictives quant à la construction des DSM ;

Appliquer l’algorithme sur des équipements plus complexes ;
Etudier la robustesse des architectures simulées ;
Développer une plateforme logicielle à partir des algorithmes et méthodes développés.

179
 REFERENCES BIBLIORAPHIQUES
Addouche, S. (2003). Contribution à une démarche de conception optimisée des processus de
désassemblage. Thèse de doctorat. Franche-Comté : Université de Franche-Comté, 204 p.

AFNOR. (1988). Recueil de normes françaises : Fiabilité, Maintenabilité et Disponibilité. Ed

Afnor-Ute.

Agard, B et Tollenaere, M. (2002). Conception d’assemblages pour la customisation de masse.

Mécanique & Industrie, 3 (2), 113 − 119.

Ahouansou, R et Singbo, A. (2010). Evaluation des performances techniques de deux

torréfacteurs d’amande de karité (Vitellaria paradoxa). Bulletin de la recherche Agronomique du
Bénin, 68, 20−28.

Ait-Kadi, D., Diallo, C and Chelbi, A. (2004). A Joint Spare-Provisioning and Preventive
Maintenance Strategy for Availability Maximization under Limited Resources. Proceedings of
the 7th Probabilistic Safety Assessment and Management Conference, Berlin, 5, 2840−2846.

Ait-Kadi, D. (2007). Fiabilité des systèmes. Notes de cours, département de génie mécanique,
Université Laval.

Alexander, C. (1971). De la synthèse de la forme : essai. Paris: Dunod.

Alven, V. (1964). Reliability engineering. Englewood Cliff, New Jersey: Prentice- Hall.

Alves De Macedo, L. (2017). Torréfaction de biomasse lignocellulosique : effet catalytique du

potassium sur les espèces condensables. Thèse de Doctorat, Université de Lorraine ,168p.

Al-Widyan, K and Angeles, J. (2005). A Model- Based Formulation of Robust Design, Journal
of Mechanical Design ,127 (3), 388 – 396.

ARMP-7. (2003). Reliability and Maintainability. NATO R & M Terminology, Ministry of

Defence, UK, 1 (2).

Baldwin, C and Clark, K. (1997). Managing in an age of modularity. Harvard Business Review,
75, 84−93.

Baldwin, C and Clark, K. (2000). Design Rules: The Power of Modularity. The Academy of
Management Review, 26 (1) :130−133.

Baron, C. (2005). L’évaluation dans la conception système : vers une aide à la conduite de projet.
HDR, Institut National Polytechnique de Toulouse.

180
Beauville, A. (2020). Démarche de conception d’un système de production industriel
reconfigurable, dans un contexte de fortes variations de marché en volume et en diversité. Thèse
de doctorat, Paris, HESAM,187 p.

Bellaouar, A et Beleulmi, S. (2014). Fiabilité, Maintenabilité et Disponibilité. Support de cours.

Université Constantine 1,106 pages.

Beyer, H-G and Sendho, B. (2007). Robust Optimization - A Comprehensive Survey. Computer
Methods in Applied Mechanics and Engineering, 196 (33-34), 3190−3218.

Blackenfelt, M. (2000). Modularization by Relational Matrices - a Method for the Consideration

of Strategic and Functional Aspects. In: Riithahuhta A., Pulkkinen A. (eds) Design for
Configuration. Springer, Berlin, Heidelberg, 134-152.

Blackenfelt, M and Sellgren, U. (2000). Design of robust interfaces in modular products.

Proceedings of the 2000 ASME Design Engineering Technical Conferences, Baltimore,
Maryland, 1-9.

Blackenfelt, M. (2001). Managing complexity by product modularization. Doctoral Thesis,

Department of Machine Design, Royal Institute of Technology, Stockholm.

Bohm, M. R and Stone, R. B. (2004). Representing Functionality to Support Reuse: Conceptual

and Supporting Functions. International Design Engineering Technical Conferences and
Computers and Information in Engineering Conference, 411−419.

Boucly, F et Ogus, A. (1987). Le management de la maintenance, Afnor, Paris.

Bourjault, A. (1984). Contribution d’une approche méthodologique de l’assemblage automatisé

: élaboration automatique des séquences opératoires. Thèse d’État. Université de Franche-Comté.

Boyd, J.A. (1992). Allocation of reliability requirements: a new approach. Annual Reliability
and Maintainability Symposium 1992 Proceedings, 5− 6.

Braha, D. (2002). Partitioning Tasks to Product Development Teams. Second International

Conference on Axiomatic Design, Cambridge , 1−11.

Browning, T.R. (1998). Use of dependency structure matrices for product development cycle
time reduction. Proceedings of the 5.fth ISPE International Conference on Concurrent
Engineering: Research and Applications, Tokyo, Japan,1−8.

