• Langue : Anglais
• Discipline : Automatique, productique
• Identifiant : 2020LILUI061
• Type de thèse : Doctorat
• Date de soutenance : 15/12/2020

Résumé en langue originale

La fabrication textile joue un rôle important dans l'économie mondiale. Face à une concurrence mondiale croissante, les entreprises textiles tentent de promouvoir la flexibilité de fabrication en s’appuyant sur le concept de fabrication intelligente issu de l'industrie 4.0. Ainsi, le futur développement des processus de production textile reposera de plus en plus sur un cycle de fabrication plus court et une qualité supérieure. Cependant, les relations complexes entre les paramètres provenant des nombreux procédés textiles et la grande variété de produits rend le contrôle et l’optimisation de la fabrication très difficile. Afin de surmonter ces problèmes, des techniques intelligentes de modélisation des processus et d’apprentissage à partir de données expérimentales sont utilisées dans cette thèse pour optimiser la fabrication textile.Dans cette thèse une étude approfondie de la littérature est menée sur les travaux précédents concernant la modélisation et l'optimisation du processus de fabrication textile à l'aide de techniques intelligentes. La synthèse de ces travaux, des avantages et inconvénients des différentes techniques, ont fourni une base théorique et une direction de recherche sur la méthodologie à suivre. Trois sous-études ont ainsi été développées. La première étude de cas spécifique porte sur la modélisation des processus d'ozonation des textiles à l'aide de réseaux neuronaux de type “extreme learning machine” (ELM), de régression par machines à vecteurs “support vector regression” (SVR) et de forêt d’arbres décisionnels “random forest” (RF). Les modèles SVR et RF ont montré les meilleures aptitudes à modéliser les interrelations incertaines des variables dans le processus textile avec un nombre réduit de données d'apprentissage, mais nécessite des temps d’exécution plus importants. Sur la base des modèles RF établis, un nouveau système d'aide à la décision multicritères a ensuite été développé, dans une deuxième étude, pour l'optimisation textile en combinaison avec une méthode de hiérarchie multicritère, “analytical hierarchy process” (AHP), et de l'algorithme Deep Q-networks (DQN). Le processus textile est alors formalisé comme un processus de décision markovien, “Markov decision process” (MDP). Le résultat obtenu par ce modèle montre qu'il est possible de contrôler les relations décisionnelles complexes qui régissent le processus de fabrication textile. Dans la troisième étude, afin de mieux répondre à la complexité croissante de ce problème en milieu industriel, le système développé est intégrée dans un système multi-agents pour l'optimisation multi-objectifs du processus de fabrication textile. Les différents systèmes proposés permettent d'optimiser le processus de fabrication textile et aider les industries textiles à converger vers une fabrication intelligente pour maintenir leur compétitivité.

Résumé traduit

Textile manufacturing plays an important role in the world economy. While the globally increasing competition is stressing the textile companies to promote the manufacturing flexibility, as a trend of intelligent manufacturing in Industry 4.0, the future development of the textile manufacturing process will increasingly rely on shorter cycle and higher quality. However, the complicated intricate relationship between the large-scale parameter variables from a variety of textile processes makes it seem incredibly difficult. In order to overcome these issues, intelligent techniques are employed in this thesis to promote textile manufacturing from the process modeling and optimization.In this Ph.D. research, a thorough investigation and literature review regarding the previous studies on modeling and optimization of the textile manufacturing process using intelligent techniques. A series of the summarizations were determined in pros and cons, which provided a theoretical foundation and research direction for the subsequent studies. Three sub-studies thus were developed: A specific case study on textile ozonation process modeling using extreme learning machine (ELM), support vector regression (SVR) and random forest (RF) was developed, where the SVR models and RF models were found that both can well address the uncertain interrelationships of variables in the textile process modeling with less training data, but their requirement on training time is different. On the basis of the established RF models, a novel multi-criteria decision support system was then developed for textile optimization with the collaboration of the analytical hierarchy process (AHP) and the Deep Q-networks (DQN) algorithm, where the textile process is formulated as the Markov decision process (MDP) paradigm, and the application result showed that it can master the challenging decision-making tasks in the textile manufacturing process. To better address the growing complexity in this issue, the application of this developed system is further integrated into a multi-agent system for multi-objective optimization in the textile manufacturing process. The developed systems can optimize the textile process and help companies maintain competence in the trend of intelligent manufacturing in the textile industry.