1,720,958 research outputs found
Détection des anomalies de type bourrage dans les centres de tri de déchets ménagers en production en temps réel à partir de séries temporelles grâce au développement et à l’implémentation d’algorithmes d’Intelligence Artificielle
No full textBy 2060, the Organization for Economic Co-operation and Development (OECD) has estimated that the amount of worldwide plastic waste will triple. And, only less than a fifth will be recycled and half will go to landfill. In France, from 2005 to 2017, the amount of recyclable waste increased by 35%. Moreover, sorting centers encounter a major and persistent problem in the sorting of household waste that has not been solved, conveyor belts jamming. Every day, the operators suffer conveyor belts jams because sorting waste is not easy. This is due to the complexity and unpredictable variability of the composition of the waste flow (entanglement of waste, weight, humidity, dirt …). Their job is also extremely difficult and dangerous, patrolling up to 12 km per working shift of 7h30 during which it may be necessary in the event of a jam to enter the machine and to manually clear the jammed waste. When one machine is jammed, for safety, all the waste sorting plant is shutdown, this impact sorting time and means less waste sorted. So, these jams limit the quantity of waste sorted, whereas waste sorting centers have a constraint to sort a certain amount of waste per week for legal hygiene and safety reasons. Detecting potential jams is therefore necessary. In addition, no efficient method is used to detect when a conveyor belt will be jammed by product overload. So, this thesis, through the state of the art in the field of anomaly detection aims to miss as few machine jams as possible to avoid production shutdowns and to ease the operators’ workloads. In addition, preventing jams means more waste sorted, more materials to reuse and less to incinerate or to bury. The constraint of an easy to explain algorithm to a novice in Artificial Intelligence had to be respected in the choice of these two methods. First, to detect jams on conveyor belts in waste sorting plants, with the possibility to classify some data by waste sorting experts, and due to multiple constraints, a supervised approach is chosen to confirm if it is possible to use Artificial Intelligence to detect a potential jam. The k-Nearest Neighbors (k-NN), a Machine Learning algorithm, is developed. And different versions of the k-NN model with diverse enhancements by adding normalization, rejection, adaptation of the training set, on site implementation and results are detailed in the second chapter. Even though the results of the k-NN are validated by the final users, a second method was necessary to try to gain time on the time-consuming step of creating a training and test data set for the algorithm for when the k-NN model needs to be regenerated. Therefore, an autoencoder artificial neural network, a Deep Learning algorithm, is tested to detect potential jams on conveyor belts in waste sorting centers. The method and results on real industrial data are explained in the third chapter, and allow concluding on also the feasibility of using an autoencoder model to detect potential jams on fault-free operating data only. This thesis concludes with the details of a parallel task, however, equally time-consuming, which is the implementation of a complete k-NN software solution in real time on site on different conveyor belts in parallel, to detect jams before the conveyor belts stop.D’ici 2060, l’Organisation de Coopération et de Développement Economiques (OCDE) estime que la quantité de déchets plastiques dans le monde triplera. Cependant, seulement moins d’un cinquième sera recyclé et la moitié sera mise en décharge. En France, de 2005 à 2017, la quantité de déchets recyclables a augmenté de 35 %. Par ailleurs, les centres de tri rencontrent un problème majeur non résolu et persistant dans le tri des déchets ménagers, à savoir les bourrages des tapis convoyeurs. Chaque jour, les opérateurs subissent des bourrages de tapis convoyeurs car le tri des déchets n'est pas chose aisée. Cela est dû à la complexité et à la variabilité imprévisible de la composition du flux de déchets (enchevêtrement de déchets, poids, humidité, saletés, erreurs de tri …). Leur travail est également extrêmement difficile et dangereux, en patrouillant jusqu'à 12 km durant 7h30 de travail pendant lesquelles il peut être nécessaire en cas de bourrage d’entrer dans la machine concernée et de dégager à la main les déchets coincés. Lorsqu'une machine est bourrée, par sécurité, toute l'installation de tri des déchets est arrêtée, cela impacte le temps de tri et signifie moins de déchets triés. Ainsi, ces bourrages limitent la quantité de déchets triés, alors que les centres de tri des déchets ont la contrainte de trier une certaine quantité de déchets par semaine pour des raisons