Optimisation et contrôle du procédé d'injection des thermoplastiques : système d'aide au réglage d'une presse à injecter

• Auteur / Autrice : Marc-Philippe Toitgans
• Direction : Michel Vincent, Jean-Luc Wybo
• Type : Thèse de doctorat
• Discipline(s) : Sciences et Génie des Matériaux
• Date : Soutenance en 2000
• Etablissement(s) : ENSMP

Mots clés

Mots clés contrôlés

Thermoplastiques

Résumé

Dans cette étude est présentée une nouvelle approche pour formaliser le procédé d'injection des thermoplastiques et le réglage d'une presse à injecter. Un système informatique est développé pour assister le régleur en utilisant une technique d'intelligence artificielle : le raisonnement à partir de cas. En s'inspirant des taches d'un régleur expérimenté, nous élaborons une méthode pour l'aider dans son travail d'optimisation et de contrôle du procédé. Une formalisation du type contexte, problème action et effet de l'action représente une expérience de réglage. C'est l'objet élémentaire ou cas utilisé dans le système informatique développé et appelé arpi (aide au réglage d'une presse à injecter). Les connaissances du procédé sont issues de la bibliographie, de l'entretien d'experts et d'une étude expérimentale. Nous avons ainsi listé des données ou paramètres influents stables et reproductibles qui sont les entrées du système informatique arpi. La description du système arpi est la suivante. Les réglages de la presse à injecter et les données extraites des mesures effectuées au cours du procédé décrivent les conditions de production. L'évaluation du problème par le régleur consiste en l'ensemble des défauts des pièces produites dans ces conditions. Le système arpi recherche alors dans sa mémoire, les cas (situations de production) qui présentent les mêmes défauts. A partir des ces cas, il propose une solution de réglage pour corriger le problème. Le régleur peut appliquer ou de ne pas appliquer ce changement de réglage. L'effet connu, une nouvelle expérience de réglage est ainsi obtenue et apprise par arpi. Ainsi se termine un cycle de raisonnement à partir de cas. Un nouveau cycle de raisonnement peut commencer si un problème persiste. C'est la répétition de tels cycles qui conduit à améliorer la qualité avec succès comme cela est démontré sur une production industrielle de pièces automobiles. Cette approche du réglage d'une presse par l'apprentissage d'expériences élémentaires de réglage est ainsi efficace tout en évitant l'écueil d'une formalisation complexe du procédé. Quelle information garder à chaque nouvelle expérience, comment organiser la mémoire du système et comment réutiliser les expériences de modifications de réglages sont les questions traitées dans cette thèse et auxquelles nous proposons une réponse.

This study presents a new approach to formalize the injection molding process of thermoplastics and the setting of an injection molding machine. A computer system is developped to assist the technician by using a technique of artificial intelligence named the case nase reasoning. By being inspired by tasks of an experienced technician, we have elaborated a method to help a user during the phase of optimization and process control. A context, a problem, an action and the effect of the action represents the formalization of an experience of control. It is the elementary object or case used in the computer system developed and named ARPI (assistance to the setting of an injection molding machine). The knowledge of the process arises from the bibliography, from the interview of experts and from an experimental study. We extracted data or parameters whic are influent, stable and reproducible. They consist of the input of the computer system ARPI. The description of the system ARPI is the following one. The setting parameter of the machine and the data extracted from the measurements carried out during the process describe the conditions of production. The evaluation from the measurements carried out during the process describe the conditions of production. The ARPI systems looks then in its memory for the cases (situation of production) which present the same defects. From these cases, it proposes new settings to correct the problem. The user can or cannot apply this setting. As soon as the effect of this action is known, a new experiment of setting is obtained and learnt by ARPI. So ends a cycle of case based reasoning. A new cycle of reasoning can begin if a problem persists. It is the repetition of such cycles that leads to improve the quality sucessfully as it is demonstrated on an industrial production of an automotive fuel rail. This approach to optimize and control an injection molding machine by the learning of elementary experineces of settings is effective while avoiding a complex formalization of the process. Which information to keep in every new experience, how to organize the emmory of the system and how to reuse the experiences of past settings, are the questions treated in this thesis.