Application d’un réseau de neurones artificiels auto-encodeur pour la détection de bourrages sur tapis convoyeurs en centre de tri de déchets

You, C., Adrot, O. et Flaus, J.-M. (2023) Application d’un réseau de neurones artificiels auto-encodeur pour la détection de bourrages sur tapis convoyeurs en centre de tri de déchets. Dans CIGI Qualita MOSIM 2023, Trois-Rivières, Québec, Canada DOI 10.60662/re4y-6g57.

Prévisualisation

Texte CIGI_QUALITA_MOSIM_2023_paper_8490.pdf Télécharger (1MB) | Prévisualisation

Résumé

En France, les déchets ménagers sont collectés et triés dans des centres de tri de déchets de collecte sélective. De 2005 à 2017, la quantité de déchets recyclables a augmenté de 35%. D'ici à 2026, l'Organisation de coopération et de développement économiques (OCDE) a estimé que dans le monde la quantité de déchets plastiques aura triplée. Et, seul moins d'un cinquième sera recyclé et la moitié ira à la décharge. Les centres de tri rencontrent un problème majeur et persistant au tri des déchets ménagers non résolu, les bourrages des tapis convoyeurs. Le flux de déchets entrant est de composition et consistance variable (matière, formes, humidité, enchevêtrement des déchets …) entraînant des bourrages non négligeables. Détecter de potentiels bourrages est donc nécessaire. Un réseau de neurones artificiels auto-encodeur est testé dans le but de détecter de potentiels bourrages sur tapis convoyeurs en centre de tri de déchets. La méthode et les résultats sur des données réelles sont détaillés.

In France, household waste is collected and sorted in waste sorting centers for selective waste collection. From 2005 to 2017, the amount of recyclable waste increased by 35%. By 2026, the Organization for Economic Co-operation and Development (OECD) has estimated that the amount of plastic waste worldwide will have tripled. And, only less than a fifth will be recycled and half will go to landfill. Sorting centers encounter a major and persistent problem in the sorting of household waste that has not been solved, conveyor belts jamming. The incoming waste flow is of variable composition and consistency (material, shapes, humidity, entanglement of waste, etc.) resulting in significant jams. Detecting potential jams is therefore necessary. An autoencoder artificial neural network is tested to detect potential jams on conveyor belts in waste
sorting centers. The method and the results on real data are detailed.

Type de document:	Document issu d'une conférence ou d'un atelier (NON SPÉCIFIÉ)
Mots-clés libres:	Détection de défauts Surveillance intelligente des procédés Intelligence artificielle Application à la détection de bourrages Tri de déchets
Date de dépôt:	16 août 2023 19:40
Dernière modification:	01 sept. 2023 19:18
URI:	https://collection-numerique.uqtr.ca/id/eprint/2037

Actions (administrateurs uniquement)

Éditer la notice