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

Laaroussi, Mouhcine (2023). Modèles d’apprentissage automatique pour un système manufacturier intelligent : Application au cas du pilotage d’un processus de séchage de bois. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (11MB) | Prévisualisation

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.

Titre traduit

Machine learning models for an intelligent manufacturing system: application in a wood-drying process case

Résumé traduit

Nowadays, Industry is strongly evolving and particularly the use of machine learning for the valorization of industrial data. This research thesis studies a drying process control problem in a wood boards production line using machine learning models. The moisture content (MC) is a crucial parameter to define the final value of the boards. Therefore, they must be dried to decrease their MC in order to meet customers’ requirements. The drying process in this research thesis uses a combination of two technologies: a conventional batch dryer, and a continuous high frequency (HF) dryer used as a precision kiln. The objective of this research is to use machine learning models to control the MC in the conventional dryer and at the entrance of the HF kiln in order to contribute to the implementation of an intelligent manufacturing system for the control of this process.

Two sub-objectives have been set for this research thesis The first sub-objective is to use machine learning models to predict the mean MC in the conventional dryer to control the drying downtime. The prediction was made for every five minutes with ten hours lag. Several machine learning models were tested. A combination of a convolution layer with a bidirectional LSTM gave the best results with an R2 of 95.24% and an average absolute error of 3.61%. The second sub-objective deals with the prediction of the probability distribution of the MC at the entrance of the HF dryer for each package of the dried batch. This will help to determine the right packages to process in order to maximize the capacity of the HF dryer. The distribution estimation was based on the prediction of objective probabilities using multioutput predictive models. A multilayer perceptron, enhanced with upstream auto-encoders, gave the best results with a KL divergence of 0.53. These two predictions will enable the drying loop to be driven by controlling the conventional dryer's downtime and the distribution of packages’ MC at the HF kiln inlet.

Type de document:	Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires:	"Mémoire par articles présenté à l’École de technologie supérieure comme exigence partielle à l’obtention de la maîtrise avec mémoire en génie de la production automatisée". Comprend des références bibliographiques (pages 71-78).
Mots-clés libres:	teneur en humidité du bois, apprentissage automatique, séchoir conventionnel, séchoir haute fréquence, prédiction de la distribution de probabilité
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Ouhimmou, Mustapha
Codirecteur:	Codirecteur Benabbou, Loubna
Programme:	Maîtrise en ingénierie > Génie de la production automatisée
Date de dépôt:	13 mars 2023 17:27
Dernière modification:	31 août 2023 04:00
URI:	https://espace.etsmtl.ca/id/eprint/3198

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt