Optimisation dynamique de séquences d’opérations d’usinage
- Début: 1 août 2019
- Sherbrooke
- SECM-GT International
DESCRIPTION
Contexte et problème à résoudre
Dans un contexte de pénurie de main d’œuvre généralisée dans l’industrie manufacturière, les entreprises cherchent de plus en plus à intégrer l’intelligence artificielle de façon collaborative avec leurs employés actuels dans le but d’augmenter leur capacité concurrentielle. La robotique industrielle fait également de plus en plus appel à des machines pouvant effectuer plusieurs tâches différentes plutôt que de dédier une machine par tâche d’assemblage. Or, la programmation de ces machines est très peu flexible. En effet, la moindre dérogation à une séquence préétablie comme le bris d’un outil de coupe entraîne généralement l’arrêt complet de la machine. Ces arrêts, en plus d’être gênants lorsqu’ils arrivent hors des heures normales d’opération d’une usine, demandent un temps considérable aux opérateurs sur place qui doivent reprogrammer les machines sur le moment afin d’accomplir des tâches alternatives.
C’est le problème auquel l’entreprise SECM-GT aimerait répondre dans le cadre de ce projet. Dans une de ses nouvelles cellules d’usinage, l’entreprise emploie une machine-outil à commande numérique (CNC) avec un magasin d’outil automatisé et un bras robot manipulateur pour l’alimenter. L’ensemble des opérations d’usinage est géré par des automates programmables et supervisé par des ordinateurs conventionnels pour la collecte de données d’utilisation. Dans un premier temps, l’entreprise souhaite prédire le bris d’outils à partir des données d’utilisation passées et, dans un deuxième temps, lancer automatiquement des tâches alternatives pour maximiser le nombre de tâches accomplies en attente d’un remplacement d’outil ou autre pièces manquantes.
Tâches et thèmes de recherche
Dans un premier temps, vous participerez à la collecte de données réelles chez SECM-GT et à l’identification de patrons permettant de prédire le bris d’outils. Pour cela, vous devrez explorer l’état de l’art de l’apprentissage machine supervisé, plus particulièrement dans l’analyse de séries temporelles probabilistes. Ensuite, vous devrez proposer un mécanisme permettant d’interrompre une tâche et de la redémarrer ultérieurement, ce qui demandera d’analyser le code d’usinage (G-Code) et de modifier son point de démarrage. De plus, pour permettre à la machine d’exécuter des tâches alternatives, vous devrez développer un algorithme permettant l’analyse des tâches disponibles et la recommandation de tâches réalisables en vous basant sur des approches en recherche opérationnelle comme la programmation par contraintes.
Démarrage : Hiver 2019 (flexible), Durée : 2 ans, Lieu de travail : 3IT (IntRoLab) et au moins 20 % du temps chez SECM-GT (répartition flexible)
Pour de plus amples informations, veuillez contacter : François Ferland, Département de génie électrique et informatique, [email protected]