Sujet de Thèse
Titre :
Analyse prédictive basée sur l'IA pour la prédiction de panne de systèmes industriels à partir des données événementielles
Dates :
2025/03/15 - 2028/03/14
Encadrant(s) :
Autre(s) encadrant(s) :
Cavalcante Cristiano (c.a.v.cavalcante@random.org.br)
Description :
Contexte :
Ce projet de thèse s'inscrit dans le cadre du projet ANR PRCI avec Brésil TECHMAINT (Event-based predictive analytics for health management of industrial systems) qui cherche à développer des modèles d'analyse prédictive à partir de données événementielles pour le contrôle et le bilan de santé de systèmes industriels. Dans ce sens, l'objectif de cette thèse est de développer des modèles de pronostics basée sur l'IA pour la prédiction de pannes de systèmes industriels
Contexte scientifique et sujet de recherche détaillé
Avec le développement rapide des technologies de l'information et de la captation/détection, tel que prôné par l'initiative Industrie 4.0, le PHM (Prognostics and Health Management) est désormais étudiée dans les systèmes industriels pour la gestion de la santé et du pronostic de défaillance/performance en fin de garantir leur fiabilité, leur soutien logistique et leur viabilité économique. Le PHM est une philosophie récente déployée dans les systèmes industriels qui vise à pronostiquer, à partir de données en temps réel, l'évolution de l'état du système sur la base de sa surveillance passée, courante et de ses futures missions afin d'anticiper ses pannes. Ainsi, le PHM est référencé au cadre de l'analyse prédictive en exploitant des outils de l'IA pour développer des modèles prédictifs pertinents à partir des données collectées en temps réel (CM-condition monitoring). Cependant, la surveillance continue est généralement coûteuse, voire impossible à faire dans certaines applications industrielles. Une alternative est d'utiliser des données discrètes représentatives des événements recensés sur le système (ex. alarmes, modes). Les données d'événements fournissent des informations utiles sur ce qui s'est passé et ce qui a été fait au système. Elles sont traitées via des automates programmables (PLCs), des systèmes de supervision, SCADA, etc., ou via des inspections, et peuvent être considérées, dans la plupart des cas, comme des informations ou des indicateurs intéressants car elles sont déjà traitées pour être sémantiquement cohérentes. Ainsi, ces données fournissent des informations riches sur le fonctionnement du système (sans ajouter de capteurs, même si certains événements sont dérivés de CM) et sur son processus de dégradation. Le pronostic se construit alors à partir de la reconnaissance de séquence d'événements discrets, leurs règles d'occurrence et leurs interactions. Cependant, le développement et l'application du pronostic basé sur les données discrètes dans des applications industrielles manquent encore cruellement de fondements, de méthodes et d'outils. En effet, entre autres, la proposition de méthodologies efficaces de reconnaissance de séquence d'événements discrets et le développement de modèles avancés pour le pronostic de défaillance/ durée de vie résiduelle (Remaining Useful Life- RUL) constituent un défi scientifique majeur pour la mise en oeuvre concrète de cette nouvelle orientation. Ce défi s'inscrit pleinement dans la discipline scientifique/industriel PHM mais aussi dans les communautés IFAC (TC5.1., TC6.4) ou CIRP.
L'objectif de cette thèse est de développer des approches prédictives innovantes basées sur les données d'événements afin d'estimer la durée de vie résiduelle (RUL) des systèmes industriels, tout en surmontant les limites des méthodes traditionnelles de maintenance prédictive. Les approches proposées intègrent des techniques avancées de prédiction basées sur l'Intelligence Artificielle (IA) ainsi que des modèles hybrides combinant les atouts des deux méthodologies. De plus, ces approches seront validées à l'aide d'études de cas industriels réels, garantissant leur applicabilité pratique et leur intégration dans les processus de prise de décision en maintenance. Les approches/modèles proposés seront testés et validés par des jeux de données expérimentaux et/ou des cas d'usage industriels réels.
Ce travail s'inscrit dans le cadre de la thèse en cotutelle entre l'UL et l'UFPE (Université fédérale du Pernambouc, Brésil). Le travail visé dans cette de thèse sera mené à l' UFPE pendant 18 premier mois et à l'UL pendant 18 mois restant.
Le planning prévisionnelle :
1. Développement d'approches de pronostic basées sur l'IA à partir de données d'événements/modèles :
a. Réaliser une revue de littérature approfondie sur les approches probabilistes de pronostic.
b. Développer et améliorer des méthodes avancées de pronostic basées sur l'IA.
c. Appliquer les méthodes proposées à des ensembles de données industrielles d'événements discrets.
d. Rédiger des articles scientifiques et des rapports techniques documentant les résultats.
2. Développement d'approches hybrides de pronostic utilisant des données d'événements/modèles :
a. Effectuer une revue de littérature approfondie sur les approches hybrides de pronostic.
b. Concevoir et affiner des méthodes hybrides avancées, intégrant des approches probabilistes et basées sur l'IA.
c. Valider les méthodes hybrides à l'aide de jeux de données industriels d'événements discrets.
d. Produire des publications scientifiques et des rapports techniques.
3. Analyse de performance et optimisation de la maintenance par une prise de décision éclairée :
a. Ãvaluer et comparer la performance des approches de pronostic proposées.
b. Ãtudier leur application pour optimiser les stratégies de maintenance.
