Discomfort estimation using machine learning for pick and place tasks in industry
Estimation de l’inconfort ressenti par apprentissage pour des tâches de prise et dépose en industrie
Résumé
Most traditional MSD risk assessment methods are limited to the assessment of one or more risk factors at specific moment. Previous studies show that a link exists between discomfort and MSDs. In this thesis, we propose to investigate the possible interaction between discomfort and posture over time, assessed using a RULA score for a pick and place task using a linear approach. The inconclusive results of the fi rst part led us to develop an approach based on neural networks. This approach allows us to explore the relationship between discomfort and postural scores, anthropometric data and action parameters. A variable reduction method is then proposed in order to define the set of minimal variables that best explain the discomfort while preserving the performance of the initial network. Finally, we evaluate the relevance of adding joint pairs to the neural network by proposing and analysing the relevance of each joint pair for this type of task. This new method opens up prospects for the development of new approaches to multifactorial MSD risk assessment. This type of approach can help the professionals in the field during the design phase of workstations by integrating the prediction of discomfort with virtual mannequins.
La plupart des méthodes d’évaluation des risques de TMS traditionnelles se limitent à l’évaluation d’un ou plusieurs facteurs de risque à un instant donné. Les études antérieures montrent qu’un lien existe entre l’inconfort et les TMS. Au cours de cette thèse, nous proposons d’étudier l’interaction possible entre l’inconfort et la posture au cours du temps, évaluée à l’aide d’un score RULA pour une tâche de prise et dépose en utilisant une approche linéaire. Les résultats non concluants de la première partie, nous ont poussés à développer une approche fondée sur les réseaux de neurones. Cette dernière permet d’étudier la relation entre l’inconfort et les scores posturaux, données anthropométriques et paramètres de l’action. À la suite, une méthode de réduction de variables est proposée afin de définir l’ensemble des variables minimales expliquant au mieux l’inconfort en préservant la performance du réseau initial. Enfin, nous évaluons la pertinence d’ajouter des couples articulaires au réseau de neurones en proposant d’analyser la pertinence de chaque couple articulaire pour ce type de tâche. Cette nouvelle méthode ouvre des perspectives de développement de nouvelles approches d’évaluation multifactorielle du risque de TMS. Ce type d’approche peut aider les professionnels du domaine lors de la phase de conception des postes de travail en intégrant la prédiction de l’inconfort aux mannequins virtuels.
Origine : Fichiers produits par l'(les) auteur(s)