Contribution à l'optimisation du désassemblage pour la maintenance, la fin de vie et la reconception basée sur l'apprentissage par renforcement - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2023

Contribution to disassembly optimization for maintenance, end-of-life and redesign based on reinforcement learning

Contribution à l'optimisation du désassemblage pour la maintenance, la fin de vie et la reconception basée sur l'apprentissage par renforcement

Amal Allagui
  • Fonction : Auteur
  • PersonId : 1364303
  • IdRef : 276427025

Résumé

The process of disassembling mechanical parts represents a crucial stage in the product life cycle, and is recognized as a major economic challenge at industrial level. Furthermore, one of the major challenges is the automatic generation of optimized mechanism disassembly sequences.The subject of this thesis addresses the optimization of the disassembly sequence planning process in a maintenance or end-of-life context, and the consequent redesign of mechanical assemblies. The aim is to provide decision support in the maintenance and/or disassembly phase at end-of-life. Furthermore, underlining the importance of the time factor in the manufacturing industry and its high contribution to product production costs, this thesis aims to find a tool capable of providing an optimal disassembly sequence guaranteeing the minimum implementation time, while also minimizing the generation time of this sequence. The disassembly sequence optimization parameters considered are as follows: minimizing change of direction during disassembly operations, minimizing tool change, facilitating access to wear parts during disassembly for maintenance purposes, and favoring disassembly of small parts first. These results were used to propose alternative ways of redesigning CAD architectures for mechanical assemblies in order to optimize disassembly sequences.Following a needs analysis conducted using an MBSE approach, an in-depth state-of-the-art review was carried out to examine the work carried out in this field. Through this review, we were able to identify the research goals that guided our thesis objectives. To implement these approaches, we developed a software tool, using data from the CAD environment and a Python platform. We validated the effectiveness of this tool by applying it to several examples and comparing it with works from the literature.
Le processus de désassemblage des pièces mécaniques représente une étape cruciale dans le cycle de vie d'un produit, et il est reconnu comme un challenge économique important au niveau industriel. En outre, l'un des défis majeurs concerne la génération automatique des séquences optimisées de désassemblage de mécanismes.Le sujet de cette thèse adresse l'optimisation du processus de planification des séquences de désassemblage dans un contexte de maintenance ou de fin de vie, et la reconception conséquente des assemblages mécaniques. L'objectif est de fournir un support d'aide à la décision dans la phase de maintenance et/ou de désassemblage en fin de vie. En outre, soulignant l'importance du facteur temps dans l'industrie manufacturière et sa contribution élevée dans les coûts de production des produits, cette thèse vise à trouver un outil capable de fournir une séquence de désassemblage optimale garantissant le minimum de temps de mise en œuvre, tout en minimisant également le temps de génération de cette séquence. Les paramètres d'optimisation des séquences de démontage qui ont été considérés sont les suivants : minimiser le changement de direction lors des opérations de démontage, minimiser le changement d'outil, favoriser l'accès aux pièces d'usure lors du démontage pour la maintenance et favoriser le démontage des pièces de petite taille en premier lieu. Ces résultats ont été exploités pour proposer des alternatives de reconception des architectures CAO des assemblages mécaniques afin d'optimiser les séquences de démontage.Ainsi, après une analyse du besoin conduite avec une démarche MBSE, un état de l'art approfondi a été réalisé pour examiner les travaux effectués dans ce domaine. Au travers de cette revue, nous avons pu identifier les objectifs de recherche qui ont guidé nos objectifs de thèse. Pour mettre en œuvre ces approches, nous avons développé un outil informatique, cet outil a été réalisé en utilisant les données issues de l'environnement de CAO et d'une plateforme Python. Nous avons validé l'efficacité de cet outil en l'appliquant à plusieurs exemples et en le comparant avec des travaux issus de la littérature.
Fichier principal
Vignette du fichier
138321_ALLAGUI_2023_archivage.pdf (6.45 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-04506722 , version 1 (15-03-2024)

Identifiants

  • HAL Id : tel-04506722 , version 1

Citer

Amal Allagui. Contribution à l'optimisation du désassemblage pour la maintenance, la fin de vie et la reconception basée sur l'apprentissage par renforcement. Mécanique [physics]. Université Paris-Saclay; École nationale d'Ingénieurs de Monastir (Tunisie), 2023. Français. ⟨NNT : 2023UPAST183⟩. ⟨tel-04506722⟩
30 Consultations
6 Téléchargements

Partager

Gmail Facebook X LinkedIn More