Browning, T.R. (1999). Designing system development projects for organizational integration.
Journal of Systems Engineering, 2(4), 217−225.

181
Browning T.R. (2001). Applying the design structure matrix to system decomposition and
integration problems: A Review and New Directions. IEEE Transactions on Engineering
Management, 48 (3) , 292−306.
Browning, T.R and Eppinger, S.D. (2002). Modeling Impacts of Process Architecture on Cost
and Schedule Risk in Product Development. IEEE Transactions on Engineering Management,
49(4) , 443−458.

Carrascosa, M., Eppinger, S. D and Whitney, D. E. (1998). Using the design structure matrix
to estimate product development time. Design Automation Conference, Atlanta, GA.

Carré, P. (2020). Transformation du soja à la ferme, technologies disponibles. Edition ITAB, 49

p.

Cerny, V (1985). Thermodynamical Approach to the Traveling Salesman Problem : An Efficient

Simulation Algorithm. Journal of Optimization Theory and Applications , 45 , 41−51.

Chen, R, Navin-Chandra, D and Prinz, F.B. (1993). Product design for recyclability: A cost
benefit model and its application. Proceedings of the 1993 IEEE International Symposium on
Electronics and the Environment, Arlington, VA, USA ,178−183.

Chen, S.J and Lin, L. (2003). Decomposition of interdependent task group for concurrent
engineering. Computers & Industrial Engineering, 44, 435 – 459.

Chen, K.M and Liu, R.J. (2005). Interface strategies in modular product innovation,
Technovation, 25 (7), 771−782.

Cho, S.H and Eppinger, S.D. (2001). Product Development Process Modeling Using Advanced
Simulation. Design Engineering Technical Conferences Pittsburgh, Pennsylvania,1−10.

Clarkson, P.J., Simons, C.S and Eckert, C.M. (2004). Predicting change propagation in
complex design. Journal of Mechanical Design, 126 (5), 765−797.

Collette, Y. and Siarry, P. (2002). Optimisation multiobjectif. Editions Eyrolles.

Cotaina, N., Matos, F., Chabrol, J and Djeapragache, D. (2000). Study of Existing Reliability
Centered Maintenance (RCM) Approaches Used in Different Industries. Technical Report
Number: FIM/110.1/DATSI/00, 98 p.

Dahmus, J., Gonzalez-Zugasti, J and Otto, K. (2001). Modular Product Architecture. Design
Studies, 22(5), 409−424.

182
Das, I. and Dennis, J. E. (1998). Normal-boundary intersection: A new method for genera-ting
the pareto surface in nonlinear multicriteria optimization problems. SIAM Journal on
Optimization 8(3), 631–657.

Das, S.K., Yedlarajiah, P and Narendra, R. (2000). An approach for estimating the end-of-life
product disassembly effort and cost. International Journal of Production Research, 38 (3),
657−673.

Deb, K., Pratap, A., Agarwal, S and Meyarivan, T. (2002). A fast and elitist multiobjective
genetic algorithm: NSGA-II. In IEEE Transactions on Evolutionary Computation ,6 (2),
182–197.

Desai, A and Mital, A. (2003). Evaluation of disassemblability to enable design for disassembly
in mass production. International Journal of Industrial Ergonomics, 32 (4), 265−281.

de Oliveira, L. S and Saramago, S. F. P. (2010). Multiobjective optimization techniques

applied to engineering problems. Journal of the Brazilian society of mechanical sciences and
engineering 32 (1), 94–105.

de Rocquigny, E., Devictor, N and Tarantola, S. (2008). Uncertainty in Industrial Practice: A

Guide to Quantitative Uncertainty Management. John Wiley & Sons, Ltd. ISBN :978-0-470-
99447-4.

De Rosnay, J. (1975). Le macroscope, Editions du Seuil.

Despujols, A. (2004). Optimisation de la maintenance par la fiabilité (OMF). MT9310,

Techniques de l'ingénieur.

Dhillon, B.S. (2002). Engineering Maintenance : A Modern Approach. CRC Press, ISBN 1-
58716-142-7.

Dowie, T. and Simon, M (1994). Guidelines for designing for disassembly and recycling.
Department of Mechanical Engineering, Design and Manufacture, the Manchester Metropolitan
University.

Dowie, T. (1995). A Disassembly Planning and Optimisation Methodology for Design. PhD
thesis. Manchester Metropolitan University, Manchester.

Dubois, D., Lubiano, M. A., Prade, H., Gil, M. A., Grzegorzewski, P and Hryniewicz, O.
(2008). Soft methods for handling variability and imprecision. Conferences proceedings Part of
the Advances in Soft Computing Book Series, ISBN:978-3-540-85026-7, 48.

183
Duflou, J.R., Seliger, G., Kara, S., Umeda, Y., Ometto, A and Willems, B. (2008). Efficiency
of product disassembly: A case-based study. CIRP Annals - Manufacturing Technology, 57,
583−600.

