Polyfeed Optimisation using Techniques of Machine Learning
Contexte et enjeux
Ce projet fournit au partenaire industriel des outils reposant sur des techniques d’intelligence artificielle afin d’optimiser la calibration de sa machine Polyfeed.
Objectifs
Ce projet propose une solution flexible d’alimentation de pièces, dont les paramètres vibratoires sont réglés en fonction du type de pièces utilisées pour permettre d’obtenir une certaine cadence (pièces/min).
Le projet a été divisé en trois parties distinctes:
- Fine Tuning : outil d’optimisation des paramètres vibratoires de la machine avant sa livraison au client.
- Quoting : outil d’estimation de la cadence ne nécessitant pas une machine fonctionnelle et permettant de faire une offre à un client.
- Digital Services : outils de suivi du bon fonctionnement des machines en production.
Partenaires et financement
Projet financé par Innosuisse.
Résultats
- Fine Tuning: algorithmes validés testés sur différentes machines. L’optimisation bayésienne permet de dépasser le plus rapidement (minimisation du nombre d’itérations) les objectifs de cadence fixés.
- Quoting: réalisé via la réalisation d’un jumeau numérique.
- Digital Services: avance bien avec les premiers widgets complétés et encore quelques-uns à implémenter.
