Sujet de Thèse
Titre :
Contribution au Jumeau Numérique Cognitif pour la gestion de la santé et le pronostic des systèmes de production par combinaison d'apprentissage automatique et d'ontologies
Dates :
2025/09/01 - 2028/09/30
Description :
La technologie émergente du jumeau numérique (Digital Twin - DT) est utilisée dans plusieurs objectifs dans le contexte de la fabrication, notamment pour la maintenance prédictive et la gestion de la santé et de la pronostic (PM&PHM). Les DTs ad hoc proposés dans la littérature se concentrent généralement sur un composant des systèmes de fabrication et sur un ou quelques services de la PM&PHM (ISO 13374-2:2007), tels que la détection d'état, le diagnostic, l'évaluation de la santé, la pronostic ou l'optimisation de la maintenance.
Les articles de revue récents (van Dinter et al., 2022 ; Xiao et al., 2024) ont fourni des états de l'art approfondis dans le domaine des DTs pour la PM&PHM des systèmes de production, montrant que le sujet est actuellement bien exploré dans la littérature, tout en soulignant l'intérêt de la communauté scientifique ainsi que les challenges et les lacunes. Par exemple, une lacune soulevée par van Dinter et al. (2022) est que la plupart des études discutent de l'utilisation des DTs au niveau des composants, par exemple des roulements ou des boîtes de vitesses, tandis que les DTs au niveau du système, visant à effectuer la maintenance prédictive sur un système complet (comme une ligne de production ou une machine complexe), sont moins courants.
Par conséquent, un challenge réside dans l'intégration de plusieurs DTs fournissant différents services PM&PHM pour plusieurs composants ; cela a été identifié comme une direction prometteuse pour permettre la PM&PHM au niveau système.
Dans cette optique de DTs connectés, le nouveau concept de "Jumeau Numérique Cognitif" (CDT) a récemment émergé dans la littérature et a été proposé comme une version étendue du DT, visant à interconnecter de manière sémantique les modèles numériques, permettant ainsi leur coopération fluide. Le terme CDT est apparu pour la première fois dans le secteur industriel avec Adl (2016) et montre une évolution prometteuse du concept de DT vers une représentation plus intelligente, complète et couvrant tout le cycle de vie des systèmes complexes (Rožanec et al., 2022 ; Zheng et al., 2022). Le CDT peut être envisagé comme une version étendue du DT (comprenant ainsi les 3 éléments principaux d'un DT : (1) une entité physique, (2) une entité numérique, et (3) des connexions bidirectionnelles entre les entités virtuelles et physiques) contenant plusieurs modèles DT avec une sémantique unifiée (Zheng et al., 2022). De plus, un CDT doit avoir certaines capacités cognitives, comme celles humaines, telles que l'attention, la perception, la mémoire, le raisonnement, l'apprentissage et la résolution de problèmes, afin de permettre la prise de décision dans un environnement complexe et incertain.
Une définition du CDT a été récemment fournie par Zheng et al. (2022) : «Cognitive Digital Twin (CDT) is a digital representation of a physical system that is augmented with certain cognitive capabilities and support to execute autonomous activities; comprises a set of semantically interlinked digital models related to different lifecycle phases of the physical system including its subsystems and components; and evolves continuously with the physical system across the entire lifecycle».
Certaines architectures de CDT, leurs principaux éléments et les technologies clés permettant le CDT ont été proposées dans la littérature. Cependant, aucun cadre conceptuel et/ou opérationnel de CDT pour la PM&PHM des systèmes de production n'a été trouvé. De plus, comme indiqué dans les lacunes/challenges de D'Amico et al. (2024), les technologies permettant d'améliorer les capacités cognitives des DTs, telles que les ontologies, les graphes de connaissances, l'IA et les techniques d'apprentissage automatique, ne sont pas suffisamment explorées. Selon cela et la description fournie ci-dessus, l'objectif du doctorat est double : (1) définir une architecture CDT et ses principaux éléments pour permettre la PM&PHM des systèmes de production; (2) modéliser et intégrer sémantiquement plusieurs DTs pour permettre la collaboration entre différents composants et/ou services PM&PHM, et ainsi soutenir la PM&PHM des systèmes de production.
Cet objectif conduit logiquement à deux questions de recherche principales (RQ1 et RQ2). La première est :
• RQ1. Quels sont les éléments qui doivent constituer une architecture fonctionnelle CDT pour permettre la PM&PHM des systèmes de production?
o RQ1.1 Quelles sont les technologies/méthodologies habilitant les capacités cognitives d'un CDT pour la PM&PHM?
Un cadre CDT devrait répertorier les principaux « éléments constitutifs » permettant l'interaction entre les étapes PM&PHM de plusieurs composants d'un système de production en exploitant les capacités cognitives. Par exemple, les technologies d'IA et les ontologies, toutes deux reconnues comme des facilitateurs du processus PM&PHM et des capacités cognitives dans le DT, devraient être considérées comme l'un des principaux éléments, probablement couplées avec l'humain dans la boucle, afin d'atteindre pleinement la cognition dans le CDT pour la PM&PHM.
La deuxième question de recherche qui est:
• RQ2. Comment modéliser et intégrer sémantiquement plusieurs DTs pour permettre la PM&PHM des systèmes de production?
o RQ2.1. Comment modéliser les connaissances et organiser les données et informations afin de permettre la collaboration entre plusieurs DTs liés à différents composants et/ou services PM&PHM, et ainsi soutenir la PM&PHM des systèmes de production?
Compte tenu des RQs ci-dessus, il est attendu d'explorer la combinaison des ontologies et de l'IA basée sur les données (comme le deep learning) à chaque étape ou combinaison d'étapes du PM&PHM pour des décisions de maintenance prédictive intégrées sur un composant spécifique (un DT) et/ou avec d'autres composants du système considéré (plusieurs DTs).
Mots clés :
Jumeau numérique cognitif ; ontologie ; intelligence artificielle ; gestion prognostique et de la sa
Département(s) : 
Modélisation Pilotage des Systèmes Industriels
Financement :
Contrat doctoral