Sujet de Thèse
Titre :
Modèles basés sur l'apprentissage par renforcement pour aider à la prise de décision en maintenance prédictive dans le contexte de l'industrie 4.0
Dates :
2020/11/01 - 2023/10/31
Encadrant(s) :
Description :
Contexte:
Cette thèse s'inscrit dans le cadre du projet européen H2020-ICT AI-PROFICIENT (Artificial Intelligence for improved PROduction efFICIEncy, quality and maiNTenance; 2020-2023) qui a pour objet de développer et déployer des techniques issues de l'IA (favoriser par l'Industrie 4.0; i4.0) afin de fournir des capacités avancées d'autonomie, de surveillance, de décision ... aux équipements de production, compatibles dans une synergie de fonctionnement avec l'Humain.
Par conséquent l'objectif de cette thèse est de développer, dans le contexte de l'i4.0, des modèles basés sur l'apprentissage par renforcement pour aider à la prise de décision en maintenance prédictive au sein des nouveaux systèmes de production (vers du smart manufacturing). En termes de cadre applicatif, ces modèles se référeront aux problématiques issues des sites de démonstration choisis pour le projet AI-PROFICIENT (usine de fabrication de pneumatiques de CONTINENTAL à Sarreguemines et les sites de production de polymères d'INEOS Olefins & Polymers de Geel (Belgique) et de Cologne en Allemagne). Ces sites seront utilisés aussi pour mener des phases de validation de ces modèles et démontrer leur valeur ajoutée.
Contexte scientifique et sujet de recherche détaillé
L'optimisation de la maintenance vise à contrôler de manière idéale, avec un coût de maintenance le plus bas possible, les indicateurs clés de performance (KPI-Key Performance Indicators) du système industriel. Cette optimisation est d'autant plus difficile à atteindre que dans le contexte de l'i4.0, les nouvelles technologies déployées viennent complexifier les problématiques du maintien en condition opérationnelle (MCO) et qu'à ces nouveaux systèmes industriels digitalisés viennent se conférer des propriétés émergentes d'agilité, de résilience. Cette transformation digitale aboutit par conséquent à la création de nouveaux systèmes de production dénommés systèmes cyber-physiques (CPS) ou plus précisément systèmes de production cyber-physiques (CPPS). Dans ces systèmes, la donnée est mise à disposition de façon massive aussi bien au niveau opérationnel (ex. données du process), que tactique et stratégique. En ce sens, de nombreuses données sont utilisables pour améliorer les capacités du MCO, par exemple celles relatives à l'état de santé des composants CPS/CPPS, aux conditions opérationnelles du système. En effet elles peuvent aider, grâce à des techniques avancés d'IA (ex., réseau de neurones récurrents, apprentissage par renforcement, etc), à mieux détecter les comportements anormaux des équipements (phase de diagnostic), à prédire la date/mode de défaillance futur (phase de pronostic ; calcul d'un RUL) et à optimiser, par anticipation, les décisions en maintenance (prise de décision proactive). Toutefois, bien qu'un grand nombre de techniques d'IA avancées soient désormais disponibles, leur application, passage à l'échelle dans le domaine du pronostic et de la prise de décision proactive en maintenance de système industriels fortement contraints est très limitée et manque encore cruellement de fondements, de méthodes et d'outil. Ces challenges se réfèrent à des verrous scientifiques plus précis que la thèse se doit d'aborder comme :
- l'élaboration du pronostic des KPIs au niveau système en utilisant des techniques d'IA avancées;
-la modélisation des règles de décision adaptées en maintenance et la recherche du planning de maintenance optimal basé sur l'apprentissage par renforcement dans un contexte dynamique/évolutif du système.
Ces challenges/verrous s'inscrivent pleinement dans les communautés du PHM - Prognostics and Health Management (IEEE PHM, PHM society), de l'ESRA, de l'IFAC (TC5.1., TC6.4), du CIRP, ...
En lien avec les verrous précédemment cités, trois contributions majeures seront développées :
(1) Une contribution au pronostic d'indicateur de performance (KPI) de niveau système (ou machines). L'objectif est de développer des approches basées sur l'IA permettant de prédire les KPI du système en tenant compte non seulement des résultats pronostiqués pour les KPI (fiabilité prévisionnelle / durée de vie résiduelle-RUL) de niveau composant, mais aussi des interactions entre composants et par voie de conséquence des interactions entre KPI système/KPI composant variant en regard des missions/fonctions du système à accomplir. Les résultats des pronostics des KPI seront utilisés pour la prise de décision en matière de maintenance prédictive lors de la deuxième phase.
