Design et conception automatisés + génération des instructions de fabrications de maisons personnalisées
Projet de maîtrise
Lien FSG: ici
Nous sommes à la recherche de deux personnes débrouillardes pour la réalisation de maîtrises dans le cadre de ce projet novateur. En collaboration avec une équipe de professionnels de recherche, ingénieurs du bois et ingénieure industrielle, vous contribuerez à la création d’une plateforme logicielle intelligente automatisant la conception des maisons sur la base des besoins, et générant de manière automatique les plans et instructions-machine. Vous partagerez votre temps en le Lab-Usine de l’Université Laval et l’usine du partenaire industriel… parce qu’un logiciel qui fabrique des maisons c’est important de le tester dans la vraie vie vraie, non? L’étudiante et l’étudiant pourront être inscrits (au choix) à la maîtrise en informatique ou en génie industriel. La formation antérieure peut-être en informatique, génie industriel, génie logiciel, génie informatique ou génie du bois, mais les habilités de programmation sont importantes. Un intérêt pour la géométrie tridimensionnelle est requis. Atouts: connaissance de l’optimisation, la programmation par contrainte.
Un financement de 25 000 $ par année est offert pendant 2 ans.
Évaluation du risque et de l’incidence algorithmique dans l’industrie 4.0 québécoise et ses impacts sur le rapport au travail
Projet de maîtrise
Lien FSG: ici
Encore loin d’être formalisées et utilisées de manière courante par le commun des mortels, les pratiques ERIA (l’évaluation du risque et de l’incidence algorithmique) font néanmoins implicitement parties des débats publics concernant la gouvernance des systèmes d’intelligence artificielle et leurs impacts, réels ou imaginés, sur la société, sur l’organisation du travail, ainsi que sur l’emploi et ses différentes dimensions, incluant les conditions de travail et la santé et sécurité du travail.
Ce projet de recherche vise à enrichir notre compréhension et proposer un cadre permettant de bien concevoir un système de gestion algorithmique de manière à ce que l’incidence algorithmique sur le rapport au travail dans le contexte de l’industrie 4.0 soit positive. À titre indicatif et sans prétendre à l’exhaustivité, lors de la conception de tels systèmes algorithmiques, nous chercherions à répondre à diverses questions qui mèneront à bien la conception de tels systèmes, par exemple :
- Quels sont les impacts de ces systèmes sur la santé psychosociale des travailleuses et travailleurs?
- Quelles sont les pratiques formelles et informelles d’évaluation du risque et de l’incidence algorithmique (ERIA) au sein de l’organisation et à quels moments interviennent-elles?
- Quels sont les effets des pratiques ERIA sur la santé psychosociale des travailleuses et travailleurs;
- Comment les opérateurs se représentent-ils l’implantation de systèmes de gestion algorithmique et la collaboration humain-machine?
- Quelles sont les réactions du personnel face à la décision algorithmique?
- Comment ces systèmes affectent-ils les pratiques de gestion des ressources humaines?
Il sera alors possible de construire un cadre destiné à évaluer non seulement l’impact de la mise en place de tels systèmes, mais aussi d’anticiper ces impacts lors de la conception dans le but d’influencer le design de ceux-ci.
Modèles prédictifs/prescriptifs de la durée de vie et du changement d’outils
Projet de maîtrise
Lien FSG: ici
APN est une usine fabriquant des pièces de métal de précision pour le secteur aéronautique et ayant un haut degré d’automatisation. Lors de la fabrication des pièces, il arrive fréquemment qu’un outil doive être changé (usure ou bris).
Dans ce projet, nous souhaitons développer des modèles prédictifs/prescriptifs de la durée de vie et du changement d’outils. Nous nous inspirerons des approches développées par les équipes des professeurs Gaudreault et Giguère qui possèdent une expertise dans la mise au point de modèle prédictifs hybrides. Ainsi, un réseau de neurones convolutif sera entraîné à la prédire de la durée de vie de l’outil en fonction de l’usage qui en est fait (ex : modèle de pièce utilisé par l’outil). Nous utiliserons également en entrée les scans 3D et/ou 2D des outils pris en début et en fin de vie de l’outil, les termes des modèles physiques théoriques fournis par les fabricants (lesquels, pris seuls, sont trop imprécis pour notre usage) et les données supplémentaires que sont les informations sur la composition des alliages et l’utilisation qui a été faite de l’outil.
Pilotage des micro-tâches manufacturières associées aux ressources humaines
Projet de maîtrise
Lien FSG: ici
APN est une usine fabriquant des pièces de métal de précision pour le secteur aéronautique et ayant un haut degré d’automatisation. Dans le cadre de travaux antérieurs nous avons développé en collaboration avec le Consortium de recherche en ingénierie des systèmes industriels 4.0 un système de planification et d’ordonnancement de la production. Celui-ci permet de déterminer l’ordonnancement de la fabrication des pièces. Le modèle a été développé à l’aide de la programmation par contraintes (PPC) et a déjà été intégré à nos systèmes de gestion de la production. Récemment, un modèle de simulation (simulation à événements discrets) a également été développé. Ce simulateur permettra d’évaluer l’impact de différentes approches (nombre d’opérateurs, nombre de machines, spécialisation des opérateurs par types de tâches ou de machines, etc.).
