Sujet de Thèse
Titre :
Contribution à la prévision de pannes de produits industriels par approche hybride combinant Intelligence artificielle et modèles physiques - Application aux produits de Schneider Electric
Dates :
2024/11/25 - 2027/11/24
Etudiant :
Encadrant(s) :
Autre(s) encadrant(s) :
Cathignol Augustin (augustin.cathignol@se.com)
Description :
I. Contexte et objectif de la thèse :
Cette thèse est une proposition de thèse CIFRE qui s'inscrit dans le contexte industriel de Schneider Electric avec pour objectif une amélioration des performances des produits vendus (ex : disjoncteurs, transformateurs, onduleurs, batteries, etc.) à travers le déploiement d'une maintenance prédictive. Cette thèse est construite sur une synergie entre Schneider Electric France (l'industriel) et le Centre de Recherche en Automatique de Nancy (CRAN-UMR CNRS 7039 ; l'académique) de l'Université de Lorraine. Le CRAN est un acteur scientifique reconnu aussi bien au niveau national qu'international sur les problématiques de pronostic et d'aide à la décision en maintenance (prédictive) dans le cadre en autres des communautés PHM (Prognostics and Health Management) au sein des fédérations GdR MACS, IEEE, PHM society, IFAC et CIRP.
Dans le cadre de cette thèse, nous nous intéresserons plus particulièrement au coeur de l'algorithme de prévision des pannes. En effet, l'objectif de cette thèse consiste à développer des méthodes de prévision permettant de combiner de manière optimisée la connaissance physique des experts et les techniques les plus avancées d'IA. Cette connaissance physique peut prendre des formes variées : très structurées (équations, modèles) ou moins structurées (observations, avis d'experts), quantitative ou qualitative ...
II. Verrous scientifiques et contributions attendues :
Globalement, les approches de pronostic développées peuvent être classifiés en deux groupes : approches basées sur les modèles (model-based approaches) et approches guidées par les données (data-driven approaches) pour la prévision de défaillance ou la durée de vie résiduelle d'un système. Les approches basées sur les modèles consistent à modéliser physiquement le système, y compris les mécanismes de dégradation de défaillances associés. Ces approches sont parfois très difficiles à utiliser pour des applications réelles en raison de la complexité du modèle à réaliser pour s'approcher au mieux de la complexité du système réel, de la prise en compte de l'ensemble de ses modes de dégradation mais aussi des facteurs d'influence, de la mise à jour du modèle ... De plus, ces approches présentent de faibles performances en situation d'utilisation « temps réel ». A contrario, avec le développement rapide des techniques de l'apprentissage automatique (Machine Learning) et de l'intelligence artificielle (IA), les approches guidées par les données telles que la régression de processus gaussien (GPR), les machines à vecteurs de support (VSM), les réseaux de neurones artificiels (ANN), offrent de nouvelles perspectives au pronostic. Par rapport aux approches basées sur les modèles, les approches guidées par les données sont non paramétriques et ne tiennent pas compte, initialement, de connaissances à priori sur le système. Ces approches peuvent résoudre des problèmes complexes, cependant leur performance dépend fortement de la quantité et de la qualité des données disponibles. Une orientation originale pour résoudre ces limitations tout en conservant les avantages d'une approche orientée données est de s'orienter vers des approches hybrides, reposant à la fois sur la connaissance physique des systèmes et sur les techniques d'intelligence artificielle utilisant ainsi en synergie des modèles et les données. Ces hybridations sont à considérer comme des solutions prometteuses pour améliorer la performance et le temps de calcul des approches purement données. Par exemple, les PINNs (Physics-Informed Neural Networks) constituent une nouvelle (2019) classe de réseaux de neurones qui combinent apprentissage automatique et lois physiques.
A ce jour, les approches hybrides existantes sont majoritairement proposées pour des systèmes spécifiques (ex., système de production, machines-outils) avec des types de connaissances physiques particulières. Elles ne sont donc pas directement applicables aux systèmes/produits développés par Schneider Electric.