Ebeling, C. E. (1997). An Introduction to Reliability and Maintainability Engineering. Waveland

Press, Inc. ISBN 13:978-1-4786-3734-9, 658 p.

EC 60300-3-11. (1999). Dependability management - Part 3-11: Application guide -Reliability

centred maintenance. International Electrotechnical Commission, 2, 1−13.

Eppinger, S. D., Whitney, D. E., Smith, R. P and Gebala, D. A. (1994). A Model-Based

Method for Organizing Tasks in Product Development. Research in Engineering Design, 6 (1),
1−13.

Ericsson, A and Erixon, G. (1999). Controlling design variants: Modular product platforms.
Society of Manufacturing Engineers, 145 p.

Eric, B. (2008). Contributions à l’instrumentation du métier d’architecte système : de

l’architecture modulaire du produit à l’organisation du système de conception. Habilitation à
Diriger des Recherches. Université de Franche-Comté, UFR Sciences et Techniques, Institut
FEMTO-ST / Département AS2M, 206 p.

Erixon, G. (1998). Modular Function Deployment – A method for product modularization. PhD
thesis, Royal Institute of Technology, Stockholm, Sweden.

Ethiraj, S.K and Levinthal, D.A. (2004). Modularity and innovation in complex systems.
Management science 50 (2): 159 −173.

Failli, F and Dini, G. (2001). Optimization of disassembly sequences for recycling of end-of-
life products by using a colony of ant-like agents. Engineering of Intelligent Systems, 2070,
632−639.

Fernandez, C. (1998). Integration analysis of product architecture to support effective team co-
location. Thesis, Massachusetts Institute of Technology MIT, USA.

Frédéric, D. (2010). Conception intégrée et gestion d’informations techniques : application à

l’ingénierie du produit et de sa séquence d’assemblage. Thèse de doctorat. Université de
Technologiede Belfort-Montbeliard.

Garud, R and Kumaraswamy, A. (1995). Technological and organizational designs for

realizing economies of substitution. Strategic Management Journal 16 (1) , 93 −109.

184
Ghassen, H. (2007). Vers une conception conjointe des architectures du produit et de
l’organisation du projet dans le cadre de l’Ingénierie Système. Thèse de doctorat. Université de
Franche-Comté, UFR Sciences et Techniques, Ecole Doctorale Sciences Physiques pour
l’Ingénieur et Microtechniques, 249 pages.

Ghazilla, R., Taha, Z., Yusoff, S., Rashid, S.H and Sakundarini, N. (2014). Development of
decision support system for fastener selection in product recovery oriented design. The
International Journal of Advanced Manufacturing Technology, 70 (5 - 8), 1403−1413.

Gittard, C. (2009). Application de l’approche système dans l’analyse de la fiabilité lors des
phases amont de la conception de produits innovants. Mémoire d’ingénieur, Centrale Paris.

Giudice, F and Fargione, G. (2007). Disassembly planning of mechanical systems for service
and recovery: A genetic algorithm based approach. Journal of Intelligent Manufacturing, 18 (3),
313 − 329.

Guivarch, A.D. (2003). Concurrent Process Mapping, Organizations, Project and Knowledge
Management in Large-Scale Product Development Projects Using the Design Structure Matrix
Method. Massachusetts Institute of technology, 149 − 152.

Gungor, A and Gupta, S. (2001). Disassembly sequence plan generation using a branch-and-
bound algorithm. International Journal of Production Research, 39 (3) , 481 − 509.

Güngör, A. (2006). Evaluation of connection types in design for disassembly (DFD) using
analytic network process. Computers and Industrial Engineering, 50, 35 − 54.

Guo, F and Gershenson, J. K. (2004). A comparison of modular product design methods on

improvement and iteration. In Proc of ASME Design Engineering Technical Conferences, 261
− 269.

Haldar, A and Mahadevan, S. (2000). Probability, reliability, and statistical methods in

engineering design. Wiley New York, ISBN:978-0-471-331119-3, 1.

Haoues, N., Froelich, D and Zwolinski, P. (2004). Disassembly for valorization in conceptual
design. In Environmentally Conscious Manufacturing IV, 5583, 31−42.

Hölttä, K and Salonen, M. (2003). Comparing three different modularity methods. Proc. Of
DETC’03, Design Engineering Technical Conferences, ASME 2003, Chicago, USA.

Hölttä-Otto, K. (2005). Modular product platform design. PhD, Helsinki University of

Technology, Espoo, Finland, ISBN 951-22-7766-2.

185
Hölttä, K., Suh, E and Weck, O. (2005). Tradeoff Between Modularity and Performance for
Engineering Systems and Products. International Conference On Engineering Design Iced 05
Melbourne, 1 − 14.

