Thèse dirigée par Thomas Croguennec, UMR Science et Technologie du Lait et de l'Œuf (STLO) et Mathieu Emily UMR Institut de recherche mathématique de Rennes (IRMAR)
 

Résumé

Les procédés agroalimentaires se composent d’un enchainement d’opérations unitaires utilisées pour transformer les matières premières en produits finis conformes aux exigences réglementaires et qualitatives. Pour y parvenir, les paramètres du procédé sont continuellement ajustés pour compenser la variabilité des matières premières, les dérives du procédé et les aléas de production. Ces ajustements sont facilités lorsque les relations entre les paramètres du procédé et indicateurs de performance industrielle sont connues ce qui est rarement le cas en industrie agroalimentaire. Les méthodes de modélisation basées sur les données industrielles offrent de nouvelles perspectives pour optimiser et prédire les indicateurs de performance qui sont parfois conflictuels. Leur optimisation simultanée nécessite des méthodes d'optimisation multi-objectifs pour identifier des solutions de compromis. Cette thèse propose une méthodologie combinant modélisation par apprentissage automatique et optimisation multi-objectifs pour améliorer la performance de deux usines agroalimentaires. Les méthodes d’apprentissage automatique modélisent les indicateurs de performance à partir des paramètres du procédé collectés. Ces modèles alimentent un algorithme d'optimisation multi-objectifs permettant d'identifier les trajectoires optimales du procédé. Son fonctionnement est optimisé par l’implémentation d’un nouveau critère d'arrêt. Cette méthodologie constitue un outil d'aide à la décision adapté aux contraintes industrielles et ouvre de nouvelles voies d'amélioration des procédés agroalimentaires.

Mots clés : Industrie agroalimentaire, Machine Learning, algorithmes multi-objectifs, procédé de transformation, indicateurs de performance.