Face à ce constat, nous avons pour objet dans cette thèse de fonder une méthodologie (générique) en support à l'hybridation qui permette de combiner efficacement les techniques les plus avancées d'IA et les connaissances physiques des experts que le groupe Schneider Electric possèdent non seulement sur ses produits, mais aussi sur les lignes qui les fabriquent, et les données qui sont générées. Un des enjeux majeurs est donc la capacité à intégrer diverses formes de connaissance dans la méthode de prévision de pannes. Le travail théorique consistera à la fois à évaluer les techniques existantes (par ex. les PINNs, les approches bayésiennes et les techniques de construction de jumeaux numérique) et à en créer des nouvelles afin de construire une méthodologie adaptée aux différents types de données et de connaissances physiques et métier.
Les originalités scientifiques majeures de la thèse en lien avec les enjeux précédents sont, par conséquent :
- La formalisation de connaissances hétérogènes (physiques, métiers) d'experts sur le processus de dégradation/défaillance ;
- Le développement d'une méthodologie en support à une hybridation de pronostics permettant de combiner de manière efficace les données disponibles et les connaissances d'experts formalisées ;
- Une proposition de métriques permettant d'évaluer la performance et la robustesse de cette hybridation de pronostics en regard d'un objectif de prévision de défaillance avec un certain degré de confiance ;
- La considération pour cette méthodologie des éléments contextuels adaptés aux besoins et exigences de Schneider Electric en regard du déploiement efficient d'une maintenance prédictive sur ses produits.
Tout au long de la thèse le (la) doctorant(e) s'appuiera sur des cas très concrets et variés de Schneider Electric pour lesquels sont disponibles, d'une part des données acquises sur les systèmes lors de campagnes d'endurance jusqu'à défaillance ainsi que des connaissances physiques et des connaissances métier apportées par les divers experts internes à la société. Les systèmes sur lesquels cette méthodologie sera appliquée sont variés (disjoncteurs, transformateurs, onduleurs, batteries, machines industrielles) et permettront donc d'éprouver et d'améliorer le caractère généralisable de la méthode.
Cette thèse est une proposition de thèse CIFRE qui s'inscrit dans le contexte industriel de Schneider Electric avec pour objectif une amélioration des performances des produits vendus (ex : disjoncteurs, transformateurs, onduleurs, batteries, etc.) à travers le déploiement d'une maintenance prédictive. Cette thèse est construite sur une synergie entre Schneider Electric France (l'industriel) et le Centre de Recherche en Automatique de Nancy (CRAN-UMR CNRS 7039 ; l'académique) de l'Université de Lorraine. Le CRAN est un acteur scientifique reconnu aussi bien au niveau national qu'international sur les problématiques de pronostic et d'aide à la décision en maintenance (prédictive) dans le cadre en autres des communautés PHM (Prognostics and Health Management) au sein des fédérations GdR MACS, IEEE, PHM society, IFAC et CIRP.
Dans le cadre de cette thèse, nous nous intéresserons plus particulièrement au coeur de l'algorithme de prévision des pannes. En effet, l'objectif de cette thèse consiste à développer des méthodes de prévision permettant de combiner de manière optimisée la connaissance physique des experts et les techniques les plus avancées d'IA. Cette connaissance physique peut prendre des formes variées : très structurées (équations, modèles) ou moins structurées (observations, avis d'experts), quantitative ou qualitative ...
