Sujet de Postdoc
Titre :
Machine learning pour une optimisation de maintenance prédictive de systèmes de production reconfigurables
Dates :
2024/07/15 - 2025/06/30
Etudiant :
Encadrant(s) :
Description :
Le futur postdoc 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 pour la maintenance prédictive.
Dans le cadre du projet MODAPTO, l'objectif ce travail de postdoc est de développer des algorithmes 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 postdoc 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...
Contexte scientifique et sujet de recherche détaillé :
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 travail de postdoc 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.
Dans le cadre du projet MODAPTO, l'objectif ce travail de postdoc est de développer des algorithmes 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 postdoc 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...
Contexte scientifique et sujet de recherche détaillé :
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 travail de postdoc 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.
Département(s) :
| Modélisation Pilotage des Systèmes Industriels |