Elaboration d?un modèle d?évaluation de la performance énergétique d?un outil de production

Description :

La performance d'un système de production doit être évaluée globalement et sur la durée du cycle de vie du système et des produits réalisés. Elle intègre non seulement les notions de coût, de délais, de qualité, mais aussi de flexibilité (capacité de changement rapide de la planification en cours et/ou modification de l'outil de production), de robustesse (comportement stable vis-à-vis de variations de la demande et d'occurrence d'aléas) et de valeurs liées à la satisfaction du client. En outre, les caractéristiques énergétiques et environnementales sont des paramètres primordiaux de la performance globale de l’outil de production. Il en résulte un besoin important de méthodologies et d'outils pouvant aider les décideurs à mieux intégrer et évaluer la notion de performance économique et énergétique dès la phase de la conception et/ou de la reconfiguration d'un système de production.

Ce stage a pour objectif de définir un modèle intelligent basé sur l’apprentissage automatique (Machine learning) pour l’évaluation de la performance d’un système de production allant de la définition du besoin jusqu’à la validation et le déploiement du système. L’étude doit établir un modèle analytique et algorithmique pour l’évaluation des performances d’un système de production énergétiquement efficace.  En effet, cette démarche définira les outils qui permettront d’analyser la performance économique et énergétique d’une ligne de production ou d’un atelier, de définir les besoins puis d’évaluer les différentes alternatives technologiques jusqu’à la validation finale de la solution.

Il s’agit de concevoir un outil de production moderne énergétiquement intelligent en se basant sur des indicateurs de performance adéquats pour évaluer son efficacité énergétique. Ces indicateurs doivent être alimentés à partir de données de production telles que : le plan de production, les paramètres de fiabilité des machines, les niveaux des stocks tampons et les temps d’inactivités des machines afin de garantir une meilleure utilisation des ressources énergétiques. De nouveaux indicateurs d'efficacité énergétique basés des données de production en temps réel sont à étudier afin d’identifier l’impact de la (ou des) machine(s) la (les) plus énergivore(s) concernant la performance économique du système de production.

Mots clés : Machine learning, évaluation de performance, algorithmes d’optimisation, efficacité énergétique

Références :

1. Cupek et al. (2017) Data Mining Techniques for Energy Efficiency Analysis of Discrete Production Lines. In: Nguyen N., Papadopoulos G., J?drzejowicz P., Trawi?ski B., Vossen G. (eds) Computational Collective Intelligence. ICCCI 2017. Lecture Notes in Computer Science, vol 10449. Springer,
2. Zavanella et al.( 2015) Energy demand in production systems: A Queuing Theory perspective. International Journal of Production Economics Volume 170, Part B, December 2015, Pages 393-400
3. Cupek et al. (2014) , "Online energy efficiency assessment in serial production - statistical and data mining approaches," 2014 IEEE 23rd International Symposium on Industrial Electronics (ISIE), Istanbul, 2014, pp. 189-194.
4. Wen Su et al. (2017): Reducing energy consumption in serial production lines with Bernoulli reliability machines, International Journal of Production Research, Pages 7356-7379.
5. Wen Su et al. (2016): Improving energy efficiency in Bernoulli serial lines: an integrated model, International Journal of Production Research, Pages 3414-3428.
6. Guorong Chen et al. (2016): Transient Performance Analysis of Serial Production Lines with Geometric Machines. IEEE TRANSACTIONS ON AUTOMATIC CONTROL, VOL. 61, NO. 4, 2016

Profil du candidat :

Le candidat devra être d’un niveau master 2 recherche (ou 5ème année en école d’ingénieurs) et posséder de solides connaissances en programmation mathématique et informatique et si possibles posséder une culture sur les algorithmes d’optimisation (recherche opérationnelle).

Il devra être motivé pour la recherche et le travail en équipe avec des bonnes capacités relationnelles et rédactionnelles.

Les dossiers de candidature sont à envoyer à : farah.chehade@utt.fr et yassine.ouazene@utt.fr

Début de la thèse : février 2019 (pour une durée de 5 à 6 mois)

Lieu du stage : Université de Technologie de Troyes (12 rue Marie Curie CS42060, Troyes 10004)