Sujet de Thèse
Dates :
2025/02/01 - 2028/01/31
Encadrant(s) :
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 de données événementielles pour le contrôle et le bilan de santé 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 de pronostics avancées, à partir des données événementielles d'événements (discrets), pour prédire la défaillance ou la durée de vie résiduelle (RUL) des systèmes industriels. Ce travail doit se structurer sur trois phases majeures: (1) - la caractérisation des événements discrets pertinents liés aux différents types d'objet (composant, machine, système) afin d'obtenir les indicateurs représentatifs qui ont du sens en termes de pronostics fiables sur cet objet; (2) - la formulation/construction et la reconnaissance de patterns permettant d'isoler les patterns représentatifs du fonctionnement nominal, ainsi que ceux représentant la progression de la panne/dégradation de l'objet; et (3) - le développement d'approches de pronostics avancées, sur la base de modèles probabilistes ou d'apprentissage automatique, pour prédire la date de défaillance or la RUL d'un objet à partir des occurrences de patterns liés à la défaillance ou à la dégradation de cet objet. Les approches/modèles proposés seront testés et validés par des jeux de données expérimentaux et/ou des cas d'usage industriels réels.
Programme prévisionnel et échéancier de travail :
Sur la première année :
- Prise de connaissance avec le sujet et avec les travaux déjà réalisés au sein du laboratoire sur le thème de la maintenance prédictive/PHM.
- Repositionner ces besoins/exigences dans une vision plus générale de maintenance prédictive telle que défendue dans les communautés scientifiques PHM, IEEE, IFAC ... Ce repositionnement est à mener surtout sur les processus concernés et en regard des approches guidées par les données (focus de la thèse)
- Etude bibliographique approfondie sur les méthodes avancées pour le pronostic guidé par les données et les techniques avancées dans la reconnaissance de patterns
- Rédaction d'une publication de synthèse sur la bibliographie en lien avec la problématique posée sur le pronostic de défaillance à partir des données discrètes.
Sur la deuxième année:
- Caractérisation, modélisation et formulation de patterns en question à partir d'événements (discrets)/séquences d'événements liés à différents éléments aux différents niveaux d'abstraction (composant, machine, système). Les patterns étudiés devront être doivent représentatifs de situations nominales/anormales et dégradées dans le but de prédire l'évolution vers une situation de panne. Les propriétés des données événementielles (ex. : qualité, incertitude) doivent également être prises en compte pour le développement des patterns
- Développement de méthodes de pronostics basées sur des modèles probabilistes ou/et l'apprentissage automatique pour la prédiction de défaillance ou la RUL
- Rédaction a minima d'un article en conférence internationale et d'un article en revue portant sur les contributions proposées.
Sur la troisième année :
- Expérimentation des différentes propositions (modèles, algorithmes) sur des jeux de données expérimentaux ou/et des cas d'usage industriels réels.
- Analyse des résultats obtenus pour valider ces propositions et/ou en proposer des améliorations.
- Rédaction du mémoire de thèse.
- Rédaction d'un deuxième article en revue sur les résultats applicatifs obtenus
- Soutenance de thèse.
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 de données événementielles pour le contrôle et le bilan de santé 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 de pronostics avancées, à partir des données événementielles d'événements (discrets), pour prédire la défaillance ou la durée de vie résiduelle (RUL) des systèmes industriels. Ce travail doit se structurer sur trois phases majeures: (1) - la caractérisation des événements discrets pertinents liés aux différents types d'objet (composant, machine, système) afin d'obtenir les indicateurs représentatifs qui ont du sens en termes de pronostics fiables sur cet objet; (2) - la formulation/construction et la reconnaissance de patterns permettant d'isoler les patterns représentatifs du fonctionnement nominal, ainsi que ceux représentant la progression de la panne/dégradation de l'objet; et (3) - le développement d'approches de pronostics avancées, sur la base de modèles probabilistes ou d'apprentissage automatique, pour prédire la date de défaillance or la RUL d'un objet à partir des occurrences de patterns liés à la défaillance ou à la dégradation de cet objet. Les approches/modèles proposés seront testés et validés par des jeux de données expérimentaux et/ou des cas d'usage industriels réels.
Programme prévisionnel et échéancier de travail :
Sur la première année :
- Prise de connaissance avec le sujet et avec les travaux déjà réalisés au sein du laboratoire sur le thème de la maintenance prédictive/PHM.
- Repositionner ces besoins/exigences dans une vision plus générale de maintenance prédictive telle que défendue dans les communautés scientifiques PHM, IEEE, IFAC ... Ce repositionnement est à mener surtout sur les processus concernés et en regard des approches guidées par les données (focus de la thèse)
- Etude bibliographique approfondie sur les méthodes avancées pour le pronostic guidé par les données et les techniques avancées dans la reconnaissance de patterns
- Rédaction d'une publication de synthèse sur la bibliographie en lien avec la problématique posée sur le pronostic de défaillance à partir des données discrètes.
Sur la deuxième année:
- Caractérisation, modélisation et formulation de patterns en question à partir d'événements (discrets)/séquences d'événements liés à différents éléments aux différents niveaux d'abstraction (composant, machine, système). Les patterns étudiés devront être doivent représentatifs de situations nominales/anormales et dégradées dans le but de prédire l'évolution vers une situation de panne. Les propriétés des données événementielles (ex. : qualité, incertitude) doivent également être prises en compte pour le développement des patterns
- Développement de méthodes de pronostics basées sur des modèles probabilistes ou/et l'apprentissage automatique pour la prédiction de défaillance ou la RUL
- Rédaction a minima d'un article en conférence internationale et d'un article en revue portant sur les contributions proposées.
Sur la troisième année :
- Expérimentation des différentes propositions (modèles, algorithmes) sur des jeux de données expérimentaux ou/et des cas d'usage industriels réels.
- Analyse des résultats obtenus pour valider ces propositions et/ou en proposer des améliorations.
- Rédaction du mémoire de thèse.
- Rédaction d'un deuxième article en revue sur les résultats applicatifs obtenus
- Soutenance de thèse.
Mots clés :
Pronostics, PHM, IA, modèle guidé par les données, données événémentielles
Département(s) :
Modélisation Pilotage des Systèmes Industriels |
Financement :
Projet ANR TECHMAINT
Publications :