Sujet de Thèse
Titre :
Apprentissage automatique basé sur des données issues du procédé de fabrication de panneaux pour la
prédiction et l'optimisation du mix-produits et le flux d'énergie
Dates :
2021/10/01 - 2024/09/30
Encadrant(s) :
Description :
Ce sujet de thèse s'inscrit dans le cadre du projet scientifique S&O-2I du département Ingénierie des Systèmes
Eco-techniques du CRAN. Ce travail sera mené en collaboration avec la société EGGER qui est l'un des leaders
Européens sur le marché du panneaux bois.
La complexité du système de planification et de pilotage du processus de production de panneaux de particule
tient au fait que ce dernier est un produit de base. Par conséquent, le prix est un déterminant majeur de la
position concurrentielle du fabricant. Cependant, les panneaux sont soumis à de fortes exigences normatives
selon les secteurs d'utilisation, mais aussi des exigences spécifiques des clients. La qualité du panneau de
particules dépend de nombreuses variables dont, en particulier, la composition des matières premières le
constituant, c'est-à-dire les espèces de bois utilisées et les types de matière première en bois transformés
(rondins, dosses écorcées, sciure de bois...). Nous appellerons cette composition le mix-produits.
Dans cette thèse, on s'intéressera à l'influence de ce mix-produits sur le prix de revient, la consommation
énergétique et d'autres performances qui restent à identifier dans une logique de développement durable
prônée par l'entreprise. Cette optimisation du mix produit dépend, de la disponibilité d'une matière première
bois donnée, des exigences spécifiques de qualité, des capacités de traitement de l'usine...
La complexité et la nature dynamique de ce problème, ainsi que la place dominante de l'expérience empirique
des opérateurs et des gestionnaires en fait un candidat idéal à la mise en place d'un système d'aide à la
décision. Ce dernier devra aider le gestionnaire à trouver une solution maximisant les performances du mix-
produits.
La problématique industrielle introduite ci-avant intéresse le laboratoire du Centre de Recherche en
Automatique de Nancy (CRAN) et plus précisément le département d'Ingénierie des Systèmes Éco-Techniques
complexes (ISET). Ce département, s'intéresse à la modélisation de processus d'évaluation et de prise de
décisions nécessaires pour contrôler et piloter des systèmes complexes.
La thèse aura pour objectif de proposer des modèles de prédiction et d'optimisation de l'influence du mix
produits dans le processus de planification avec une recherche de performance multi-dimensionnelle,
exploitant les données collectées sur le processus de fabrication.
Le projet peut s'appuyer sur les différents travaux réalisés au CRAN et en particulier au sein du département
ISET depuis plusieurs années portant sur l'exploitation des données industrielles pour construire des modèles
utilisant les techniques du machine learning en général et des réseaux de neurones en particulier. Ces activités
ont porté aussi bien sur le développement de nouveaux algorithmes pour améliorer la précision des modèles
appris que sur l'application de ces techniques à des problèmes industriels . Il pourra aussi s'appuyer sur les
travaux
En s'appuyant sur les expériences et les connaissances du laboratoire et les résultats d'une première étude
préliminaire dans le cadre du PFE -ENSTIB-EGGER 2020, nous avons identifié plusieurs verrous à lever :
l'utilisation de données hétérogènes. Cette hétérogénéité des données est un problème à part entière lors
de l'exploitation des techniques de machines learning car peu d'entre elles sont adaptées à l'exploitation
conjointe de données discrètes et de données continues
la pollution des données par du bruit et des valeurs aberrantes. Il nécessaire de mettre en oeuvre des
techniques et outils capable d'assurer la bonne précision du modèle malgré ces perturbations. Dans le cadre
des réseaux de neurones, par exemple, cela passe par l'utilisation d'algorithmes d'apprentissage robustes à la
présence de valeurs aberrantes, ainsi qu'à la détermination de la structure optimale du réseau afin d'éviter les
problèmes d'overfitting,
La complexité des flux à considérer, flux matières premières hétérogènes avec plusieurs bouclage au
niveau du séchage et de broyage mais aussi le flux d'énergie ( utilisé pour la consommation des équipements,
la gestion des déchets et la vente aux clients) nous amène à s'intéresser aussi aux modèles de simulation et le
couplage de ces derniers avec les modèles d'apprentissage dans une logique de jumeau numérique.
le déploiement sur d'autres sites. L'ensemble des modèles que nous allons produire vont être développés
sur la base de données provenant d'un unique site. L'idée est d'être capable de déployer les outils ainsi
construits sur d'autres sites de groupe EGGER.
