Optimisation du cycle de pesage d'une balance industrielle par intelligence artificielle

Maradei, Chelsea (2024). Optimisation du cycle de pesage d'une balance industrielle par intelligence artificielle. Mémoire. Rimouski, Université du Québec à Rimouski, Département de mathématiques, informatique et génie, 233 p.

Prévisualisation

PDF Télécharger (7MB) | Prévisualisation

Résumé

RÉSUMÉ : L'ensachage de produits en vrac dans l'industrie nécessite une vérification rigoureuse de la masse durant le remplissage des sacs. Cependant, ces contrôles sont fortement réglementés et impliquent des comportements du système qui tendent à ralentir le processus d'ensachage. L'objectif de ce projet est d'optimiser les étapes de la chaîne de conditionnement en améliorant la rapidité du cycle, ce qui permettrait d'accroitre le nombre de sacs produits en un temps donné. L'accélération du cycle de pesage ne doit pas compromettre la précision, qui est un critère essentiel. Il est donc nécessaire de vérifier que le poids des sacs produits soit dans l'intervalle de masse accepté. Un jeu de données recueillies en milieu industriel a été constitué. Une première approche, basée directement sur le poids brut, a d'abord été mise en place, et des modèles d'intelligence artificielle ainsi que des méthodes statistiques conçus pour la prédiction de séries temporelles ont été testés et évalués. Cette approche en une seule étape s'est révélée peu concluante, ce qui a conduit à reconsidérer la stratégie de résolution du problème. Une seconde approche composée d'une étape de filtrage suivie d'une optimisation du cycle a alors été testée. Pour l'étape de filtrage, des modèles d'apprentissage supervisé et des filtres numériques ont été comparés pour leur efficacité à atténuer les bruits causés par l'environnement industriel de la balance. Les filtres numériques se sont distingués par leurs bons résultats et leur facilité d'implémentation. L'apprentissage par renforcement a ensuite été utilisé sur les données filtrées pour optimiser le cycle de pesage commandé par le système. Les premiers résultats obtenus à ce jour montrent que cette méthode est intéressante et prometteuse pour notre application. Cependant, l'optimisation des hyperparamètres et du système de récompenses représente un travail conséquent nécessitant des ressources computationnelles importantes, ainsi que du temps pour être pleinement réalisée. -- Mot(s) clé(s) en français : Intelligence artificielle, balance industrielle, ensachage industriel, optimisation du cycle de pesage, séries temporelles, filtrage de bruit, apprentissage supervisé, apprentissage par renforcement, réseaux de neurones. --
ABSTRACT : Bulk product packaging in the industry requires rigorous weight control during bag filling. However, these controls are highly regulated and involve system behaviors that tend to slow down the bagging process. This project aims to optimize the steps in the packaging chain by improving the speed of the cycle, thereby increasing the number of bags produced in a given time. Acceleration of the weighing cycle must not compromise accuracy, an essential criterion. It is, therefore, necessary to check that the weight of the bags produced is within the accepted weight range. A dataset collected in an industrial environment was set up. An initial approach, based directly on raw weight, was implemented, and artificial intelligence models and statistical methods designed for time series prediction were tested and evaluated. This one-step approach proved inconclusive, leading to reconsidering the problem-solving strategy. A second approach consisting of a filtering step followed by cycle optimization was then tested. For the filtering step, supervised learning models and digital filters were compared for their effectiveness in attenuating noise caused by the scale's industrial environment. The digital filters stood out for their good results and ease of implementation. Reinforcement learning was then used on the filtered data to optimize the weighing cycle controlled by the system. The first results show that this method is interesting and promising for our application. However, optimizing the hyperparameters and the reward system represents a substantial task requiring significant computational resources and time to be fully realized. -- Mot(s) clé(s) en anglais : Artificial intelligence, industrial scales, industrial bagging, weighing cycle optimization, time series, noise filtering, supervised learning, reinforcement learning, neural networks.

Type de document :	Thèse ou mémoire de l'UQAR (Mémoire)
Directeur(trice) de mémoire/thèse :	Khriss, Ismaïl
Co-directeur(s) ou co-directrice(s) de mémoire/thèse :	Brousseau, Jean
Information complémentaire :	Mémoire présenté dans le cadre du programme de maîtrise en ingénierie en vue de l'obtention du grade de maître ès sciences appliquées (M. Sc. A.).
Mots-clés :	Balances; Pesage électronique; Intelligence artificielle; Apprentissage automatique; Ensachage; Optimisation multidisciplinaire (Conception technique).
Départements et unités départementales :	Département de mathématiques, informatique et génie > Génie
Date de dépôt :	30 janv. 2025 16:13
Dernière modification :	30 janv. 2025 16:13
URI :	https://semaphore.uqar.ca/id/eprint/3210