Human-inspired algorithms for designing new control system in the context of factory of the future - Université de Lorraine Accéder directement au contenu
Thèse Année : 2020

Human-inspired algorithms for designing new control system in the context of factory of the future

Algorithmes inspirés des sociales pour concevoir des nouveaux systèmes de pilotage dans le contexte de l'usine du futur

Résumé

The use of traditionally centralized control system does not able to meet the rapidly changing customer expectations, high product varieties, and shorter product life-cycles. In particular, the emergence of Cyber Physical System (CPS) which can be seen as interacting networks of physical and computational components has provided the foundation for many new factories’ infrastructures and improved the quality of products and processes. This Cyber Physical System has dramatically impacted the centrally predictive control system in responding to perturbation(s) in the current dynamic market characteristics. Urgent change for example is one of the common perturbations and has significant perturbing ability to a central predictive control system. Accordingly, it is now accepted that using agent-based control system improves the reactivity to treat these perturbation(s) until they are no longer limiting factors. In this study, the use of human-inspired interaction approach (by means of negotiation and consensus-based decision-making algorithms) is explored to design and propose a new control system. It has taken advantages from Industry 4.0 assets and encompassed heterogeneous and intelligent entities (mainly the product entities and resource entities) and discrete event systems. Each entity could have different capability (evolution, learning, etc.) and the whole physical and control system may lead emerging behaviors to dynamically adapt the perturbation(s). Hence, every intelligent entity decides when to broadcast its current state to neighbor entities and the controlling decision depends on the behavior of this state. The negotiation and consensus-based decision-making algorithms were initially formulated and modeled by networking all the contributing and heterogeneous entities considering two real industrial shop floors. Then after, simulation and application implementation tests on the basis of full-sized academic platform called TRACILOGIS platform have been conducted to verify and validate these decision-making algorithms. This has been done with expectations that the applicability of these algorithms will be more adaptable to set best priority-based product sequencing and rescheduling than another decision-making approach called pure reactive control approach. Accordingly, the experimental results have shown that the negotiation and consensus among the decisional entities have significantly minimized the impact of perturbation(s) on a production process launched on the TRACILOGIS platform. Meanwhile, using these two decision-making algorithms has conveyed better global performance (e.g., minimized makespan) over the pure reactive control approach.
Le pilotage centralisé traditionnel de système manufacturier n’est plus capable de répondre aux besoins du marché en termes d’attentes des clients, de la variété et du cycle de vie des produits. En particulier, l’émergence des systèmes Cyber-Physiques (CPS), vus comme des réseaux de composants physiques et informatiques en interaction, a impacté le pilotage central prédictif pour contrer les perturbations dans les actuelles caractéristiques dynamiques du marché. Par exemple, la modification urgente des besoins de l’entreprise est l’une des perturbations les plus communes qui impacte le planning central d’une manière significative. A l’heure actuelle, le pilotage distribué, pouvant être basé sur les systèmes multi-agent, permet d’améliorer la réactivité pour répondre à différents types de perturbations afin que celles-ci ne soient plus des facteurs contraignants le pilotage. Les travaux de cette thèse explorent la conception de nouveaux algorithmes de pilotage en se basant sur les approches d’interactions sociales, telles que la négociation ou la théorie du consensus). Ces algorithmes intègrent les avantages des actifs liés à l’industrie du futur et englobent différentes entités intelligentes et hétérogènes, ainsi que des systèmes à évènements discrets. Chaque agent peut avoir des capacités différentes, en termes d’évolution, d’apprentissage ou autre, permettant d’une manière globale d’obtenir des comportements émergeants qui s’adaptent dynamiquement aux perturbations rencontrées. Ainsi, chaque agent intelligent décide quand il transmet son état actuel à son voisinage et la décision locale dépend du comportement de l’état des agents. Afin de vérifier l’efficacité des algorithmes proposés (négociation et consensus), ceux-ci ont été modélisés et formulés en mettant en réseau toutes les entités intelligentes, le tout basé sur deux ateliers industriels. Les algorithmes ont ensuite été testés en simulation et d’une manière expérimentale sur la cellule flexible de production du plateau technique TRACILOGIS. Des comparaisons ont été faites avec l’algorithme réactif actuellement implémenté sur cette plateforme, afin de montrer l’applicabilité des algorithmes dans l’obtention de ré-ordonnancement et re-séquencement de produits par priorité. Par conséquent, les résultats expérimentaux réalisés sur TRACILOGIS ont montré que les algorithmes de négociation et de consensus ont minimisé l’impact des perturbations en obtenant de meilleures performances globales qu’auparavant.
Fichier principal
Vignette du fichier
DDOC_T_2020_0006_MEZGEBE.pdf (4.1 Mo) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)
Loading...

Dates et versions

tel-02510677 , version 1 (18-03-2020)

Identifiants

  • HAL Id : tel-02510677 , version 1

Citer

Tsegay Tesfay Mezgebe. Human-inspired algorithms for designing new control system in the context of factory of the future. Automatic. Université de Lorraine, 2020. English. ⟨NNT : 2020LORR0006⟩. ⟨tel-02510677⟩
184 Consultations
855 Téléchargements

Partager

Gmail Facebook X LinkedIn More