(2) Une contribution relative au développement des modèles d'aide à la décision en maintenance basés sur l'apprentissage par renforcement. Ces modèles seront construits sur un ensemble de règles de décision appropriées et d'algorithmes d'IA avancés permettant d'apprendre les règles de décision les plus pertinentes en regard de la situation courante à partir des données observées, et des KPIs estimés aux niveaux composant et système. Ces modèles devraient ainsi permettre non seulement de fournir une planification optimale de la maintenance en tenant compte à la fois des exigences associées au système maintenu et à son système de soutien, mais aussi de pouvoir mettre à jour efficacement et dynamiquement le planning de maintenance dans un contexte évolutif car industriel.
(3) Une contribution relative à la validation des modèles/approches proposés sur les sites de démonstration du projet. Les contributions menées dans les phases 1 et 2 seront appliquées sur les installations industrielles des 3 sites de démonstration. Plusieurs mesures de performance (des métriques) seront sélectionnées et/ou adaptées pour évaluer les performances des modèles/approches proposés. Sur la base des résultats obtenus, une phase itérative d'adaptation/modification des contributions sera potentiellement réalisée. Ces résultats permettront aussi de conclure sur les avantages/inconvénients de ces approches centrées IA pour la prise de décision en maintenance dans un contexte d'i4.0.
Toutes ces contributions s'appuient sur des outils scientifiques qui sont majoritairement des outils mathématiques/statistiques (ex. processus stochastiques, intégral de Choquet) et des algorithmes d'IA (ex. réseau de neurones récurrent, apprentissage par renforcement). Ces différentes propositions de modélisation et développement seront mises en oeuvre sur le logiciel Matlab, Python.
Cette thèse s'inscrit dans le cadre du projet européen H2020-ICT AI-PROFICIENT (Artificial Intelligence for improved PROduction efFICIEncy, quality and maiNTenance; 2020-2023) qui a pour objet de développer et déployer des techniques issues de l'IA (favoriser par l'Industrie 4.0; i4.0) afin de fournir des capacités avancées d'autonomie, de surveillance, de décision ... aux équipements de production, compatibles dans une synergie de fonctionnement avec l'Humain.
Par conséquent l'objectif de cette thèse est de développer, dans le contexte de l'i4.0, des modèles basés sur l'apprentissage par renforcement pour aider à la prise de décision en maintenance prédictive au sein des nouveaux systèmes de production (vers du smart manufacturing). En termes de cadre applicatif, ces modèles se référeront aux problématiques issues des sites de démonstration choisis pour le projet AI-PROFICIENT (usine de fabrication de pneumatiques de CONTINENTAL à Sarreguemines et les sites de production de polymères d'INEOS Olefins & Polymers de Geel (Belgique) et de Cologne en Allemagne). Ces sites seront utilisés aussi pour mener des phases de validation de ces modèles et démontrer leur valeur ajoutée.
Contexte scientifique et sujet de recherche détaillé
L'optimisation de la maintenance vise à contrôler de manière idéale, avec un coût de maintenance le plus bas possible, les indicateurs clés de performance (KPI-Key Performance Indicators) du système industriel. Cette optimisation est d'autant plus difficile à atteindre que dans le contexte de l'i4.0, les nouvelles technologies déployées viennent complexifier les problématiques du maintien en condition opérationnelle (MCO) et qu'à ces nouveaux systèmes industriels digitalisés viennent se conférer des propriétés émergentes d'agilité, de résilience. Cette transformation digitale aboutit par conséquent à la création de nouveaux systèmes de production dénommés systèmes cyber-physiques (CPS) ou plus précisément systèmes de production cyber-physiques (CPPS). Dans ces systèmes, la donnée est mise à disposition de façon massive aussi bien au niveau opérationnel (ex. données du process), que tactique et stratégique. En ce sens, de nombreuses données sont utilisables pour améliorer les capacités du MCO, par exemple celles relatives à l'état de santé des composants CPS/CPPS, aux conditions opérationnelles du système. En effet elles peuvent aider, grâce à des techniques avancés d'IA (ex., réseau de neurones récurrents, apprentissage par renforcement, etc), à mieux détecter les comportements anormaux des équipements (phase de diagnostic), à prédire la date/mode de défaillance futur (phase de pronostic ; calcul d'un RUL) et à optimiser, par anticipation, les décisions en maintenance (prise de décision proactive). Toutefois, bien qu'un grand nombre de techniques d'IA avancées soient désormais disponibles, leur application, passage à l'échelle dans le domaine du pronostic et de la prise de décision proactive en maintenance de système industriels fortement contraints est très limitée et manque encore cruellement de fondements, de méthodes et d'outil. Ces challenges se réfèrent à des verrous scientifiques plus précis que la thèse se doit d'aborder comme :
- l'élaboration du pronostic des KPIs au niveau système en utilisant des techniques d'IA avancées;
-la modélisation des règles de décision adaptées en maintenance et la recherche du planning de maintenance optimal basé sur l'apprentissage par renforcement dans un contexte dynamique/évolutif du système.
