Sujet de Thèse
Titre :
Apprentissage automatique et raisonnement basés sur l'IA pour la maintenance prédictive dans l'industrie 4.0
Dates :
2022/10/01 - 2025/09/30
Encadrant(s) : 
Description :
Contexte :
Le futur doctorant sera recruté au CRAN pour développer sa thèse dans le cadre du projet Horizon Europe MODAPTO. Le projet MODAPTO a pour objectif de développer et déployer les systèmes de production modulaires et reconfigurables (Modular Manufacturing Systems et Reconfigurable Manufacturing Systems) en s'appuyant sur des modules de production augmentés par des Jumeaux Numériques interopérables. De plus, MODAPTO cherche à développer également une vue globale du système de production à travers de l'intelligence collective entre les modules afin d'optimiser le design de ligne de production et de modules, leur reconfiguration ainsi qu'un support à l'aide à la décision notamment pout la maintenance prédcitive.

Dans le cadre du projet MODAPTO, l'objectif cette thèse est d'adapter de développer un algorithme d'aide à la décision pour la maintenance prédictive basée sur l'IA pour l'industrie 4.0 à partir de connaissances hétérogènes. Cet algorithme sera validé sur des cas d'usage des sites pilotes du projet, dont SEW USOCOME. En tant que membre actif du CRAN, le doctorant sera impliqué dans le projet européen en participant au développement du projet, aux réunions, à la rédaction des livrables, à la présentation des progrès et des résultats...

Sujet de recherche : contexte et objectifs scientifiques
Dans les systèmes de production, la maintenance joue un rôle clé pour maintenir le système dans son espace d'opération nominal, principalement en anticipant les défaillances (e.g. maintenance prédictive). En effet, l'optimisation de la maintenance vise à maitriser, et à des coûts les plus bas possibles, les indicateurs clés de performance du système liés à la fois aux performances traditionnelles et aux « nouvelles » performances comme la durabilité. Dans le contexte de l'industrie 4.0, les systèmes de fabrication sont confrontés aux nouvelles méthodes de production plus flexibles/configurables et aussi aux nouvelles méthodes utilisées pour maintenir les installations afin de promouvoir l'agilité et la résilience requises. En particulier, avec le développement du concept de systèmes cyber-physiques (CPS)/systèmes cyber-physiques de production (CPPS), il apparaît une transformation numérique massive fournissant des données liées à l'état de santé des composants CPS/CPPS et aux conditions opérationnelles du système, qui peuvent aider, grâce à des techniques d'IA avancées, à mieux détecter les comportements anormaux des équipements (diagnostic), à prédire les futurs modes de défaillance (pronostic) et à soutenir, par anticipation, les décisions de maintenance (prise de décision proactive). Cependant, bien que de nombreuses techniques avancées d'IA soient aujourd'hui disponibles, leur application au pronostic et à la prise de décision de maintenance est encore. En effet, habituellement, les techniques d'IA sont conçues de manière ad hoc en relation avec un système de production déterminé. Néanmoins, les CPPS, dans le cadre d'un système de fabrication reconfigurable, peuvent changer leur structure pour s'adapter aux nouvelles exigences de production. En tant que telle, l'approche classique basée sur l'IA pour la maintenance prédictive doit être améliorée avec des capacités de raisonnement visant à intégrer des connaissances sur la structure et les contraintes du système permettant aux algorithmes de faire face à de tels changements.

Pour faire face à ce problème, l'objectif de ce doctorat est de développer une solution au défi actuel de la maintenance prédictive basée sur l'utilisation de techniques d'IA pour optimiser les actions de maintenance de manière dynamique et proactive (pour faire la bonne action, au bon endroit et juste à temps) pour les processus de fabrication reconfigurables en s'appuyant sur des capacités de raisonnement basées sur la formalisation des connaissances. Ainsi, le programme de doctorat est structuré en trois phases principales :
Phase 1 - Modélisation et formalisation des connaissances hétérogènes dans la maintenance prédictive pour les systèmes de fabrication reconfigurables : Le premier objectif est de définir, à partir du concept de CPPS et des processus de maintenance predictive, les principales caractéristiques à associer à la maintenance prédictive des systèmes CPS/CPPS. Ensuite, le second objectif est de modéliser les concepts et leurs relations associés. Le résultat devrait être une formalisation des connaissances (par exemple, les ontologies seront considérées comme un outil). Une base de connaissance sera alors réalisée en couplant l'ontologie à une base de données contenant les données.
Phase 2 - Développement d'une approche d'apprentissage automatique et de raisonnement basée sur l'IA pour la prise de décision en matière de maintenance prédictive : Les modèles proposés seront construits sur un ensemble de règles de décision appropriées et d'algorithmes d'IA avancés (par exemple, l'apprentissage par renforcement) qui permettent d'apprendre les règles de décision les plus pertinentes pour traiter la description du système et du système de soutien donné par la base de connaissances. De cette façon, les approches décisionnelles proposées basées sur l'IA devraient permettre non seulement de fournir une planification optimale de la maintenance en tenant compte des exigences associées au système maintenu (architecture reconfigurable, multifonction, etc.) et à son support (par exemple, pièces de rechange, compétences de maintenance), mais aussi d'être capable de mettre à jour efficacement la planification de la maintenance dans un contexte dynamique (par exemple, structure reconfigurable, multifonction/service, changement de système de support, apparition de nouvelles opportunités/contraintes de maintenance, etc.)
Phase 3 - Validation des modèles/approches proposés sur les études de cas pilotes : Les modèles/approches proposés seront appliqués aux études de cas industrielles du projet, incluant SEW USOCOME. Plusieurs mesures de performance seront sélectionnées pour évaluer la performance des modèles/approches proposés. Une étude sur l'ajustement/la validation des modèles/approches proposés devrait également être étudiée. Cette phase permettra de souligner, à partir des évaluations et des ajustements effectués, les avantages et les inconvénients de ces approches pour soutenir la prise de décision proactive en matière de maintenance.
Mots clés :
maintenance predictive, AI, optimisation, machine learning and reasoning
Département(s) : 
Ingénierie des Systèmes Eco-Techniques
Financement :
projet MODAPTO