II. Verrous scientifiques et contributions attendues :
Globalement, les approches de pronostic développées peuvent être classifiés en deux groupes : approches basées sur les modèles (model-based approaches) et approches guidées par les données (data-driven approaches) pour la prévision de défaillance ou la durée de vie résiduelle d'un système. Les approches basées sur les modèles consistent à modéliser physiquement le système, y compris les mécanismes de dégradation de défaillances associés. Ces approches sont parfois très difficiles à utiliser pour des applications réelles en raison de la complexité du modèle à réaliser pour s'approcher au mieux de la complexité du système réel, de la prise en compte de l'ensemble de ses modes de dégradation mais aussi des facteurs d'influence, de la mise à jour du modèle ... De plus, ces approches présentent de faibles performances en situation d'utilisation « temps réel ». A contrario, avec le développement rapide des techniques de l'apprentissage automatique (Machine Learning) et de l'intelligence artificielle (IA), les approches guidées par les données telles que la régression de processus gaussien (GPR), les machines à vecteurs de support (VSM), les réseaux de neurones artificiels (ANN), offrent de nouvelles perspectives au pronostic. Par rapport aux approches basées sur les modèles, les approches guidées par les données sont non paramétriques et ne tiennent pas compte, initialement, de connaissances à priori sur le système. Ces approches peuvent résoudre des problèmes complexes, cependant leur performance dépend fortement de la quantité et de la qualité des données disponibles. Une orientation originale pour résoudre ces limitations tout en conservant les avantages d'une approche orientée données est de s'orienter vers des approches hybrides, reposant à la fois sur la connaissance physique des systèmes et sur les techniques d'intelligence artificielle utilisant ainsi en synergie des modèles et les données. Ces hybridations sont à considérer comme des solutions prometteuses pour améliorer la performance et le temps de calcul des approches purement données. Par exemple, les PINNs (Physics-Informed Neural Networks) constituent une nouvelle (2019) classe de réseaux de neurones qui combinent apprentissage automatique et lois physiques.
A ce jour, les approches hybrides existantes sont majoritairement proposées pour des systèmes spécifiques (ex., système de production, machines-outils) avec des types de connaissances physiques particulières. Elles ne sont donc pas directement applicables aux systèmes/produits développés par Schneider Electric.
Face à ce constat, nous avons pour objet dans cette thèse de fonder une méthodologie (générique) en support à l'hybridation qui permette de combiner efficacement les techniques les plus avancées d'IA et les connaissances physiques des experts que le groupe Schneider Electric possèdent non seulement sur ses produits, mais aussi sur les lignes qui les fabriquent, et les données qui sont générées. Un des enjeux majeurs est donc la capacité à intégrer diverses formes de connaissance dans la méthode de prévision de pannes. Le travail théorique consistera à la fois à évaluer les techniques existantes (par ex. les PINNs, les approches bayésiennes et les techniques de construction de jumeaux numérique) et à en créer des nouvelles afin de construire une méthodologie adaptée aux différents types de données et de connaissances physiques et métier.
Les originalités scientifiques majeures de la thèse en lien avec les enjeux précédents sont, par conséquent :
- La formalisation de connaissances hétérogènes (physiques, métiers) d'experts sur le processus de dégradation/défaillance ;
- Le développement d'une méthodologie en support à une hybridation de pronostics permettant de combiner de manière efficace les données disponibles et les connaissances d'experts formalisées ;
- Une proposition de métriques permettant d'évaluer la performance et la robustesse de cette hybridation de pronostics en regard d'un objectif de prévision de défaillance avec un certain degré de confiance ;
- La considération pour cette méthodologie des éléments contextuels adaptés aux besoins et exigences de Schneider Electric en regard du déploiement efficient d'une maintenance prédictive sur ses produits.
Tout au long de la thèse le (la) doctorant(e) s'appuiera sur des cas très concrets et variés de Schneider Electric pour lesquels sont disponibles, d'une part des données acquises sur les systèmes lors de campagnes d'endurance jusqu'à défaillance ainsi que des connaissances physiques et des connaissances métier apportées par les divers experts internes à la société. Les systèmes sur lesquels cette méthodologie sera appliquée sont variés (disjoncteurs, transformateurs, onduleurs, batteries, machines industrielles) et permettront donc d'éprouver et d'améliorer le caractère généralisable de la méthode.
Mots clés :
Pronostics, PHM, IA, modèle guidé par les données, approche hybride
Département(s) :
| Modélisation Pilotage des Systèmes Industriels |
Publications :