légales d'hygiène et de sécurité. La détection des bourrages potentiels est donc nécessaire. Mais, aucune méthode efficace n’est utilisée pour détecter le moment où un tapis convoyeur sera bloqué par une surcharge de produit. Ainsi, cette thèse, à travers l’état de l’art dans le domaine de la détection d’anomalies vise à détecter de manière fiable et le plus rapidement possible les bourrages machine pour éviter les arrêts de production et alléger la charge de travail des opérateurs. De plus, éviter les bourrages signifie plus de déchets triés, plus de matériaux à réutiliser et moins à incinérer ou à enfouir. La contrainte d’un algorithme facile à expliquer à un novice en Intelligence Artificielle devait être respectée dans le choix des méthodes développées. Premièrement, pour détecter les bourrages sur les bandes transporteuses des centres de tri des déchets, avec la possibilité de classer certaines données par des experts en tri des déchets, et en raison de contraintes multiples, une approche supervisée est choisie pour confirmer s'il est possible d'utiliser l'Intelligence Artificielle pour détecter un bourrage potentiel. L’algorithme d'apprentissage automatique des k-plus proches voisins (k-NN) est développé. Et différentes versions du modèle k-NN avec diverses améliorations en ajoutant la normalisation, le rejet, l'adaptation de l'ensemble d’apprentissage, la mise en œuvre sur site et les résultats sont détaillés dans le deuxième chapitre. Même si les résultats du k-NN sont validés par les utilisateurs finaux, une deuxième méthode était nécessaire pour tenter de gagner du temps sur l'étape fastidieuse de création d'un ensemble de données d'apprentissage et de test pour l'algorithme lorsque le modèle k-NN doit être régénéré pour être adapté à l’ensemble des tapis convoyeur du centre de tri. Ainsi, un réseau de neurones artificiels auto-encodeur, un algorithme d’apprentissage profond, est testé pour détecter d’éventuels bourrages sur les tapis convoyeurs des centres de tri des déchets. La méthode et les résultats sur des données industrielles réelles sont expliqués dans le troisième chapitre, et permettent de conclure également sur la faisabilité d'utiliser un modèle d'auto-encodeur pour détecter des bourrages potentiels sur des données de fonctionnement sans anomalies uniquement. Cette thèse se conclut sur le détail d’une tâche parallèle, cependant tout aussi chronophage, qui est la mise en œuvre d’une solution logicielle complète du k-NN en temps réel sur site sur différents tapis convoyeurs, pour détecter les bourrages avant l'arrêt des tapis convoyeurs
Détection des anomalies de type bourrage dans les centres de tri de déchets ménagers en production en temps réel à partir de séries temporelles grâce au développement et à l’implémentation d’algorithmes d’Intelligence Artificielle
No full textBy 2060, the Organization for Economic Co-operation and Development (OECD) has estimated that the amount of worldwide plastic waste will triple. And, only less than a fifth will be recycled and half will go to landfill. In France, from 2005 to 2017, the amount of recyclable waste increased by 35%. Moreover, sorting centers encounter a major and persistent problem in the sorting of household waste that has not been solved, conveyor belts jamming. Every day, the operators suffer conveyor belts jams because sorting waste is not easy. This is due to the complexity and unpredictable variability of the composition of the waste flow (entanglement of waste, weight, humidity, dirt …). Their job is also extremely difficult and dangerous, patrolling up to 12 km per working shift of 7h30 during which it may be necessary in the event of a jam to enter the machine and to manually clear the jammed waste. When one machine is jammed, for safety, all the waste sorting plant is shutdown, this impact sorting time and means less waste sorted. So, these jams limit the quantity of waste sorted, whereas waste sorting centers have a constraint to sort a certain amount of waste per week for legal hygiene and safety reasons. Detecting potential jams is therefore necessary. In addition, no efficient method is used to detect when a conveyor belt will be jammed by product overload. So, this thesis, through the state of the art in the field of anomaly detection aims to miss as few machine jams as possible to avoid production shutdowns and to ease the operators’ workloads. In addition, preventing jams means more waste sorted, more materials to reuse and less to incinerate or to bury. The constraint of an easy to explain algorithm to a novice in Artificial Intelligence had to be respected in the choice of these two methods. First, to detect jams on conveyor belts in waste sorting plants, with the possibility to classify some data by waste sorting experts, and due to multiple constraints, a supervised approach is chosen to confirm if it is possible to use Artificial Intelligence to detect a potential