Etude de la combinaison d'apprentissage automatique, d'ontologies et de raisonnement pour le pronostic et la gestion de la santé des systèmes de production

Chiara FRANCIOSI , Alexandre VOISIN

Les approches de maintenance prédictive, de pronostic et de gestion de la santé (PM&PHM) visent à intervenir dans
l'équipement des systèmes de production avant que les pannes ne se produisent. Pour mettre en oeuvre correctement un
système PHM, des étapes centrées sur les données doivent être suivies, notamment l'acquisition et la manipulation des
données, la détection des états de la machine, l'évaluation de l'état de santé, le pronostic des défaillances futures et la
génération de recommandations (ISO 13374-2 : 2007 ; Franciosi et al., 2024). Néanmoins, les approches basées sur les
données nécessitent des connaissances pour être exploitées et fournir leur pleine « puissance ». En effet, les données
contiennent des informations/connaissances importantes sur l'utilisation, la santé et le contexte des systèmes, qu'il
convient d'exploiter. Cependant, la révélation de la valeur réelle des données et la découverte de modèles utiles de
connaissances incorporées dans les données de maintenance (incluant les données de l'automate programmable jusqu'au
système de gestion de la maintenance) ont représenté un défi majeur en raison de l'hétérogénéité des sources de
données et de la variété des types de données (Karray et al., 2019). Les ontologies peuvent contribuer efficacement à
résoudre ce problème grâce à l'organisation des données, à l'annotation sémantique et à l'intégration (Karray et al.,
2010). En outre, comme indiqué dans de nombreuses revues (voir par exemple Biggio & Kastanis, 2020 ; Fink et al., 2020 ;
Nguyen et al., 2023), toutes les étapes de la PM&PHM bénéficieront de l'exploitation d'algorithmes d'IA pilotés par les
données. En effet, les technologies d'IA data-driven, telles que l'apprentissage automatique et le data mining, ont été
utilisées dans la littérature pour détecter et prédire les anomalies potentielles et, par conséquent, améliorer l'efficacité de
la production au sein des processus de fabrication (Cao et al., 2022). Toutefois, le manque et l'excès d'hétérogénéité des
données peuvent avoir une incidence sur la prévisibilité des algorithmes (Dalzochio et al., 2020) et, partant, sur leurs
performances.
Cela met en évidence la possibilité de combiner l'IA symbolique (comme les ontologies), le raisonnement (comme le
raisonnement basé sur les règles SWRL) et l'IA data-driven pour la maintenance prédictive (Franciosi et al., 2024). ì cet
égard, l'IA symbolique et l'IA data-driven peuvent se compléter et être combinées pour développer des approches de
maintenance prédictive. D'une part, les algorithmes d'apprentissage automatique peuvent permettre l'extraction de
concepts et de modèles (comme modèles de dégradation des machines) à partir de données ou le calcul d'informations
(comme indices spécifiques) qui peuvent ensuite être enrichis grâce à l'interrogation effectuée par les ontologies du
domaine de la maintenance et le raisonnement basé sur des règles sur ces données d'entrée. D'autre part, les données
provenant de diverses sources et systèmes au sein d'une usine pourraient être intégrées pour rassembler des
informations précises afin d'améliorer les approches basées sur les données.
Par conséquent, les objectifs de ce stage M2 master recherche sont les suivants : (1) explorer la littérature scientifique sur
les ontologies et les techniques d'apprentissage automatique afin de comprendre de quelle manière elles sont
concrètement combinées et quelles sont les applications dans les contextes de production ; (2) proposer une approche
d'apprentissage et de raisonnement pour le PM&PHM des systèmes de production.

intelligence artificielle, pronostics et gestion de la santé, systèmes de production.

Modélisation Pilotage des Systèmes Industriels

MODAPTO coûts indirects

 Sujet PDF