Sujet de stage
Titre :
Apprentissage conjoint pour compenser les capteurs manquants dans le pronostic des machines
Dates :
2023/03/01 - 2023/09/30
Encadrant(s) :
Description :
Le contexte de ce stage est l'industrie du futur et plus particulièrement l'apport de la digitalisation et de l'Intelligence Artificielle à la gestion du pronostic et de la santé des machines (PHM).
Le PHM s'occupe de la maintenance des équipements qui est une activité critique et coûteuse : des études montrent que selon les industries, entre 15 et 70 % des coûts totaux de possession proviennent des activités de maintenance [3]. Néanmoins, la maintenance est devenue un levier important dans la capacité d'une entreprise à être compétitive en termes de performance et à fournir des produits de haute qualité à un prix raisonnable. À cette fin, le PHM a reçu beaucoup d'attention ces dernières années en raison de sa capacité à gérer les défaillances de manière anticipées.
Le processus de pronostic, qui fourni l'estimation de la durée de vie utile restante (RUL), en plus du diagnostic et de la détection des défauts, est le processus central du PHM, car il permet d'anticiper les défauts et de fournir des informations pertinentes sur le temps de défaillance aux décideurs de la maintenance. La durée de vie utile restante (RUL) d'un équipement est définie comme le temps restant entre le moment présent et le moment où il ne remplit plus la fonction pour laquelle il a été conçu. Un pronostic précis et fiable de la RUL fournit aux décideurs des informations précieuses pour adopter une stratégie de maintenance appropriée afin de maximiser l'utilisation des équipements et d'éviter les pannes coûteuses. De nombreux algorithmes de pronostic pour l'estimation du RUL ont été rapportés dans la littérature. Néanmoins, une tendance récente dans la littérature est l'utilisation d'approches d'apprentissage profond pour le pronostic.
Les approches d'apprentissage profond (DL) ont de multiples avantages potentiels qui ont été explorés dans divers domaines. Mais pour le pronostic, la pleinne capacité du DL n'a pas encore été exploitée en raison de la rareté des données représentatives dans des applications particulières et du manque de dataset disponiblent publiquement. Plusieurs facteurs peuvent être la cause de cet état de fait comme par exemple la maintenance préventive déjà appliqué, le manque de capteur pertinent installé et le coût élevé des essais pour obtenir des données "run to failure". Cela limite la recherche dans ce domaine alors que ces types d'applications ont un fort impact sur le monde industriel.
Pour surmonter ces défis, une approche basée sur le DL est d'être en mesure d'exploiter des ensembles de données multiples, mais ce n'est pas encore totalement atteint. L'une des raisons en est que même les ensembles de données collectés à partir de machines similaires peuvent avoir des caractéristiques d'entrée différentes, des conditions de fonctionnement différentes et des modes de défaillance différents. Dans ce stage, l'étudiant travaillera sur un sous-problème spécifique de ces derniers. Nous sommes intéressés au cas où nous ne disposons pas des mêmes caractéristiques entre les jeux de données support et cible, avec la possibilité que les caractéristiques du dataset cible soient moins représentatives de la dégradation que celles du dataset support, posant ainsi la question de savoir si le,manque d'information dans un dataset peut être compensée par d'autres jeux de données.
Pour explorer cette possibilité et construire un modèle qui peut bien généraliser, des approches d'adaptation de domaine, d'apprentissage par transfert et d'apprentissage conjoint doivent être explorées pour tirer le meilleur parti de plusieurs ensembles de données.
Pour réaliser les expériences, deux ensembles de données publiques (CMAPSS [4] et N-CMAPSS [1]) seront utilisés pour développer et évaluer l'approche proposée, car ce sont des références bien connues dans ce domaine. En outre, le modèle DL de base qui sera utilisé est celui proposé dans [2], qui est basé sur des cellules LSTM (ce modèle est susceptible d'être modifié en fonction des progrès réalisés).
est susceptible d'être modifié en fonction de l'avancement des travaux).
References:
[1] Manuel Arias Chao et al. "Aircraft engine run-to-failure dataset under real flight conditions for prognostics and diagnostics". In: Data 6.1 (2021), p. 5.
[2] Alaaeddine Chaoub et al. "Learning representations with end-to-end models for improved remaining useful life prognostic". In: European Conference of the Prognostics and Health Management Society. 2021.
[3] Christian Krupitzer et al. A Survey on Predictive Maintenance for Industry 4.0. 2020. arXiv:2002.08224 [cs.LG].
[4] Abhinav Saxena et al. "Damage propagation modeling for aircraft engine run-to-failure simulation". In: 2008 international conference on prognostics and health management. IEEE. 2008,pp. 1-9.