jam. The k-Nearest Neighbors (k-NN), a Machine Learning algorithm, is developed. And different versions of the k-NN model with diverse enhancements by adding normalization, rejection, adaptation of the training set, on site implementation and results are detailed in the second chapter. Even though the results of the k-NN are validated by the final users, a second method was necessary to try to gain time on the time-consuming step of creating a training and test data set for the algorithm for when the k-NN model needs to be regenerated. Therefore, an autoencoder artificial neural network, a Deep Learning algorithm, is tested to detect potential jams on conveyor belts in waste sorting centers. The method and results on real industrial data are explained in the third chapter, and allow concluding on also the feasibility of using an autoencoder model to detect potential jams on fault-free operating data only. This thesis concludes with the details of a parallel task, however, equally time-consuming, which is the implementation of a complete k-NN software solution in real time on site on different conveyor belts in parallel, to detect jams before the conveyor belts stop.D’ici 2060, l’Organisation de Coopération et de Développement Economiques (OCDE) estime que la quantité de déchets plastiques dans le monde triplera. Cependant, seulement moins d’un cinquième sera recyclé et la moitié sera mise en décharge. En France, de 2005 à 2017, la quantité de déchets recyclables a augmenté de 35 %. Par ailleurs, les centres de tri rencontrent un problème majeur non résolu et persistant dans le tri des déchets ménagers, à savoir les bourrages des tapis convoyeurs. Chaque jour, les opérateurs subissent des bourrages de tapis convoyeurs car le tri des déchets n'est pas chose aisée. Cela est dû à la complexité et à la variabilité imprévisible de la composition du flux de déchets (enchevêtrement de déchets, poids, humidité, saletés, erreurs de tri …). Leur travail est également extrêmement difficile et dangereux, en patrouillant jusqu'à 12 km durant 7h30 de travail pendant lesquelles il peut être nécessaire en cas de bourrage d’entrer dans la machine concernée et de dégager à la main les déchets coincés. Lorsqu'une machine est bourrée, par sécurité, toute l'installation de tri des déchets est arrêtée, cela impacte le temps de tri et signifie moins de déchets triés. Ainsi, ces bourrages limitent la quantité de déchets triés, alors que les centres de tri des déchets ont la contrainte de trier une certaine quantité de déchets par semaine pour des raisons légales d'hygiène et de sécurité. La détection des bourrages potentiels est donc nécessaire. Mais, aucune méthode efficace n’est utilisée pour détecter le moment où un tapis convoyeur sera bloqué par une surcharge de produit. Ainsi, cette thèse, à travers l’état de l’art dans le domaine de la détection d’anomalies vise à détecter de manière fiable et le plus rapidement possible les bourrages machine pour éviter les arrêts de production et alléger la charge de travail des opérateurs. De plus, éviter les bourrages signifie plus de déchets triés, plus de matériaux à réutiliser et moins à incinérer ou à enfouir. La contrainte d’un algorithme facile à expliquer à un novice en Intelligence Artificielle devait être respectée dans le choix des méthodes développées. Premièrement, pour détecter les bourrages sur les bandes transporteuses des centres de tri des déchets, avec la possibilité de classer certaines données par des experts en tri des déchets, et en raison de contraintes multiples, une approche supervisée est choisie pour confirmer s'il est possible d'utiliser l'Intelligence Artificielle pour détecter un bourrage potentiel. L’algorithme d'apprentissage automatique des k-plus proches voisins (k-NN) est développé. Et différentes versions du modèle k-NN avec diverses améliorations en ajoutant la normalisation, le rejet, l'adaptation de l'ensemble d’apprentissage, la mise en œuvre sur site et les résultats sont détaillés dans le deuxième chapitre. Même si les résultats du k-NN sont validés par les utilisateurs finaux, une deuxième méthode était nécessaire pour tenter de gagner du temps sur l'étape fastidieuse de création d'un ensemble de données d'apprentissage et de test pour l'algorithme lorsque le modèle k-NN doit être régénéré pour être adapté à l’ensemble des tapis convoyeur du centre de tri. Ainsi, un réseau de neurones artificiels auto-encodeur, un algorithme d’apprentissage profond, est testé pour détecter d’éventuels bourrages sur les tapis convoyeurs des centres de tri des déchets. La méthode et les résultats sur des données industrielles réelles sont expliqués dans le troisième chapitre, et permettent de conclure également sur la faisabilité d'utiliser un modèle d'auto-encodeur pour détecter des bourrages potentiels sur des données de fonctionnement sans anomalies uniquement. Cette thèse se conclut sur le détail d’une tâche parallèle, cependant tout aussi chronophage, qui est la mise en œuvre d’une solution logicielle complète du k-NN en temps réel sur site sur différents tapis convoyeurs, pour détecter les bourrages avant l'arrêt des tapis convoyeurs
