Where PhDs and companies meet
Menu
Login

Already registered?

New user?

Diagnostic et Pronostic à l’aide de l’IA dans le cadre de la maintenance industrielle

ABG-99400 Thesis topic
2021-07-22 Partial or full private funding (CIFRE agreement, foundation, association)
CESI
ROUEN - Normandie - France
Diagnostic et Pronostic à l’aide de l’IA dans le cadre de la maintenance industrielle
  • Computer science
  • Data science (storage, security, measurement, analysis)
Alarm correlation, Diagnostic & Prognostic, Machine Learning, IA

Topic description

Cette thèse de doctorat a pour objectif de concevoir et de développer une approche permettant d’établir la durée de vie d’un équipement industriel évoluant dans un système cyber-physique (CPS). Pour ce faire, ce travail vise la prédiction de pannes et de dysfonctionnements d’un équipement industriel, ainsi que l’évaluation de toutes les causes racines sous-jacentes. Le système permettra aussi d’identifier les actions à entreprendre afin de maintenir le système à un certain niveau de performances et l’opérer de la manière la plus efficace, ce qui implique une étude de tous les aspects : de fiabilité, de disponibilité et de maintenance.

La plupart des travaux existants, réduits à quelques cas d’étude (ex. : roulement à billes, PoC) et relevant un manque de données considérable, se limitent souvent à la phase d’estimation du RUL (Remaining Useful Life) sans pour autant impliquer une décision par la suite. L’innovation de ce travail de recherche sera de concevoir et de développer des approches de diagnostic et de pronostic basées sur le Deep Learning (ex. : Machine de Boltzmann, Réseaux récurrents et ESN) pour la maintenance et la gestion de la santé des équipements industriels évoluant dans un CPS.

  • Antériorité du sujet dans le laboratoire

Ce sujet résulte d’une suite logique de travaux initiés au laboratoire depuis 2019 et qui concerne la maintenance des équipements industriels. Un premier travail de recherche a été ainsi proposé et développé dans le cadre du projet DEFI&Co dont l’objectif était le filtrage d’alertes (i.e., identification et suppression des fausses alertes). Une partie de ce travail a été publiée dans le congrès international IFAC-2020 (M. A., Benatia, et. al. 2020), et une rédaction d’article journal est en cours. Suite à ce travail, nous avons cette année renouvelé l’expérience, en se concentrant sur la prédiction de pannes machine, et l’identification de dysfonctionnement. Nous avons ainsi proposé un algorithme d’extraction de tâches de maintenance à partir du système de gestion de maintenance, et un modèle de prédiction de pannes prenant en entrée des alertes de maintenance et produisant en sortie une estimation sur l’état de dégradation de la machine. Comme perspective nous visons de développer un outil d’aide à la décision dans le cadre de la maintenance industrielle qui une fois une panne détectée (prédite), lance une phase de recherche exhaustive des causes racines. Le sujet de thèse a pour objectif la conception et le développement de l’outil d’aide à la décision ainsi que son évaluation sur des situations réelles.    

  • Prgramme de travail

La première partie de la thèse sera dédiée à l’étude d’un équipement industriel évoluant dans un CPS. Ce type de machine étant récemment adopté dans les industries (capteurs intégrés connectés à Internet, 5G, capteurs non-intrusifs, etc.), il existe peu de jeux de données « publiques » disponibles qui permettent une étude pertinente et qui favorisent la mise en place d’algorithme d’aide à la décision dans le cadre de la maintenance industrielle. D’un autre côté, aucun consensus n’existe sur l’architecture à adopter pour les IMS (Intelligent Maintenance System) ni les parties prenantes impliquées dans chaque couche du CPS. Sachant qu’il existe trois niveaux décisionnels (opérationnel, managérial et stratégique), une première étude visera la proposition d’un modèle répondant à chaque type de décision ainsi que chaque action à entreprendre pour chaque niveau du CPS (Multi-couches et multi-échelles : Connexion, Conversion, Cyber, Cognition and Configuration). Ce travail s’effectuera dans la continuité des travaux de Zhongchang, L. (Liu, 2018) et de C. Goebel (Rigamonti, Baraldi, Roychoudhury, Goebel, & Poll, 2018) (Gugulothu, et al., 2018), qui ont proposé des modèles axés données pour l’estimation de la RUL.

Comme mentionné au début, la phase de diagnostic et de pronostic étudiée sera scindée en deux parties : (1) Prédiction de pannes via des modèles Deep-Learning et (2) identification des causes racines et planification de maintenance. La première étape vise à proposer un modèle de prédiction de pannes permettant la prise en compte d’informations provenant de divers niveaux dans le système (système de monitoring d’alertes de maintenance, GMAO, etc.). Dans cette partie, l’objectif est de concevoir un modèle neuronal profond (Deep Neural Net) ayant pour mission de traduire des données capteurs en un indicateur permettant d’estimer une défaillance potentielle. La seconde quant à elle, s’intéressera à la modélisation mathématique des différents critères de disponibilité, fiabilité et maintenance et à l’intégration du modèle proposé dans le système de maintenance.  

Suite à cela, une étude de validation et de test en grandeur nature sera réalisée dans le cadre d’une Preuve de Concept (PoC).

Enfin, dans le cadre de cette thèse, nous essaierons de trouver le lien entre les informations fournies par les modèles de pronostic développés et le pilotage (décision) des actions de maintenance de manière à optimiser les coûts et les performances du système. L’étude s’ouvrira sur les deux volets : méthodologie et procédures à mettre en place pour la surveillance et pilotage intelligent des actions de maintenance des équipements industriels.  

