Accédez aux ressources directement depuis les compétences, savoirs, activités professionnelles, centres d'intérêt des référentiels, ainsi qu'aux sujets d'examen et séminaires nationaux.
publié le 06 fév 2023 par François PESCHEUX
Cette étude, proposée par Olivier Tourvieille, permet de caractériser le comportement d'un robot "pick & place" implanté dans une chaine de production alimentaire.
L'activité conduite sous forme de TP est principalement déstinée aux élèves de CPGE. Avec quelques aménagements elle permet aussi une approche en classe pré-bac niveau terminale spécialité sciences de l'ingénieur et STI2D.
L’activité suivante propose de régler un robot pick & place de conditionnement de biscuits secs.
Elle débute par l’ajustement numérique du correcteur proportionnel intégral de l’asservissement d’un axe du robot. Cette partie s’appuie notamment sur une base de données des performances du système asservi et d’un réseau de neurones artificiels.
L’activité se poursuit avec l’enrichissement de la base de données existante à partir d’un outil de régression linéaire multiple.
Elle se termine par l’utilisation d’un algorithme adapté à l’identification du type de biscuit pour faciliter son conditionnement.
Objectif : Déterminer les réglages de la commande asservie du bras 1 du robot permettant d’assurer le déplacement demandé du biscuit.
Problème à résoudre :
- déterminer les réglages numériques du correcteur PI afin de satisfaire les exigences du cahier des charges ; - à partir d’une base de données relative aux performances du bras 1 du robot, déterminer les réglages des coefficients P et I du correcteur pour satisfaire les exigences du cahier des charges.
Objectif : Compléter partiellement la base de données existante relative aux performances du système asservi pour de nouvelles valeurs P et I du correcteur.
- compléter, par régression linéaire, la base de données des performances du système asservi pour de nouvelles valeurs P et I du correcteur ;
- comparer les performances du système déterminées à l’aide de l’application de régression linéaire (Regression Learner) et celles obtenues par simulation (modèle Simulink).
Objectif : Identifier le type de biscuit sec pour un conditionnement adapté.
- classer des images de biscuits secs en utilisant un réseau pré-entraîné basé sur une solution d’intelligence artificielle ;
- vérifier la qualité des réponses proposées par le réseau construit précédemment.
- rédiger quelques commentaires et proposer éventuellement des pistes d’amélioration du modèle d’apprentissage.