Dans ce projet de maitrise, nous nous intéressons au côté du pilotage / exécution en temps réel de la production. En effet, une multitude de tâches incombent encore aux opérateurs. Certaines peuvent être déduites naturellement du plan de production (ex : réaliser les setups au début de la production d’une série), mais d’autres tâches sont moins prévisibles (ex : intervention à la suite d’un problème). Nous allons réaliser le modèle de prise de décision destiné à affecter, en temps réel, les tâches aux opérateurs. Le modèle sera développé à l’aide de la programmation par contraintes, une approche qui a fait ses preuves pour l’ordonnancement en contexte de nombreuses contraintes associées au degré de spécialisation des employés. Il sera connecté au simulateur à des fins de test, puis connecté à l’entreprise pour une utilisation sur le plancher.
Modèles prédictifs/prescriptifs pour la stabilité et le contrôle du procédé et pilotage des micro-tâches manufacturières associées aux ressources humaines
Projet de doctorat
Lien FSG: ici
APN est une usine fabriquant des pièces de métal de précision pour le secteur aéronautique. Lors de la fabrication d’une série de pièces d’un modèle donné, différentes caractéristiques sont à respecter (ex : longueur, diamètre interne, etc.).
Dans une première étude, des modèles prédictifs/prescriptifs seront développés pour assurer stabilité et contrôle lors du procédé. Tout d’abord, nous souhaitons connaitre la fréquence de mesurage pour chaque caractéristique afin de s’assurer que chaque pièce soit conforme. Les approches de type six-sigma pour le contrôle de la qualité sont difficiles, voire impossible à utiliser. Nous préconisons plutôt l’analyse de données historique fabriquées pour des séries de pièces produites avec des fréquences de mesurage différentes afin de générer un modèle prédisant la valeur espérée d’une caractéristique en fonction de la fréquence de mesurage, du nombre de pièces produites depuis la dernière mesure/action corrective. Il s’agit donc d’une approche d’ajustement de courbe (curve fitting). Ensuite, nous utiliserons une approche basée sur l’apprentissage par renforcement dans le but de créer un modèle capable de déterminer automatiquement la fréquence de mesurage des pièces en fonction de la qualité demandée.
Pour ce projet, nous travaillerons avec les professeurs Gaudreault (expertise en modèles prédictif et prise de décision pour le secteur manufacturier) et Durand (titulaire d’une chaire en apprentissage par renforcement).
Dans une deuxième étude, le doctorant, qui sera soutenu par un étudiant à la maîtrise, s’intéressera au côté du pilotage / exécution en temps réel de la production. APN utilise présentement un système de planification et d’ordonnancement de la production. Celui-ci permet de déterminer l’ordonnancement de la fabrication des pièces. Le modèle a été développé à l’aide de la programmation par contraintes (PPC) et a déjà été intégré à nos systèmes de gestion de la production. Le doctorant réalisera le modèle de prise de décision destiné à affecter, en temps réel, les tâches aux opérateurs. Le modèle sera développé à l’aide de la programmation par contraintes, une approche qui a fait ses preuves pour l’ordonnancement en contexte de nombreuses contraintes associées au degré de spécialisation des employés. Il sera connecté au simulateur (résultat d’une étude préliminaire) à des fins de test, puis connecté à l’entreprise pour une utilisation sur le plancher.
Détection de défectuosités basée sur l’analytique et l’intelligence artificielle en contexte industriel 4.0
Projet de maîtrise
Alstom a développé, en collaboration avec différents partenaires, une cellule de soudage robotisée. Le processus de soudage est naturellement sujet à la création de défauts mineurs sur les pièces, p. ex., une légèrement expansion de la pièce. Dans certains cas, les déformations cumulées de plusieurs pièces provoquent une défectuosité d’une plus grande pièce lors de l’assemblage ce qui par conséquent occasionne des délais et des coûts.
Or, il est difficile d’anticiper les défectuosités occasionnées par le processus de soudage pour minimiser les délais et les coûts. L’objectif de ce projet est d’utiliser des méthodes issues de l’analytique prédictive et de l’apprentissage automatique (intelligence artificielle) pour anticiper les défectuosités plus tôt dans la chaîne de production en fonction des séquences de mesures observées sur la machine et des données issues de son opération.
Les capteurs installés sur l’équipement permettent de recueillir des données sur la tâche accomplie et sur leur statut, p. ex., mesures de pièces ou images de pièces soudées. De même, des données sur le processus et sur l’utilisation des équipements sont disponibles, p. ex., les carnets de commandes. L’étudiant devra (1) inventorier les données accessibles pour l’étude, mais aussi celles non présentement recueillies, mais nécessaires, (2) traiter ces données dans le but de les rendre utilisables pour l’analyse, puis (3) exploiter celles-ci pour la création de modèles prédictifs visant à anticiper les défectuosités et quantifier les gains potentiels liés à l’utilisation de tels modèles.
Finalement, les données recueillies pourraient permettre une maintenance conditionnelle des équipements, p. ex., prévoir les changements des torches de soudage en fonction des tâches effectuées. Ce dernier point sera exploré en fonction du temps et des données disponibles.
Ce projet sera supervisé par Michael Morin et co-supervisé par Jonathan Gaudreault.