Hsuan Mikkola, J and Skjøtt-Larsen, T. (2004). Supply-chain integration: implications for

mass customization, modularization and postponement strategies. Production Planning and
Control, 15 (4): 352 − 361.

Hsu, H and Lin, G. (2002). Quantitative measurement of component accessibility and product
assemblability for design for assembly application. Robotics and Computer Integrated
Manufacturing, 18, 13 − 27.

Huang, C.C and Kusiak, A. (1998). Modularity in design of products and systems. IEEE
Transactions on Systems, Man and Cybernetics, Part A: Systems and Humans, 28 (1) , 66 − 77.

Huang, C. (2000). Overview of modular product development. Proc. Natl. Sci. Council,
ROC(A), 24 (3), 149 − 165.

Hwai-En, Tseng., Chien-Chen, Chang and Jia-Diann, Li. (2008). Modular design to support
green life-cycle engineering. Science Direct, 34 (4Tapez une équation ici.), 2524 – 2537.

Idicula, J. (1995). Planning for Concurrent Engineering. Thesis draft, Nanyang Technology
University.

IEC 60050-191. (1990). International Electrotechnical Vocabulary – Chapter 191: Dependability

and quality of service. International Standard, International Electrotechnical Commission, IEC.

IEC 61703. (2001). Mathematical Expressions for Reliability, Availability, Maintainability and
Maintenance Support Terms. International Standard, International Electrotechnical Commission,
IEC, Geneva.

IEEE 1220. (1998). Standard for application and Management of the Systems Engineering
Process. The Institute of Electrical and Electronics Engineers, 1 − 11.

Ireson, W., Coombs, C.F and Moss, R.Y. (1995). Handbook of Reliability Engineering and
Management. McGraw-Hill Companies, ISBN 0-07-012750-6, 2.

Jabbour, T and Mascle, C. (1998). A Database for the representation of assembly features in
mechanical products. Iinternational Journal of Computational Geometry and Applications, 8 (5-
6), 483 −507.

186
Jeandin, T. (2015). Méthode de choix des attachements pour la fin de vie des produits. Maîtrise
des sciences appliquées, Université de Montréal, Ecole Polytechnique de Montréal, 122 p.

Jiao, J., Simpson, T.W and Siddique, Z. (2007). Product family design and platform-based
product development: a state-of-the-art review. Journal of Intelligent Manufacturing, Special
issue on Product family design and platform-based product development, 18 (1), 5 − 29.

Jose, A and Tollenaere, M. (2005). Modular and platform methods for product family design:
literature analysis. Journal of intelligent Manufacturing, 16, 371 − 390.

Kececioglu, D. (1991). Reliability Engineering Handbook. PTR Prentice Hall, 2.

Keller, R., Eckert, C.M and Clarkson, P.J. (2005). Visualizing change propagation. Proc. 15th
Int. Conf. On Engineering Design, ICED'05, Melbourne, Australia.

Kim, I. Y and Weck, O. L. D. (2005). Adaptive weighted-sum method for bi-objective

optimization: Pareto front generation. Structural and multidisciplinary optimization, 29 (2), 149
–158.

Kirkpatrick, S., Gelatt, C.D and Vecchi, M.P. (1983). Optimization by simulated annealing.
Science, New series, 220 (4598) , 671−680

Kongar, E and Gupta, S. (2001). Genetic algorithm for disassembly process planning. In
Proceedings of the SPIE International Conference on Environmentally Conscious
Manufacturing, 54−62.

Kongar, E and Gupta, S. (2006). Disassembly sequencing using genetic algorithm. The
International Journal of Advanced Manufacturing Technology, 30 (5 – 6), 497 – 506.

Kroll, E and Carver, B.S. (1999). Disassembly analysis through time estimation and other
metrics. Robotics and Computer Integrated Manufacturing, 15 (3), 191 − 200.

Kuo, T., Zhang, H. C and Huang, S. (2000). Disassembly analysis for electromechanical
products: a graph-based heuristic approach. International Journal of Production Research, 38 (5),
993 − 1007.Tapez une équation ici.

Kusiak, A and Szczerbicki, E. (1993). Transformation from Conceptual to Embodiment

Design. IEEE Transactions, 25(4), 6 – 12.

Lambert, A and Gupta, S. (2005). Disassembly modelling for assembly, maintenance, reuse,
and recycling. CRC Press, 1 – 19.

187
Langlois, R.N. (2002). Modularity in technology and organization. Journal of Economic
Behavior and Organization, 49, 19 − 37.

Larses, O and Blackenfelt, M. (2003). Relational reasoning supported by quantitative methods

for product Modularization. Int. Conf. On Engineering Design, ICED 03 Stockholm.

Larses, O. (2005). Applying quantitative methods for architecture design of embedded

automotive systems. Proc. INCOSE International Symposium. Rochester, NY.