4. Rédaction de la thèse doctorale.
Ce projet de thèse s'inscrit dans le cadre du projet ANR PRCI avec Brésil TECHMAINT (Event-based predictive analytics for health management of industrial systems) qui cherche à développer des modèles d'analyse prédictive à partir de données événementielles pour le contrôle et le bilan de santé de systèmes industriels. Dans ce sens, l'objectif de cette thèse est de développer des modèles de pronostics basée sur l'IA pour la prédiction de pannes de systèmes industriels
Contexte scientifique et sujet de recherche détaillé
Avec le développement rapide des technologies de l'information et de la captation/détection, tel que prôné par l'initiative Industrie 4.0, le PHM (Prognostics and Health Management) est désormais étudiée dans les systèmes industriels pour la gestion de la santé et du pronostic de défaillance/performance en fin de garantir leur fiabilité, leur soutien logistique et leur viabilité économique. Le PHM est une philosophie récente déployée dans les systèmes industriels qui vise à pronostiquer, à partir de données en temps réel, l'évolution de l'état du système sur la base de sa surveillance passée, courante et de ses futures missions afin d'anticiper ses pannes. Ainsi, le PHM est référencé au cadre de l'analyse prédictive en exploitant des outils de l'IA pour développer des modèles prédictifs pertinents à partir des données collectées en temps réel (CM-condition monitoring). Cependant, la surveillance continue est généralement coûteuse, voire impossible à faire dans certaines applications industrielles. Une alternative est d'utiliser des données discrètes représentatives des événements recensés sur le système (ex. alarmes, modes). Les données d'événements fournissent des informations utiles sur ce qui s'est passé et ce qui a été fait au système. Elles sont traitées via des automates programmables (PLCs), des systèmes de supervision, SCADA, etc., ou via des inspections, et peuvent être considérées, dans la plupart des cas, comme des informations ou des indicateurs intéressants car elles sont déjà traitées pour être sémantiquement cohérentes. Ainsi, ces données fournissent des informations riches sur le fonctionnement du système (sans ajouter de capteurs, même si certains événements sont dérivés de CM) et sur son processus de dégradation. Le pronostic se construit alors à partir de la reconnaissance de séquence d'événements discrets, leurs règles d'occurrence et leurs interactions. Cependant, le développement et l'application du pronostic basé sur les données discrètes dans des applications industrielles manquent encore cruellement de fondements, de méthodes et d'outils. En effet, entre autres, la proposition de méthodologies efficaces de reconnaissance de séquence d'événements discrets et le développement de modèles avancés pour le pronostic de défaillance/ durée de vie résiduelle (Remaining Useful Life- RUL) constituent un défi scientifique majeur pour la mise en oeuvre concrète de cette nouvelle orientation. Ce défi s'inscrit pleinement dans la discipline scientifique/industriel PHM mais aussi dans les communautés IFAC (TC5.1., TC6.4) ou CIRP.
L'objectif de cette thèse est de développer des approches prédictives innovantes basées sur les données d'événements afin d'estimer la durée de vie résiduelle (RUL) des systèmes industriels, tout en surmontant les limites des méthodes traditionnelles de maintenance prédictive. Les approches proposées intègrent des techniques avancées de prédiction basées sur l'Intelligence Artificielle (IA) ainsi que des modèles hybrides combinant les atouts des deux méthodologies. De plus, ces approches seront validées à l'aide d'études de cas industriels réels, garantissant leur applicabilité pratique et leur intégration dans les processus de prise de décision en maintenance. Les approches/modèles proposés seront testés et validés par des jeux de données expérimentaux et/ou des cas d'usage industriels réels.
Ce travail s'inscrit dans le cadre de la thèse en cotutelle entre l'UL et l'UFPE (Université fédérale du Pernambouc, Brésil). Le travail visé dans cette de thèse sera mené à l' UFPE pendant 18 premier mois et à l'UL pendant 18 mois restant.
Le planning prévisionnelle :
1. Développement d'approches de pronostic basées sur l'IA à partir de données d'événements/modèles :
a. Réaliser une revue de littérature approfondie sur les approches probabilistes de pronostic.
b. Développer et améliorer des méthodes avancées de pronostic basées sur l'IA.
c. Appliquer les méthodes proposées à des ensembles de données industrielles d'événements discrets.
d. Rédiger des articles scientifiques et des rapports techniques documentant les résultats.
2. Développement d'approches hybrides de pronostic utilisant des données d'événements/modèles :
a. Effectuer une revue de littérature approfondie sur les approches hybrides de pronostic.
b. Concevoir et affiner des méthodes hybrides avancées, intégrant des approches probabilistes et basées sur l'IA.
c. Valider les méthodes hybrides à l'aide de jeux de données industriels d'événements discrets.
d. Produire des publications scientifiques et des rapports techniques.
3. Analyse de performance et optimisation de la maintenance par une prise de décision éclairée :
a. Ãvaluer et comparer la performance des approches de pronostic proposées.
b. Ãtudier leur application pour optimiser les stratégies de maintenance.
4. Rédaction de la thèse doctorale.
Mots clés :
Pronostics, PHM, IA, modèle guidé par les données, données événémentielles
Département(s) :
| Modélisation Pilotage des Systèmes Industriels |
Financement :
Projet ANR TECHMAINT (18 mois) + Bourse de thèse du Brésil (18 mois)
Publications :