Sujet de stage
Titre :
Modèles Markoviens et Semi-Markoviens à Entrées Sorties pour le pronostic de durée de vie.
Dates :
2022/03/01 - 2022/07/31
Encadrant(s) : 
Description :
Dans le cadre de l'industrie du futur, et plus spécifiquement de la maintenance prédictive (CBM+), il est nécessaire d'exploiter des
outils en capacité de pronostiquer la durée de vie résiduelle des composants ou de systèmes. Les modèles exploitables relèvent des
approches basées modèles ou basées données. Nous nous intéresserons ici aux approches basées données et plus particulièrement
des modèles stochastiques de type Markoviens Cachés (HMM).
Les modèles Markoviens Cachés sont des modèles présentant un certain intérêt pour le pronostic de durée de vie résiduelle. La
dégradation qui est généralement non mesurable, car c'est une notion complexe, est modélisée par un processus Markovien.
Plusieurs autres processus aléatoires sont associés et produisent des signaux observables conditionnés par l'état caché du processus
Markovien. Ce sont ces signaux que l'on mesure et qui informent sur l'état caché.
La dégradation physique d'un composant ou d'un système est dépendante des conditions d'exploitation. Il paraît donc logique de
conditionner le processus Markovien Caché par des variables exogènes conditionnant la vitesse d'évolution de ce processus vers
l'état final et donc la durée résiduelle de vie. Il s'agit là de modèles de type IOHMM (HMM à Entrées/Sorties), très
proche des modèles d'Intelligence Artificielle.
Comme les modèles HMM et IOHMM reposent sur un processus Markovien, ils sont sans mémoire c'est à dire que l'état futur ne
dépend que de l'état courant. De fait, la durée de séjour dans un état caché n'intervient pas, ce qui implique une durée résiduelle de
vie mal estimée. Il existe des modèles semi-Markoviens Cachés (HsMM) où la durée de vie est prise en compte mais ils ne sont pas
conditionnés par des processus exogènes (conditions opérationnelles). Pour profiter des avantages de ces deux types de modèles, il
faut développer des IOHsMM. C'est l'objet de ce travail de master.
Pour cela, le déroulement proposé est le suivant :
1. Appropriation des modèles HMM, IOHMM, HsMM via les outils disponibles
2. Benchmarking des modèles
3. Transformation du modèle HsMM en IOHsMM
4. Validation sur les données de Benchmark.
Bibliographie
SHAHIN K.I., Dynamic probabilistic graphical model applied to the system health diagnosis,
prognosis, and the remains useful life estimation Thèse de Doctorat de l'Université de
Lorraine, 2020
Mots clés :
Industrie4.0, Pronostic, Dégradation
Conditions :
Durée :5 Mois,
Employeur: Université de Lorraine,
Lieu d'Exercice: Faculté des Sciences de Nancy, CRAN
Profil Attendu: Etudiant en Master 2 en Automatique ou Mathématiques Appliquées ou Informatique ayant une bonne connaissance
des modèles probabilistes, sachant programmer sous matlab et ayant des connaissances sur les modèles physiques.
Département(s) : 
Ingénierie des Systèmes Eco-Techniques
Financement :
Département ISET - Gratification conforme à la législation (573,30 ¬/mois lissé)