Going Beyond Counting First Authors in Author Co-citation Analysis
Get PDFThe present study examines one of the fundamental aspects of author co-citation analysis (ACA) - the way co-citation
counts are defined. Co-citation counting provides the data on which all subsequent statistical analyses and mappings
are based, and we compare ACA results based on two different types of co-citation counting - the traditional type that
only counts the first one among a cited work's authors on the one hand and a non-traditional type that takes into
account the first 5 authors of a cited work on the other hand. Results indicate that the picture produced through this non-traditional author co-citation counting contains more coherent author groups and is therefore considerably clearer. However, this picture represents fewer specialties in the research field being studied than that produced through the traditional first-author co-citation counting when the same number of top-ranked authors is selected and analyzed. Reasons for these effects are discussed
Variations on the Author
Get PDF“Variations on the Author” discusses two of Eduardo Coutinho’s recent films (Um Dia na Vida, from 2010, and Últimas Conversas, posthumously released in 2015) and their contribution to the general question of documentary authorship. The director’s filmography is characterized by a consistent yet self-effacing form of authorial self-inscription: Coutinho often features as an interviewer that rather than express opinions propels discourses; an interviewer that is good at listening. This mode of self-inscription characterizes him as an author who is not expressive but who is nonetheless markedly present on the screen. In Um Dia na Vida, however, Coutinho is completely absent form the image, while Últimas Conversas, on the contrary, includes a confessional prologue that moves the director from the margins to the center of his films. This article examines the ways in which these works stand out in the filmography of a director who offers new insights into the notion of cinematic authorship
Appropriate Similarity Measures for Author Cocitation Analysis
Get PDFWe provide a number of new insights into the methodological discussion about author cocitation analysis. We first argue that the use of the Pearson correlation for measuring the similarity between authors’ cocitation profiles is not very satisfactory. We then discuss what kind of similarity measures may be used as an alternative to the Pearson correlation. We consider three similarity measures in particular. One is the well-known cosine. The other two similarity measures have not been used before in the bibliometric literature. Finally, we show by means of an example that our findings have a high practical relevance.information science;Pearson correlation;cosine;similarity measure;author cocitation analysis
Dispelling the Myths Behind First-author Citation Counts
Get PDFWe conducted a full-scale evaluative citation analysis study of scholars in the XML research field to explore just how different from each other author rankings resulting from different citation counting methods actually are, and to demonstrate the capability of emerging data and tools on the Web in supporting more realistic citation counting methods. Our results contest some common arguments for the continued
use of first-author citation counts in the evaluation of scholars, such as high correlations between author rankings by first-author citation counts and other citation
counting methods, and high costs of using more realistic citation counting methods that are not well-supported by the ISI databases. It is argued that increasingly available digital full text research papers make it possible for citation analysis studies to go beyond what the ISI databases have directly supported and to employ more
sophisticated methods
koamabayili/VECTRON-author-checklist: VECTRON author checklist
No full textWe have done our best to complete the author checklist relating to the use of animals in the hut study. Note that the objective for the hut study was to evaluate the IRS treatment applications for residual efficacy against Anopheles mosquitoes, including the local An. coluzzii mosquito population. Cows were only used to attract mosquitoes into the huts and no tests were carried out directly on the cows. The author checklist is intended for use with studies where experiments are carried out on animals, which is why we have had such difficulty in completing this for the hut study, as many of the questions do not relate to how the cows were used
Author-wise bibliometric analysis based on entropy.
No full textAuthor-wise bibliometric analysis based on entropy.</p
- …
