Modèles d’apprentissage automatique pour un système manufacturier intelligent : Application au cas du pilotage d’un processus de séchage de bois

Résumé

De nos jours, l’industrie est en forte évolution et en particulier l’utilisation de l’apprentissage automatique pour la valorisation des données industrielles. Ce mémoire de recherche étudie un problème de pilotage d’un processus de séchage dans une ligne de production des planches de bois en utilisant des modèles d’apprentissage automatique. La teneur en humidité (TH) est un paramètre crucial pour définir la valeur commerciale des planches sur le marché. Par conséquent, elles doivent être séchées pour diminuer leurs TH afin de respecter les exigences des clients. Le processus de séchage dans ce mémoire de recherche utilise une combinaison de deux technologies : un séchoir conventionnel par lot, et un séchoir haute fréquence (HF) en continu utilisé comme un four de précision. Le but de ce mémoire de recherche est l’utilisation des modèles d’apprentissage automatique pour contrôler la TH dans séchoir conventionnel et la TH à l’entrée du four HF afin de contribuer à l’implémentation d’un système manufacturier intelligent pour le pilotage de ce processus. Deux sous-objectifs ont été fixés pour ce mémoire de recherche. Le premier sous-objectif consiste à utiliser des modèles d’apprentissage automatique pour prédire la TH moyenne dans le séchoir conventionnel afin de contrôler le temps d’arrêt du séchage. La prédiction a été faite pour chaque cinq minutes avec un lag de dix heures. Plusieurs modèles d’apprentissage automatiques ont été utilisés. Une combinaison d’une couche de convolution avec un LSTM bidirectionnel a donné les meilleurs résultats avec un R2 de 95.24% et un erreur absolu moyen de 3.61%. Le deuxième sous objectif traite la prédiction de la distribution de probabilité de la TH à l’entrée du séchoir HF pour chaque paquet du lot séché. Ceci permettra de déterminer les bons paquets à traiter pour maximiser la capacité du four HF. L’estimation de la distribution a été basée sur la prédiction des probabilités objectives en utilisant des modèles d’apprentissage multi-sorties. Un réseau de neurone multicouches, amélioré avec des auto-encodeurs en amont, a donné les meilleurs résultats avec une divergence KL de 0.53. Ces deux prédictions vont permettre de piloter la boucle de séchage en contrôlant le temps d’arrêt du séchoir conventionnel et la distribution de la TH des paquets à l’entrée du four HF.

Date	23 févr. 2023
langue originale	Français
Établissement diplômant	École de technologie supérieure
Superviseur	Mustapha Ouhimmou (Directeur(-trice)) & Loubna Benabbou (Codirecteur(-trice))