Détection des anomalies de type bourrage dans les centres de tri de déchets ménagers en production en temps réel à partir de séries temporelles grâce au développement et à l’implémentation d’algorithmes d’Intelligence Artificielle

Jam type anomalies detection in household waste sorting centers in production in real time from time series with the development and implementation of Artificial Intelligence algorithms

• Auteur / Autrice : Calliane You
• Direction : Jean-Marie Flaus
• Type : Projet de thèse
• Discipline(s) : Automatique - Productique
• Date : Inscription en doctorat le ; Soutenance le 15/01/2025
• Etablissement(s) : Université Grenoble Alpes
• Ecole(s) doctorale(s) : École doctorale électronique, électrotechnique, automatique, traitement du signal
• Partenaire(s) de recherche : Laboratoire : Sciences pour la conception, l'optimisation et la production (Grenoble, Isère, France ; 2006-....)
• Jury : Président / Présidente : Maria Di mascolo
• Jury : Examinateurs / Examinatrices : Lionel Boillereaux, Christophe Combastel, Emmanuel Simeu
• Jury : Rapporteurs / Rapporteuses : Lionel Boillereaux, Christophe Combastel

Mots clés

Mots clés libres

Apprentissage automatique

Apprentissage profond

Recyclage des déchets

Prédiction

Intelligence artificielle

Science des données

Data science

Artificial intelligence

Prediction

Deep learning

Waste sorting

Machine learning

Résumé

D’ici 2060, l’Organisation de Coopération et de Développement Economiques (OCDE) estime que la quantité de déchets plastiques dans le monde triplera. Cependant, seulement moins d’un cinquième sera recyclé et la moitié sera mise en décharge. En France, de 2005 à 2017, la quantité de déchets recyclables a augmenté de 35 %. Par ailleurs, les centres de tri rencontrent un problème majeur non résolu et persistant dans le tri des déchets ménagers, à savoir les bourrages des tapis convoyeurs. Chaque jour, les opérateurs subissent des bourrages de tapis convoyeurs car le tri des déchets n'est pas chose aisée. Cela est dû à la complexité et à la variabilité imprévisible de la composition du flux de déchets (enchevêtrement de déchets, poids, humidité, saletés, erreurs de tri …). Leur travail est également extrêmement difficile et dangereux, en patrouillant jusqu'à 12 km durant 7h30 de travail pendant lesquelles il peut être nécessaire en cas de bourrage d’entrer dans la machine concernée et de dégager à la main les déchets coincés. Lorsqu'une machine est bourrée, par sécurité, toute l'installation de tri des déchets est arrêtée, cela impacte le temps de tri et signifie moins de déchets triés. Ainsi, ces bourrages limitent la quantité de déchets triés, alors que les centres de tri des déchets ont la contrainte de trier une certaine quantité de déchets par semaine pour des raisons légales d'hygiène et de sécurité. La détection des bourrages potentiels est donc nécessaire. Mais, aucune méthode efficace n’est utilisée pour détecter le moment où un tapis convoyeur sera bloqué par une surcharge de produit. Ainsi, cette thèse, à travers l’état de l’art dans le domaine de la détection d’anomalies vise à détecter de manière fiable et le plus rapidement possible les bourrages machine pour éviter les arrêts de production et alléger la charge de travail des opérateurs. De plus, éviter les bourrages signifie plus de déchets triés, plus de matériaux à réutiliser et moins à incinérer ou à enfouir. La contrainte d’un algorithme facile à expliquer à un novice en Intelligence Artificielle devait être respectée dans le choix des méthodes développées. Premièrement, pour détecter les bourrages sur les bandes transporteuses des centres de tri des déchets, avec la possibilité de classer certaines données par des experts en tri des déchets, et en raison de contraintes multiples, une approche supervisée est choisie pour confirmer s'il est possible d'utiliser l'Intelligence Artificielle pour détecter un bourrage potentiel. L’algorithme d'apprentissage automatique des k-plus proches voisins (k-NN) est développé. Et différentes versions du modèle k-NN avec diverses améliorations en ajoutant la normalisation, le rejet, l'adaptation de l'ensemble d’apprentissage, la mise en œuvre sur site et les résultats sont détaillés dans le deuxième chapitre. Même si les résultats du k-NN sont validés par les utilisateurs finaux, une deuxième méthode était nécessaire pour tenter de gagner du temps sur l'étape fastidieuse de création d'un ensemble de données d'apprentissage et de test pour l'algorithme lorsque le modèle k-NN doit être régénéré pour être adapté à l’ensemble des tapis convoyeur du centre de tri. Ainsi, un réseau de neurones artificiels auto-encodeur, un algorithme d’apprentissage profond, est testé pour détecter d’éventuels bourrages sur les tapis convoyeurs des centres de tri des déchets. La méthode et les résultats sur des données industrielles réelles sont expliqués dans le troisième chapitre, et permettent de conclure également sur la faisabilité d'utiliser un modèle d'auto-encodeur pour détecter des bourrages potentiels sur des données de fonctionnement sans anomalies uniquement. Cette thèse se conclut sur le détail d’une tâche parallèle, cependant tout aussi chronophage, qui est la mise en œuvre d’une solution logicielle complète du k-NN en temps réel sur site sur différents tapis convoyeurs, pour détecter les bourrages avant l'arrêt des tapis convoyeurs.