Ces challenges/verrous s'inscrivent pleinement dans les communautés du PHM - Prognostics and Health Management (IEEE PHM, PHM society), de l'ESRA, de l'IFAC (TC5.1., TC6.4), du CIRP, ...
En lien avec les verrous précédemment cités, trois contributions majeures seront développées :
(1) Une contribution au pronostic d'indicateur de performance (KPI) de niveau système (ou machines). L'objectif est de développer des approches basées sur l'IA permettant de prédire les KPI du système en tenant compte non seulement des résultats pronostiqués pour les KPI (fiabilité prévisionnelle / durée de vie résiduelle-RUL) de niveau composant, mais aussi des interactions entre composants et par voie de conséquence des interactions entre KPI système/KPI composant variant en regard des missions/fonctions du système à accomplir. Les résultats des pronostics des KPI seront utilisés pour la prise de décision en matière de maintenance prédictive lors de la deuxième phase.
(2) Une contribution relative au développement des modèles d'aide à la décision en maintenance basés sur l'apprentissage par renforcement. Ces modèles seront construits sur un ensemble de règles de décision appropriées et d'algorithmes d'IA avancés permettant d'apprendre les règles de décision les plus pertinentes en regard de la situation courante à partir des données observées, et des KPIs estimés aux niveaux composant et système. Ces modèles devraient ainsi permettre non seulement de fournir une planification optimale de la maintenance en tenant compte à la fois des exigences associées au système maintenu et à son système de soutien, mais aussi de pouvoir mettre à jour efficacement et dynamiquement le planning de maintenance dans un contexte évolutif car industriel.
(3) Une contribution relative à la validation des modèles/approches proposés sur les sites de démonstration du projet. Les contributions menées dans les phases 1 et 2 seront appliquées sur les installations industrielles des 3 sites de démonstration. Plusieurs mesures de performance (des métriques) seront sélectionnées et/ou adaptées pour évaluer les performances des modèles/approches proposés. Sur la base des résultats obtenus, une phase itérative d'adaptation/modification des contributions sera potentiellement réalisée. Ces résultats permettront aussi de conclure sur les avantages/inconvénients de ces approches centrées IA pour la prise de décision en maintenance dans un contexte d'i4.0.
Toutes ces contributions s'appuient sur des outils scientifiques qui sont majoritairement des outils mathématiques/statistiques (ex. processus stochastiques, intégral de Choquet) et des algorithmes d'IA (ex. réseau de neurones récurrent, apprentissage par renforcement). Ces différentes propositions de modélisation et développement seront mises en oeuvre sur le logiciel Matlab, Python.
Mots clés :
maintenance prédictive, pronostic, apprentissage par renforcement, optimisation
Conditions :
Durée de thèse: 3 ans
Laboratoire d'accueil: ISET/CRAN - Ecole IAEM/Université de Lorraine
Candidat souhaité: Etudiant M2 (orientation R) ou ingénieur avec profil en sûreté de fonctionnement, maintenance/ automatique et possédant un bagage de base en IA.
Laboratoire d'accueil: ISET/CRAN - Ecole IAEM/Université de Lorraine
Candidat souhaité: Etudiant M2 (orientation R) ou ingénieur avec profil en sûreté de fonctionnement, maintenance/ automatique et possédant un bagage de base en IA.
Département(s) :
| Modélisation Pilotage des Systèmes Industriels |
Financement :
Salaire : 2130¬ brut/mois
