Titre : Apprentissage profond des représentations pour le pronostic et management de la santé
Date : Mercredi le 10 juillet 2024 à 14h00
Lieu : Amphi 7 – FST 2nd cycle
Résumé :
Cette thèse contribue à l’application de l’apprentissage Profond (Deep Learning) dans la prédiction de la durée de vie résiduelle (Remaining Useful Life) des équipements industriels, en traitant plusieurs défis importants. Notre recherche est motivée par des questions clés visant à développer des architectures et méthodes d’apprentissage profond pour pronostique la RUL sous diverses conditions opérationnelles, à améliorer l’interprétabilité des modèles et à faire face au manque de données en exploitant des données externes (non) labellisées. Nous avons structuré notre travail en deux parties principales. Dans la première partie, nous explorons des architectures capables de gérer la variabilité des données résultant de différentes conditions opérationnelles, sans sélection des données d’entrée. Cela nous a mené à la proposition d’une architecture MLP-LSTM-MLP. En employant un MLP en entrée, nous avons pu normaliser les représentations, améliorant ainsi les performances de prédiction malgré plusieurs conditions opérationnelles. De plus, pour améliorer l’interprétabilité, nous avons proposé de remplacer ce premier étage de MLP par un système de mélange d’experts (Gated mixture of experts (GMoE)), permettant une décomposition interprétable basée sur les conditions opérationnelles. La seconde partie de la thèse aborde le problème de la rareté de données, un défi largement reconnu dans le domaine du pronostic et management de la santé (Prognostics and health management (PHM)). En introduisant des adaptateurs, c’est-à-dire des couches spécifiques aux différentes tâches qui permettent le traitement de différentes structures d’entrée/sortie, nous avons proposé une approche d’entraînement auxiliaire qui exploite des données labellisées externes, présentant une méthode qui surpasse les techniques traditionnelles trouvées dans la littérature. De plus, pour exploiter les données externes non étiquetées pour l’apprentissage auxiliaire, nous avons proposé une approche de méta-apprentissage pour déterminer automatiquement les objectifs auxiliaires à partir de ces données en les pseudo-étiquetant d’une manière qui prend en compte la tâche principale. L’objectif de cette partie de la thèse était d’exploiter un spectre plus large de données disponibles pour améliorer la performance de la prédiction de la durée de vie résiduelle.
Mots-clés :
Pronostic et management de la santé, prédiction de la durée de vie utile restante, Apprentissage profond, Interprétabilité, rareté des données, Apprentissage auxiliaire, Méta-apprentissage.
Composition du jury :
- Rapporteurs :
- Emmanuel Ramasso
- Céline Hudelot
- Examinateurs :
- Bernardetta Addis
- Birgit Vogel-Heuser
- Raphaël Couturier
- Directeurs :
- Christophe Cerisara (LORIA)
- Alexandre Voisin (CRAN)