| Summary: | La réussite du développement des produits industriels a un enjeu économique considérable pour l’entreprise. Les décisions sur les concepts et sur l’architecture du produit ont un impact considérable sur le coût global du cycle de vie du produit. Les industriels sont alors de plus en plus encouragés à adopter des méthodes permettant de rationaliser les décisions de conception. Ces méthodes doivent être en adéquation avec le niveau de connaissance acquis sur les alternatives de conception, la nature des décisions à prendre et les outils d’évaluation disponibles. Ainsi, deux méthodes d’aide à la décision ont été développées dans cette thèse en fonction de la phase de conception étudiée.Une première méthode est proposée pour la phase amont de conception dans laquelle l’objectif de l’entreprise est de réduire le nombre de concepts proposés initialement pour concentrer ses efforts et ses ressources sur les concepts les plus prometteurs. Durant cette phase, les produits sont définis d’une manière très imprécise. Les concepteurs doivent alors faire beaucoup d'hypothèses lorsqu’ils proposent des modèles de comportement destinés à évaluer les concepts. Ces modèles, qui expriment une connaissance de nature explicite, sont insuffisants pour faire des choix de concepts. Pour remédier à cette difficulté, nous nous orientons dans notre étude vers la connaissance implicite (ou subjective), obtenue au travers de l'expérience et du savoir-faire acquis par les concepteurs. Afin d’intégrer cette connaissance dans la prise de décision, elle est d’abord formalisée au travers d’outils comme les fonctions de préférence. La méthode globale d’aide à la décision proposé permet de combiner à la fois cette connaissance implicite et la connaissance explicite (représentée par les modèles de comportement) pour évaluer chaque concept en termes d’aptitude à respecter les exigences minimales de validation et du niveau d’adéquation avec les objectifs de conception. Les objectifs et préférences des décideurs sont, quant à eux, structurés et formalisés au travers du modèle OIA (Observation-Interprétation-Agrégation) développé auparavant dans le laboratoire I2M-IMC.Une deuxième méthode a été proposée pour la phase aval de conception qui a pour objectif de fixer les paramètres du produit final (choix des matériaux, dimensions, etc.) après que le concept ait été choisi. Durant cette phase, le produit est défini d’une manière plus précise et les modèles de comportement sont plus représentatifs des phénomènes physiques pertinents du concept étudié. Ces modèles restent cependant basés sur des hypothèses qui conduisent parfois à une remise en question de leur exactitude, surtout pour certains paramètres de conception. Fixer les paramètres du produit en se basant uniquement sur ces modèles de comportement nécessite la prise en compte de leur niveau exactitude. Nous avons donc développé un indicateur d’exactitude de ces modèles qui intègre, d’une part, une évaluation objective qui est la mesure d’écart entre le modèle et un comportement de référence (supposé exact) et, d’autre part, sur une évaluation subjectif qui se base sur la mesure de distance avec la solution de référence (solution prototypée) et sur des fonctions de confiances établies par les concepteurs. La combinaison d’une évaluation objective et subjective de l’exactitude permet d’obtenir à la fin un indicateur général d’exactitude capable de couvrir l’intégralité de l’espace de conception. L’indicateur ainsi obtenu est utilisé dans une méthode d’aide à la décision qui qualifie chaque solution candidate en terme de risque engendré par les l’exactitude des modèles et de degré de satisfaction des objectifs de conception (en se basant la modèle OIA). === The successful development of industrial products has a considerable economic challenge for the company. Decisions on concepts and product architecture have a significant impact on the overall cost of the product life cycle. Manufacturers are then increasingly encouraged to adopt methods to streamline design decisions. These methods must be consistent with the level of knowledge acquired on alternative design, the nature of decision making and assessment tools available. Thus, both methods of decision support have been developed in this thesis based on the study design phase.A first method is proposed for the upstream design stage in which the goal of the company is to reduce the number of concepts initially proposed to focus its efforts and resources on the most promising concepts. During this phase, the products are defined very loosely. Designers must then make a lot of assumptions when proposing role models to assess the concepts. These models, which express a knowledge of explicit nature, are insufficient to make choices concepts. To overcome this difficulty, we are moving in our study to the implicit knowledge (or subjective), obtained through the experience and expertise acquired by the designers. To integrate this knowledge in decision-making, it is first formalized through tools such as preferably functions. The overall approach to decision support proposed for combining both the implicit knowledge and explicit knowledge (represented by the role models) to assess each concept in terms of ability to meet the minimum requirements for validation and level fitness with the design goals. The objectives and preferences of decision makers are, in turn, structured and formalized through the OIA model (Observation-Interpretation-Aggregation) previously developed in the laboratory I2M-BMI.A second method was proposed for the downstream design phase that aims to set the parameters of the final product (choice of materials, dimensions, etc.) after the concept was chosen. During this phase, the product is defined in a more precise manner and behavior patterns are more representative of the relevant physical phenomena of the concept studied. These models are however based on assumptions which sometimes lead to a questioning their accuracy, especially for some design parameters. Fix the product parameters based solely on these patterns of behavior requires taking into account their accuracy level. We have therefore developed an accuracy indicator of these models that integrates on the one hand, an objective assessment which is the measure of difference between the model and a reference behavior (assumed correct) and, secondly, on a subjective assessment that is based on the distance measurement with the reference solution (prototyped solution) and trusts functions established by the designers. The combination of objective and subjective assessment of the accuracy provides at the end a general indicator of accuracy able to cover the entire design space. The indicator thus obtained is used in a method of decision support that qualifies each candidate solution in terms of risk posed by the accuracy of the models and level of satisfaction of design objectives (based the model OIA) .
|
|---|