By 2060, the Organization for Economic Co-operation and Development (OECD) has estimated that the amount of worldwide plastic waste will triple. And, only less than a fifth will be recycled and half will go to landfill. In France, from 2005 to 2017, the amount of recyclable waste increased by 35%. Moreover, sorting centers encounter a major and persistent problem in the sorting of household waste that has not been solved, conveyor belts jamming. Every day, the operators suffer conveyor belts jams because sorting waste is not easy. This is due to the complexity and unpredictable variability of the composition of the waste flow (entanglement of waste, weight, humidity, dirt ). Their job is also extremely difficult and dangerous, patrolling up to 12 km per working shift of 7h30 during which it may be necessary in the event of a jam to enter the machine and to manually clear the jammed waste. When one machine is jammed, for safety, all the waste sorting plant is shutdown, this impact sorting time and means less waste sorted. So, these jams limit the quantity of waste sorted, whereas waste sorting centers have a constraint to sort a certain amount of waste per week for legal hygiene and safety reasons. Detecting potential jams is therefore necessary. In addition, no efficient method is used to detect when a conveyor belt will be jammed by product overload. So, this thesis, through the state of the art in the field of anomaly detection aims to miss as few machine jams as possible to avoid production shutdowns and to ease the operators’ workloads. In addition, preventing jams means more waste sorted, more materials to reuse and less to incinerate or to bury. The constraint of an easy to explain algorithm to a novice in Artificial Intelligence had to be respected in the choice of these two methods. First, to detect jams on conveyor belts in waste sorting plants, with the possibility to classify some data by waste sorting experts, and due to multiple constraints, a supervised approach is chosen to confirm if it is possible to use Artificial Intelligence to detect a potential jam. The k-Nearest Neighbors (k-NN), a Machine Learning algorithm, is developed. And different versions of the k-NN model with diverse enhancements by adding normalization, rejection, adaptation of the training set, on site implementation and results are detailed in the second chapter. Even though the results of the k-NN are validated by the final users, a second method was necessary to try to gain time on the time-consuming step of creating a training and test data set for the algorithm for when the k-NN model needs to be regenerated. Therefore, an autoencoder artificial neural network, a Deep Learning algorithm, is tested to detect potential jams on conveyor belts in waste sorting centers. The method and results on real industrial data are explained in the third chapter, and allow concluding on also the feasibility of using an autoencoder model to detect potential jams on fault-free operating data only. This thesis concludes with the details of a parallel task, however, equally time-consuming, which is the implementation of a complete k-NN software solution in real time on site on different conveyor belts in parallel, to detect jams before the conveyor belts stop.