Intelligence artificielle hybride pour la reconfiguration automatique des systèmes de production dans un contexte Industrie 4.0

Hybrid artificial intelligence for self-reconfiguration of production systems in the context of smart industry

• Auteur / Autrice : Mathis Allibe
• Direction : Gülgün Alpan-gaujal
• Type : Projet de thèse
• Discipline(s) : GI - Génie Industriel : conception et production
• Date : Inscription en doctorat le 01/10/2021
• Etablissement(s) : Université Grenoble Alpes
• Ecole(s) doctorale(s) : École doctorale Ingénierie - matériaux mécanique énergétique environnement procédés production (Grenoble ; 2008-....)
• Partenaire(s) de recherche : Laboratoire : Sciences pour la conception, l'optimisation et la production (Grenoble)
• Partenaire(s) de recherche : Equipe de recherche : Gestion et Conduite des Systèmes de Production

Mots clés

Mots clés libres

Systèmes de production reconfigurables

Systèmes à base de connaissances

Intelligence artificielle hybride

Aide à la décision multicritère

Industrie 4.0

Apprentissage automatique

Reconfigurable manufacturing systems

Machine learning

Smart industry

Multi-criteria decision making

Hybrid artificial intelligence

Knowledge-based systems

Résumé

Dans un marché caractérisé par une augmentation sans cesse croissante de demandes de produits personnalisés et très volatiles, les entreprises industrielles font face à de nouveaux défis d'adaptabilité/convertibilité et de scalabilité de leurs systèmes de production. Pour les aider, les systèmes de production reconfigurables ont été proposés. Ce sont des systèmes conçus pour s'adapter aux changements du marché (introduction de nouveaux produits et augmentation de la demande). Cependant, les travaux existants portent essentiellement sur des problématiques de conception. Les aspects plus opérationnels nécessitant des décisions temps réel dans un environnement dynamique sont très peu abordés. Par exemple, étant donné un ensemble de variantes de produits à fabriquer/assembler, quelle configuration choisir en tenant compte de l'état des machines? Plusieurs critères doivent être pris en compte, notamment technique, économique, social et environnemental. Ce type de décision est très complexe et nécessite des connaissances et des données de différentes sources. Les incertitudes dues au manque de connaissances ou à l'imprécision des données rajoutent encore plus de complexité au problème. En se plaçant dans un contexte Industrie 4.0, cette thèse a pour but de proposer une approche intégrée et des outils intelligents d'aide à la décision. Des outils capables d'exploiter des connaissances et des données de différentes sources pour aider à la reconfiguration automatique et temps réel des systèmes de production. L'originalité réside d'une part dans le couplage des systèmes à base de connaissances et des algorithmes de machine learning et d'autre part dans leur application à la reconfiguration de systèmes de production.

In a market characterized by an ever-increasing demand for personalized products, industrial companies are facing new challenges related to adaptability, convertibility and scalability of their production systems. To help them, reconfigurable production systems have been proposed. These are systems designed to adapt to market changes (introduction of new products and increased demand). However, the existing work mainly concerns design issues. The operational issues requiring real-time decisions in a dynamic environment are hardly discussed. For instance, given a set of product variants to be manufactured or assembled, which configuration to choose while taking into account the health state of the machines? Several criteria must be taken into account, in particular technical, economic, social and environmental ones. Real-time operational decisions are very complex and require knowledge and data from different sources. Uncertainties due to the lack of knowledge or inaccurate data add further complexity to the problem. Considering an Industry 4.0 context, this thesis aims to develop an integrated approach for intelligent decision support tools. These tools should be capable of integrating knowledge and data from different sources to support the self-reconfiguration of production systems. The originality relies on both the coupling of knowledge-based systems and machine learning algorithms and their application to production systems reconfiguration.