Lee, Y. Q and Kumana, S. (1992). Individual and group disassembly sequence generation
through freedom and interference spaces. Journal of Design and Manufacturing, 2, 143−154.

Lehman, J. S., Santner, T. J and Notz, I. (2004). Designing computer experiments to determine
robust control variables. Statistica Sinica, 14 (2), 571–590.

Le Moigne, J.L. (1977). La théorie du système général, Théorie de la modélisation. Revue

Française de Sociologie,19 (2), 361 p.

Li, J. R., Khoo, L. P and Tor, S. B. (2002). A Novel Representation Scheme for Disassembly
Sequence Planning. International Journal Advanced Manufacturing Technology, 20 (8),
621−630.

Lyonnet, P et Bouit, B. (1998). Contraintes de maintenance dans la Conception de produits

mécaniques, méthodes, modèles et outils. Paris: Hermès.

Marler, R. T and Arora, J. S. (2010). The weighted sum method for multi-objective
optimiztion: new insights. Structural and multidisciplinary optimization, 41 (6), 853 – 862.

McCord, K. R and Eppinger, S. D. (1993). Managing the Integration Problem in Concurrent

Engineering, M.I.T. Sloan School of Management, Cambridge, MA, Working Paper no.3594.

Meinadier, J.P. (2002). Le métier d’intégration de systèmes. Hermès Sciences Publications.

Micaëlli, J.P et Forest, J. (2003). Artificialisme, Introduction à une théorie de la conception.

Presses Polytechniques et Universitaires Romandes (PPUR), ISBN 2-88074 - 540.

Miettinen, K. (2001). Some methods for nonlinear multi-objective optimization. In Evolutionary

Multi-Criterion Optimization, Springer, 1–20.

Millet, D., Brissaud, D and Zwolinski, P. (2007). Design for reuse, remanufacture and
recycling; an alternative to design for landfill. International Journal of Environmentally
Conscious Design and Manufacture, G. Bertollucci guest editors 13 (3−4).

188
Military Handbook – 217F. (1991). Reliability Prediction of Electronic Equipment. Notice 2,
U. S. Department of Defense.

Military HandBook – 470A. (1997). Designing and Developing Maintenable products and
Systems». U.S. Department of Defense, Washington, DC.

Military Handbook – 338B. (1998). Electronic Reliability Design Handbook. U.S. Department
of Defense.

Military Standard – 810F. (2000). Environmental Engineering Considerations and Laboratory

Tests. U.S. Department of Defense.

Monchy, F. (1987). La fonction maintenance : formation à la gestion de la maintenance

industrielle. Collection technologies, Masson, Paris.

Moore, K. E., Gungor, A and Gupta, S. (2001). Petri net approach to disassembly process
planning for products with complex AND/OR precedence relationships. European Journal of
Operational Research, 135 (2), 428 − 449.

Morelli, M.D., Eppinger, S. D and Gulati, R.K. (1995). Predicting Technical Communication
in Product Development Organizations. IEEE Transactions on Engineering Management, 42 (3).

Morin, E. (1977). La Méthode, tome 1 : La Nature de la Nature. Paris : Seuil, 399 p.

Morin, E. (1992). Introduction à la pensée complexe. Paris : Seuil.

Mtopi, F.B. (2006). Contribution à une méthodologie de conception modulaire : Modélisation

de la diversité dans les familles de produits. Thèse de l’Université de Franche- Comté.

Murayama, T., Oba, F., Abe, S and Yamamichi, Y. (2001). Disassembly Sequence Generation
using Information Entropy and Heuristics for Component Replacement. Proceedings of the IEEE
International Symposium, 208 − 213.

Nakayama, H and Sewerage, Y. (1984). Satisficing trade-off method for multiobjective

programming. In Interactive decision analysis, Springer, 113–122.

NASA. (2000). Reliability Centered Maintenance Guide for Facilities and Collateral Equipment.
Department of Defense, Washington, 472 p.

Newcomb, P., Bras, B and Rosen, D. (1998). Implications of modularity on product design for
the life cycle. Journal of Mechanical Design, 120, 483 − 490.

NSWC-07. (2007). Handbook of Reliability Prediction Procedures for Mechanical Equipment.

Naval Surface Warfare Center, US
189
Nzie, W. (2006). Intégration de la maintenance en conception : application à un équipement
agroalimentaire. Thèse de doctorat. Université de Besançon.

Oosterman, B. (2001). Improving Product Development Projects by Matching Product

Architecture and Organization. PhD thesis, Gröning University, The Netherlands, ISBN: 90-
72591-99-2.

Orton, J et Weick, K. (1990). Loosely Coupled Systems: A Reconceptualization. Academy of

Management Review 15 (2): 203−223.

Osyczka, A. (1981). An approach to multicriteria on optimization for structural design.

Technical report, DTIC Document.