Le PHM s'occupe de la maintenance des équipements qui est une activité critique et coûteuse : des études montrent que selon les industries, entre 15 et 70 % des coûts totaux de possession proviennent des activités de maintenance [3]. Néanmoins, la maintenance est devenue un levier important dans la capacité d'une entreprise à être compétitive en termes de performance et à fournir des produits de haute qualité à un prix raisonnable. À cette fin, le PHM a reçu beaucoup d'attention ces dernières années en raison de sa capacité à gérer les défaillances de manière anticipées.
Le processus de pronostic, qui fourni l'estimation de la durée de vie utile restante (RUL), en plus du diagnostic et de la détection des défauts, est le processus central du PHM, car il permet d'anticiper les défauts et de fournir des informations pertinentes sur le temps de défaillance aux décideurs de la maintenance. La durée de vie utile restante (RUL) d'un équipement est définie comme le temps restant entre le moment présent et le moment où il ne remplit plus la fonction pour laquelle il a été conçu. Un pronostic précis et fiable de la RUL fournit aux décideurs des informations précieuses pour adopter une stratégie de maintenance appropriée afin de maximiser l'utilisation des équipements et d'éviter les pannes coûteuses. De nombreux algorithmes de pronostic pour l'estimation du RUL ont été rapportés dans la littérature. Néanmoins, une tendance récente dans la littérature est l'utilisation d'approches d'apprentissage profond pour le pronostic.
Les approches d'apprentissage profond (DL) ont de multiples avantages potentiels qui ont été explorés dans divers domaines. Mais pour le pronostic, la pleinne capacité du DL n'a pas encore été exploitée en raison de la rareté des données représentatives dans des applications particulières et du manque de dataset disponiblent publiquement. Plusieurs facteurs peuvent être la cause de cet état de fait comme par exemple la maintenance préventive déjà appliqué, le manque de capteur pertinent installé et le coût élevé des essais pour obtenir des données "run to failure". Cela limite la recherche dans ce domaine alors que ces types d'applications ont un fort impact sur le monde industriel.
Pour surmonter ces défis, une approche basée sur le DL est d'être en mesure d'exploiter des ensembles de données multiples, mais ce n'est pas encore totalement atteint. L'une des raisons en est que même les ensembles de données collectés à partir de machines similaires peuvent avoir des caractéristiques d'entrée différentes, des conditions de fonctionnement différentes et des modes de défaillance différents. Dans ce stage, l'étudiant travaillera sur un sous-problème spécifique de ces derniers. Nous sommes intéressés au cas où nous ne disposons pas des mêmes caractéristiques entre les jeux de données support et cible, avec la possibilité que les caractéristiques du dataset cible soient moins représentatives de la dégradation que celles du dataset support, posant ainsi la question de savoir si le,manque d'information dans un dataset peut être compensée par d'autres jeux de données.
Pour explorer cette possibilité et construire un modèle qui peut bien généraliser, des approches d'adaptation de domaine, d'apprentissage par transfert et d'apprentissage conjoint doivent être explorées pour tirer le meilleur parti de plusieurs ensembles de données.
Pour réaliser les expériences, deux ensembles de données publiques (CMAPSS [4] et N-CMAPSS [1]) seront utilisés pour développer et évaluer l'approche proposée, car ce sont des références bien connues dans ce domaine. En outre, le modèle DL de base qui sera utilisé est celui proposé dans [2], qui est basé sur des cellules LSTM (ce modèle est susceptible d'être modifié en fonction des progrès réalisés).
est susceptible d'être modifié en fonction de l'avancement des travaux).
References:
[1] Manuel Arias Chao et al. "Aircraft engine run-to-failure dataset under real flight conditions for prognostics and diagnostics". In: Data 6.1 (2021), p. 5.
[2] Alaaeddine Chaoub et al. "Learning representations with end-to-end models for improved remaining useful life prognostic". In: European Conference of the Prognostics and Health Management Society. 2021.
[3] Christian Krupitzer et al. A Survey on Predictive Maintenance for Industry 4.0. 2020. arXiv:2002.08224 [cs.LG].
[4] Abhinav Saxena et al. "Damage propagation modeling for aircraft engine run-to-failure simulation". In: 2008 international conference on prognostics and health management. IEEE. 2008,pp. 1-9.
Mots clés :
Maintenance prédictive, pronostic, Deep Learning, apprentissage fédéré
Conditions :
Gratification d'environ 550¬/mois
Durée: 5 à 6 mois
Date de début: Février-Mars 2023
Durée: 5 à 6 mois
Date de début: Février-Mars 2023
Département(s) :
| Modélisation Pilotage des Systèmes Industriels |
Financement :
AI-PROFICIENT