Eco-techniques du CRAN. Ce travail sera mené en collaboration avec la société EGGER qui est l'un des leaders
Européens sur le marché du panneaux bois.
La complexité du système de planification et de pilotage du processus de production de panneaux de particule
tient au fait que ce dernier est un produit de base. Par conséquent, le prix est un déterminant majeur de la
position concurrentielle du fabricant. Cependant, les panneaux sont soumis à de fortes exigences normatives
selon les secteurs d'utilisation, mais aussi des exigences spécifiques des clients. La qualité du panneau de
particules dépend de nombreuses variables dont, en particulier, la composition des matières premières le
constituant, c'est-à-dire les espèces de bois utilisées et les types de matière première en bois transformés
(rondins, dosses écorcées, sciure de bois...). Nous appellerons cette composition le mix-produits.
Dans cette thèse, on s'intéressera à l'influence de ce mix-produits sur le prix de revient, la consommation
énergétique et d'autres performances qui restent à identifier dans une logique de développement durable
prônée par l'entreprise. Cette optimisation du mix produit dépend, de la disponibilité d'une matière première
bois donnée, des exigences spécifiques de qualité, des capacités de traitement de l'usine...
La complexité et la nature dynamique de ce problème, ainsi que la place dominante de l'expérience empirique
des opérateurs et des gestionnaires en fait un candidat idéal à la mise en place d'un système d'aide à la
décision. Ce dernier devra aider le gestionnaire à trouver une solution maximisant les performances du mix-
produits.
La problématique industrielle introduite ci-avant intéresse le laboratoire du Centre de Recherche en
Automatique de Nancy (CRAN) et plus précisément le département d'Ingénierie des Systèmes Éco-Techniques
complexes (ISET). Ce département, s'intéresse à la modélisation de processus d'évaluation et de prise de
décisions nécessaires pour contrôler et piloter des systèmes complexes.
La thèse aura pour objectif de proposer des modèles de prédiction et d'optimisation de l'influence du mix
produits dans le processus de planification avec une recherche de performance multi-dimensionnelle,
exploitant les données collectées sur le processus de fabrication.
Le projet peut s'appuyer sur les différents travaux réalisés au CRAN et en particulier au sein du département
ISET depuis plusieurs années portant sur l'exploitation des données industrielles pour construire des modèles
utilisant les techniques du machine learning en général et des réseaux de neurones en particulier. Ces activités
ont porté aussi bien sur le développement de nouveaux algorithmes pour améliorer la précision des modèles
appris que sur l'application de ces techniques à des problèmes industriels . Il pourra aussi s'appuyer sur les
travaux
En s'appuyant sur les expériences et les connaissances du laboratoire et les résultats d'une première étude
préliminaire dans le cadre du PFE -ENSTIB-EGGER 2020, nous avons identifié plusieurs verrous à lever :
l'utilisation de données hétérogènes. Cette hétérogénéité des données est un problème à part entière lors
de l'exploitation des techniques de machines learning car peu d'entre elles sont adaptées à l'exploitation
conjointe de données discrètes et de données continues
la pollution des données par du bruit et des valeurs aberrantes. Il nécessaire de mettre en oeuvre des
techniques et outils capable d'assurer la bonne précision du modèle malgré ces perturbations. Dans le cadre
des réseaux de neurones, par exemple, cela passe par l'utilisation d'algorithmes d'apprentissage robustes à la
présence de valeurs aberrantes, ainsi qu'à la détermination de la structure optimale du réseau afin d'éviter les
problèmes d'overfitting,
La complexité des flux à considérer, flux matières premières hétérogènes avec plusieurs bouclage au
niveau du séchage et de broyage mais aussi le flux d'énergie ( utilisé pour la consommation des équipements,
la gestion des déchets et la vente aux clients) nous amène à s'intéresser aussi aux modèles de simulation et le
couplage de ces derniers avec les modèles d'apprentissage dans une logique de jumeau numérique.
le déploiement sur d'autres sites. L'ensemble des modèles que nous allons produire vont être développés
sur la base de données provenant d'un unique site. L'idée est d'être capable de déployer les outils ainsi
construits sur d'autres sites de groupe EGGER.
Mots clés :
modèles de prédiction et d'optimisation, mix-produits, flux d'énregie, jumeau numérique
Conditions :
Thèse CIFRE
CDD entreprise EGGER
CDD entreprise EGGER
Département(s) :
| Modélisation Pilotage des Systèmes Industriels |
Financement :
thèse CIFRE
Publications :