Otto, K and Wood, K. (2001). Product design: techniques in reverse engineering and new
product development. Prentice Hall, Upper Saddle River, NJ.

Padulo, M and Guenov, M. D. (2011). Worst-case robust design optimization under distri-
butional assumptions. International Journal for Numerical Methods in Engineering, 88 (8) ,797–
816.

Pagès, A et Gondran, M. (1980). Fiabilité des systèmes. Edition Eyrolles, Paris 5ème.

Pahl, G and Beitz, W. (1996). Engineering Design: A Systematic Approach, Springer Verlag,
London, 2nd Edition.

Pak, K.G and Sodhi, R. (2002). Destructive disassembly of bolts and screws by impact fracture.
Journal of Manufacturing Systems, 21 (4), 316 − 324.

Pascal, V. (2010). Génération d’indicateurs de maintenance par une approche semi-paramétrique

et par une approche markovienne. Thèse de doctorat. Université d’Orléans.

Phadke, M. (1989). Quality Engineering Using Robust Design. PTR Prentice- Hall Inc,
Englewood Cliffs, New Jersey.

Pil, F. K and Cohen, S.K. (2006). Modularity: Implications for imitation, innovation, and
sustained advantage. Academy of Management Review, 31 (4), 995 − 1011.

Pimmler, T and Eppinger, S. (1994). Integration Analysis of Product Decompositions. Proc.

ASME Design Theory and Method Conference (DTM'94), 68, 343 − 351.

Probst, G et Ulrich, H. (1989). Pensée globale et management. Paris : Les Ed. d’organisation.

Rao, S. S. (2009). Engineering optimization: theory and practice. John Wiley and Sons.

190
Rodriguez-Torro, C., Jared, G and Swift, K. (2004). Product Development complexity
metrics: A framework for proactive-DFA implementation. International Design Conference-
Design 2004, Dubrovnik, 483 − 490.

Rose, C. M., Ishii, K and Masui, K. (1998). How product characteristics determine end-of-life
strategies. In Proceedings of the 1998 IEEE International Symposium on Electronics and the
Environment, 4-6 May 1998, Oak Brook, IL, USA, 322 − 327.

Said, C-W., Mitrouchev, P et Tollenaere, M. (2013). Indicateurs d’évaluation de la

désassemblabilité des produits. 21ème Congrès Français de Mécanique, Bordeaux, Réf
S7B144EU,1 - 6.

Said, C-W, Peter, M and Michel, T. (2014). Disassembly sequencing for End-of-life products.
Conference On Mechanical, Design Engineering & Advanced Manufacturing, Toulouse, France.

Said, C-W. (2018). Intégration des contraintes de désassemblage dans la conception modulaire
des produits manufacturés. Contexte de développement durable. Thèse de doctorat. Université
Grenoble Alpes.

Samon, J.B. (2018). Modélisation et évaluation de la démontabilité et de la remontabilité d'un

équipement. Thèse de doctorat. ENSAI, Université de Ngaoundéré, Cameroun.

Sanchez, R et Mahomey, J.T. (1996). Modularity, flexibility and knowledge management

inproduct and organization design. Strategic Management Journal, 17, 63 − 76.

Sanchez, R. (1999). Modular architectures in the marketing process. Journal of Marketing, 63,
92 − 112.

Schilling, M and Steensma, H. (2001). The use of modular organizational forms analysis. The
Academy of Management Journal, 44 (6), 1149 − 1168.

Searle, J. (1998). La construction de la réalité sociale. Paris, Gallimard, 303 p.

Shana, S and Hung, P. (2015). A novel selective parallel disassembly planning method for green
design. Journal of Engineering Design, 26 (10 - 12), 283 – 301.

Sharman, D and Yassine, A. (2004). Characterizing Complex Product Architectures. Systems

Engineering Journal, 7 (1), 35 − 60.

Shukla, P. K. (2007). On the normal boundary intersection method for generation of efficient
front. In Computational Science–ICCS 2007, Springer, 310 – 317.

Simon, H. (1969). La science des systèmes. EPI. Paris.

191
Simon, H.A. (1997). Sciences des systèmes, Sciences de l’artificiel. Version traduite en français
par Le Moigne, J.L, Dunod.

Smith, R.P and Eppinger, S.D. (1997). A Predictive Model of Sequential Iteration in
Engineering Design. Management Science, 43, 1104 − 1120.

Sonnenberg, M. (2001). Force and effort analysis of unfastening actions in disassembly

processes. Thèse de doctorat, New Jersey Institute of Technology, New Jersey, USA.

Sosa, M., Eppinger, S and Rowles, C. (2003). Identifying modular and integrative systems and
their impact on design team interactions. Transactions of the ASME, 125, 240 − 252.

Sosa, M.E., Eppinger, S.D and Rowles, C.M. (2004). The Misalignment of Product
Architecture and Organizational Structure in Complex Product Development. Management
Science, 50 (12), 1674 – 1689.

Sosa, M.E. (2005). A Network Approach to Define Modularity of Product Components.

Proceedings of ASME Design Theory and Methodology Conference, Long Beach, CA.

Srinivasan, H and Gadh, R. (1998). A geometric algorithm for single selective disassembly
using wave propagation abstraction. Computer-Aided Design, 30 (8), 603 − 613.

Srinivasan, H., Figueroa, R and Gath, R. (1999). Selective disassembly for virtual prototyping
as applied to de-manufacturing. Robotics and Computed Integrated Manufacturing, 15, 231
− 245.

Srinivasan, H and Gadh, R. (2000). Efficient geometric disassembly of multiple components

from an assembly using wave propagation. Journal of Mechanical Design, 122 (2), 179 − 184.

Srinivasan, H and Gadh, R. (2002). A non-interfering selective disassembly sequence for

components with geometric constraints. IIE Transactions, 34, 349 − 361.

Starkey, P. (1989). Les conséquences pour la recherche sur la mécanisation et le développement

de trente ans de vulgarisation des polyculteurs. Séminaire d’Economie Rurale, Montpellier
(France) : CIRAD-MESRU, 12−18.

Starr, M. (1965). Modular production : a new concept. Harvard Business Review, 43 (6):
131 −142.

Steuer, R. E and Choo, E.-U. (1983). An interactive weighted Tchebycheff procedure for
multiple objective programming. Mathematical programming, 26 (3), 326 – 344.

192
Steward, D.V. (1981). The Design Structure System: A Method for Managing the Design of
Complex Systems. IEEE Transactions on Engineering Management, 28, 71−74.

Stone, R, Wood, K and Crawford, R. (1998). Heuristic Method to Identify Modules from a
Functional Description of a Product. Proceedings of DETC98 DETC98/DTM -5642 Atlanta, GA.

Stone, R., Wood, K and Crawford, R. (2000). A Heuristic Method for Identifying Modules for
Product Architectures. Design Studies, 21, 5 − 31.

Subba Rao, V. M., Milind, D and Jayant, R. (1999). Optimal Reliability allocation with
discrete Cost-Reliability Data for components. Operation Research, 47 (6), 899 – 906.

Subramani, A. K and Dewhurst, P. (1991). Automatic Generation of Product Disassembly

Sequences. CIRP Annals- Manufacturing Technology, 40 (1), 115 − 118.

Suh, N. (1990). Principles of Design. Oxford University Press, Cambridge, UK.

Taguchi, G. (1978). Off- Line and On-Line Quality Control Systems. Proceedings of
International Conferences on Quality Control, Tokyo, Japan.

Taguchi, G. (1993). On Robust Technology Development, Bringing Quality Engineering

Upstream. ASME Press, ISBN 0- 7918- 0028- 8, 164 p.

Thebeau, R. E. (2001). Knowledge Management of System Interfaces and Interactions for

Product Development Processes. Master’s Thesis. System Design and Management Program,
Massachusetts Institute of Technology.

Thornton, A. (2001). Optimism vs. Pessimism: Design Decisions in the Face of Process
Capability Uncertainty. ASME Journal of Mechanical Design, 123, 313–320.

Tollenaere, M. (1998). Conception de produits mécanique. Hermès, Paris.

Torres, F., Puente, S. T and Aracil, R. (2003). Disassembly Planning Based on Precedence
Relations among Assemblies. International Journal Advanced Manufacturing Technology, 21
(5), 317 − 327.

Tripathi, M., Agrawal, S., Pandey, M., Shankar, R and Tiwari, M. (2009). Real world
disassembly modeling and sequencing problem: Optimization by Algorithm of Self-Guided Ants
(ASGA). Robotics and Computer-Integrated Manufacturing, 25 (3), 483 − 496.

Tseng, Y., Kao, H.-T and Huang, F.-Y. (2009). Integrated assembly and disassembly sequence
planning using a GA approach. International Journal of Production Research, 48 (20), 1 − 23.

193
Ulrich, K and Tung, K. (1991). Fundamentals of product modularity. Proc. of ASME Winter
Annual Meeting Symposium on Design and Manufacturing Integration, 73 -79.
Ulrich, K. (1995). The role of product architecture in the manufacturing firm. Research Policy,
24, 419 - 440.

Ulrich, K and Eppinger, S. (2000). Product Design and Development. 2nd Ed. McGraw-Hill,
New York.

Van Wie, M., Greer, J., Campbell, M., Stone, R and Wood, K. (2001). Interfaces and product
architecture. ASME Design Engineering Technical Conference Proc., DETC01/DTM-21689.

Von, B. (1968). General System Theory: Foundations, Development, Applications, New York,
George Braziller. Traduction (1973) : Théorie générale des systèmes, Paris, Bordas (Dunod).

