Sujet de Thèse
Titre :
Pronostic de défaillance et optimisation d'aide à la décision pour la maintenance prédictive à base de Machine Learning combinant connaissances expertes et données process
Dates :
2019/10/01 - 2022/09/30
Encadrant(s) : 
Description :
I. CONTEXTE
La fabrication de l'acier sous toutes ses formes (bobines, plaques, fils...) est un processus complexe faisant intervenir de multiples opérations
successives (coulée continue, laminage à chaud, laminage à froid, recuit, galvanisation...) supportées par de nombreux outils industriels (fours,
cylindres, moteurs...). Chacun d'entre eux est soumis à de fortes contraintes, par exemple mécaniques et thermiques appliquées en continues ou
selon des cycles de production dépendant de la cadence de l'usine. Ainsi, ces contraintes de production conduisent l'ensemble des installations à
se dégrader, menant à une réduction de leurs performances voire à leur indisponibilité. Afin de réduire les pertes « non maîtrisées », qui
deviennent significatives lorsque l'on considère une production continue, d'autant plus à l'échelle d'un groupe comme ArcelorMittal, des
stratégies de maintenance préventive ont été mises en place. Cependant, bien que permettant de satisfaire la demande client en réduisant les arrêts
non-anticipés et en assurant la qualité produit, cette stratégie a l'inconvénient majeur qu'elle amène à réaliser des remplacements de matériel alors
que ce dernier permet encore de produire une qualité suffisante et que la panne peut être encore lointaine (intervention « trop tôt »). De plus, ce
type de maintenance n'évite pas un certain nombre de pannes résiduelles. Une évolution vers de la maintenance en « juste à temps » de type
prédictive (prévisionnelle au sens de la norme NF) est donc souhaitée chez ArcelorMittal afin de ne déployer des actions qu'en fonction de l'état
réel, et non plus supposé, des composants.
II. OBJECTIFS DE LA THESE
II.1 Objectif industriel
Le passage à une maintenance prédictive n'est a priori possible que par la mise à disposition de toutes les données pertinentes à la construction des
algorithmes des processus de pronostic et d'aide à la décision. En effet, dans ce contexte industriel, l'exploitation des données mesurées sur les
lignes et leurs historiques ainsi que les connaissances « métier » du groupe sur le fonctionnement des process doit permettre, à travers la
modélisation de leur impact sur les performances des machines, de déterminer la meilleure décision de maintenance à partir du couplage du
pronostic et de l'aide à la décision.
Cette thèse se construit donc sur cette combinaison originale de l'exploitation des données process et des données métiers pour le développement
conjoint des processus de pronostic et d'aide à la décision en maintenance prédictive.
Le déploiement de cette nouvelle orientation de maintenance sur les lignes de production d'ArcelorMittal est rendu difficile car nécessitant de
s'attaquer à cinq verrous industriels principaux : Données de faible qualité, complexes et l'hétérogénes, Small Dataset disponibles sur les
pannes (événements rares), Connaissances expertes « métiers » et leur intégration aux modèles prédictifs, Données massives dans le cadre de
modernisation des usines et de « l'industrie 4.0 » et l'application de méthodes de type Machine Learning, optimalité de la décision de maintenance
prédictive en considérant la dynamique forte des lignes de production.
II.2 Objectif scientifique
Pour apporter des réponses à ces verrous industriels, l'objectif principal de la thèse est de proposer des algorithmes de pronostic avancé couplés à
l'aide à la décision en maintenance prédictive basée sur des algorithmes de Machine Learning combinant de manière efficiente des connaissances
expertes, que le groupe ArcelorMittal possède sur ses installations, ses procédés, ses usines, et des données process.
Les contributions inhérentes à cet objectif se construisent autour de plusieurs verrous scientifiques découlant des verrous industriels, et qui se
matérialisent sous la forme des questions suivantes :
- Comment formaliser, dans un cadre commun, les connaissances hétérogènes sur les process de production (ex. données machines, données de
production et connaissance experte), et la maintenance ainsi que leur impact sur le processus de dégradation de chacun des composants voire de la
ligne de production ?
- Quels sont les algorithmes de pronostic les mieux adaptés aux problématiques formalisées dans le premier point et permettant de fournir les
éléments nécessaires pour la phase d'optimisation de décision en maintenance, comme par exemple le niveau de dégradation et le RUL ?
- Quels sont les éléments à intégrer dans le modèle d'optimisation (en dynamique) pour l'aide à la décision (sur la base des résultats du
pronostic) en regard des problématiques métiers maintenance en terme par exemple d'actions possibles et de planification et leur impact ?
- Comment utiliser de façon efficiente et efficace les algorithmes de Machine Learning pour le pronostic et l'aide à la décision en support aux
exigences soulevées dans les questions précédentes ?
Les originalités scientifiques majeures de la thèse en lien avec les verrous précédents sont par conséquent :
- La construction d'algorithmes avancés de pronostic pour augmenter sa robustesse en combinant des données process et des connaissances
expertes (vers un pronostic avec un degré de confiance pertinent).
- Le développement, en intégrant les résultats du pronostic avancé, d'un modèle d'aide à la décision pour la maintenance prédictive basé sur
les données et les connaissances expertes.
- Une approche d'optimisation de cette décision en réponse à la dynamique des composants et des installations.
- Le développement d'un modèle d'évaluation de l'efficacité des actions de maintenance prédictive mises en oeuvre par l'exploitation des
données process « après intervention » à des fins de rebouclage sur l'approche d'optimisation.
Ainsi, la contribution majeure envisagée de la thèse est le développement d'une approche originale basée sur les outils du Machine Learning qui
combine des modèles mathématiques guidés par des données avec des connaissances expertes formalisées, et ceci à des fins de mise en oeuvre de
processus de pronostic de dégradation de systèmes industriels et d'aide à la décision en maintenance prédictive. Il est planifié que l'ensemble de
ces contributions est à valider sur un cas d'application d'une installation réelle d'ArcelorMittal.
Département(s) : 
Modélisation Pilotage des Systèmes Industriels
Financement :
Thèse CIFRE avec ArcelorMital