Wang, J. F., Liu, J. H., Li, S. Q and Zhong, Y. F. (2003). Intelligent selective disassembly
using the ant colony algorithm. Artificial Intelligence for Engineering Design, Analysis and
Manufacturing: AIEDAM, 17 (4 - 5), 325 − 333.

Weick, K. (1976). Educational organizations as loosely coupled systems. Administrative Science

Quarterly, 21 (1), 1 − 19.

Whitfield, R.I., Smith, J.S and Duffy, A. (2002). Identifying Component Modules. Proc. of
Seventh International Conference on Artificial Intelligence in Design (AID'02), Cambridge,
United Kingdom, 571 − 592.

Wu, Y and Wu, A. (2000). Taguchi Methods for Robust Design. ASME Press, New York.

Xue, J., Qian, S and Zhang, Y. (2010). Disassembly sequence planning based on ant colony
optimization algorithm. IEEE Fifth International Conference on Bio-Inspired Computing:
Theories and Applications, 1125 −1129.

Yassine, A.A., Whitney, D. E., Lavine, J and Zambito, T. (2000). Do-it-right first-time
(DRFT) approach to DSM restructuring. In Proc. ASME 2000 Int. Design Engineering Technical
Conf. (DTM), Baltimore, MD.

Yassine, A., Whitney, D and Zambito, T. (2001). Assessment of rework probabilities for
simulating product development processes using the design structure matrix (DSM). Proceedings
of DETC 01 ASME 2001 International Design Engineering Technical Conferences Computers
and Information in Engineering Conference Pittsburgh, Pennsylvania.

Yassine, A. (2004). An Introduction to Modeling and Analyzing Complex Product Development

Processes Using the Design Structure Matrix (DSM) Method. Italian Management Review, 9.
194
Yousfi, N. (2014). Optimisation de la Maintenance par la Fiabilité. Mémoire de Master en
éléctromécanique.

Yu, T., Yassine, A and Goldberg, D. (2003). Genetic algorithm for developing modular product
architectures. Proc. ASME 15th Int. Conf. Design Theory Methodology, Chicago.

Yu, T., Yassine, A and Goldberg, A. (2007). An information theoretic method for developing
modular architectures using genetic algorithms. Research in Engineering Design, 18 (2), 91
−109.

Zamirowski, E. J and Otto K. N. (1999). Identifying Product Family Architecture Modularity

Using Function and Variety Heuristics. In Proc of ASME Design Engineering Technical
Conferences. Las Vegas, NV.

Zeki, B. (1993). Technologie de production de farines alimentaires et de produits protéiques

issus du soja. Food & Agriculture Org, Institut de technologie d’Israël.

Zhang, W. H and Gao, T. (2006). A min–max method with adaptive weightings for uniformly
spaced pareto optimum points. Computers and structures, 84 (28), 1760 –1769.

Zhang, X and Zhang, S. Y. (2010). Product cooperative disassembly sequence planning based
on branch-and-bound algorithm. International Journal Advanced Manufacturing Technology, 51
(9-12), 1139 − 1147.

Zussman, E., Kriwet, A and Seliger, G. (1994). Disassembly oriented assessment methodology
to support design for recycling. Annals of the CIRP, 43 (1), 9 − 14.

Zwingelstein, G. (1996). La Maintenance basée sur la fiabilité - Guide pratique d'application de

la RCM. Editions HERMES.

195
 ANNEXES
ANNEXE 1 : Schémas côté de la cuvette

ENSAI

196
ANNEXE 2 : Schémas côté de l’axe du cylindre

ENSAI

197
ANNEXE 3 : Schémas côté du cylindre principal

ENSAI

198
ANNEXE 4 : Schémas côté de la trémie d’entrée

ENSAI

199
ANNEXE 5 : Schémas côté de la trémie de sortie

ENSAI

200
ANNEXE 6 : Torréfacteur de soja

201
ANNEXE 7 : Torréfacteur de soja reconfiguré

202
 ANNEXE 8 : Quelques publications

Ngnassi Djami, A.B., Nzié, W. and Doka Yamigno, S. (2020). Disassembly Evaluation in
Design of a System Using a Multi-Parameters Index. Modern Mechanical Engineering, 9, 65-80.

A.B. Ngnassi Djami, W. Nzié. and S. Doka Yamigno, “Maintenance Modularity Optimization
using Clustering Algorithm: Application’’, International Journal of Industrial Engineering (IJIE),
ISSN:2349-9362, vol 7, nº 1, 2020, pp. 12-24.

Ngnassi Djami Aslain Brisco, Nzié Wolfgang and Doka Yamigno Serge, Mechanical System
Topology Optimization for Better Maintenance, Studies in Engineering and Technology, ISSN:
2330 – 2038, EISSN 2330-2046, Vol. 8, No.1, 2020, pp.1-13.

203