 

  •     Collaboration avec des partenaires extérieurs

Des pistes de collaboration avec des partenaires industrielles sont envisagées, afin de valider les modèles proposés dans la thèse sur des cas d’étude réels. Ainsi, le/la doctorant(e) pourra être amené à tester et valider ses travaux sur des outils de production chez les partenaires identifiés.  

  • Production scientifique/technique attendue

Les attentes sur ce sujet de thèse sont les suivantes :

  • Rapport d’état de l’art sur le Pronostic et Diagnostic, ainsi que la corrélation d’alerte, dans le cadre de la maintenance industrielle
  • Deux articles de conférences : (1) sur l’algorithme de prédiction de pannes, et (2) sur la corrélation d’alertes de maintenance
  • Un/Deux articles journaux : sur la méthode hybride (diagnostic & pronostic).
  • Un rapport de thèse regroupant : l’état de l’art, le/les modèle(s) proposé(s), ainsi que les résultats obtenus.

Starting date

2021-10-04

Funding category

Partial or full private funding (CIFRE agreement, foundation, association)

Funding further details

Presentation of host institution and host laboratory

CESI

LINEACT CESI (EA 7527), Laboratoire d'Innovation Numérique pour les Entreprises et les Apprentissages au service de la Compétitivité des Territoires, anticipe et accompagne les mutations technologiques des secteurs et des services liés à l’industrie et au BTP. La proximité historique de CESI avec les entreprises est un élément déterminant pour nos activités de recherche, et a conduit à concentrer les efforts sur une recherche appliquée proche de l’entreprise et en partenariat avec elles.  Une approche centrée sur l’humain et couplée à l’utilisation des technologies, ainsi que le maillage territorial et les liens avec la formation, ont permis de construire une recherche transversale ; elle met l’humain, ses besoins et ses usages, au centre de ses problématiques et aborde l’angle technologique au travers de ces apports.

Sa recherche est organisée selon deux thèmes scientifiques interdisciplinaires et deux domaines applicatifs.

  • Le thème 1 "Apprendre et Innover" relève principalement des Sciences cognitives, Sciences sociales et Sciences de gestion, Sciences et techniques de la formation et celles de l’innovation. Les principaux objectifs scientifiques visés par ce thème sont la compréhension des effets de l'environnement, et plus particulièrement des situations instrumentées par des objets techniques (plateformes, ateliers de prototypage, systèmes immersifs...) sur les processus d'apprentissage, de créativité et d’innovation.
  • Le thème 2 "Ingénierie et Outils Numériques" relève principalement des Sciences du Numérique et de l'Ingénierie. Les principaux objectifs scientifiques de ce thème portent sur la modélisation, la simulation, l’optimisation et l’analyse de données de systèmes industriels ou urbains. Les travaux de recherche portent également sur les outils d’aide à la décision associés et sur l’étude des jumeaux numériques couplés à des environnements virtuels ou augmentés.

Ces deux thèmes développent et croisent leurs recherches dans les deux domaines applicatifs de l'Industrie du Futur et de la Ville du Futur, soutenues par des plateformes de recherche, principalement celle de Rouen dédiée à l’Usine du Futur et celles de Nanterre dédiée à l’Usine et au Bâtiment du Futur.

 

Positionnement du centre porteur du projet

CESI campus de Rouen accompagne ses étudiants et stagiaires dans les domaines du management et de l’organisation industrielle et du numérique. Pour appuyer ses formations et répondre aux besoins des entreprises du territoire normand, CESI Rouen développe une activité de recherche en lien avec le domaine applicatif industrie du futur de LINEACT CESI. Plus particulièrement, CESI Rouen a initié des premiers travaux de recherche autour la maintenance prédictive à travers les travaux de thèse d’Ahmed REMADNA au sein du projet DEFI&Co en abordant l’application de l’Intelligence artificielle à la maintenance prédictive dans l’industrie manufacturière. Le campus de Rouen souhaite donc poursuivre ces travaux afin de concevoir, développer et valider des outils innovants pour la maintenance industrielle, et ainsi garantir la compétitivité des entreprises manufacturières de la région, mais aussi celles à l’échelle nationale. Pour mener à bien ces travaux de recherche, il sera nécessaire d’avoir à disposition des données qui pourront être issues soit du démonstrateur « Usine du Futur (UdF) » présent sur le campus soit d’un partenaire industriel présent sur le territoire normand. Ainsi, les différents modèles proposés dans la thèse, seront testés et validés sur des cas d’étude réels via le démonstrateur UdF.

 

Positionnement dans les axes de recherche du laboratoire

 

 Ce sujet de thèse s’inscrit dans l’axe 1 intitulé Cyber Physical Production Systems (CPPS) du Thème 2 Ingénierie et outils numériques de LINEACT. Les travaux se dérouleront autour de l’Organisation et la planification dynamique des activités et des services dans un contexte industrie 4.0 en s’intéressant plus particulièrement à des techniques de classification de données, à l’utilisation de méthodes d’analyses prédictives sur des systèmes industriels pour obtenir des outils d’aide à la décision pour des activités de maintenance.  La problématique concerne l’automatisation de la phase de diagnostic et de pronostic, ainsi que la réduction du nombre d’alertes affichées aux opérateurs de maintenance. Dans ce contexte, ce projet de thèse permettra de proposer des solutions innovantes et participera au développement de l’axe de recherche mentionné ci-dessus.  

Candidate's profile

Vos compétences :

  • Compétences scientifiques et techniques :

A préciser - Lister entre 3 et 5 compétences scientifiques et technique attendues

    • Langages de prgrammation : Python, C++
    • Platefrmes de développement : TensorFlow, PyTorch, Keras
    • Des cnnaissances en maintenance industrielle sont un plus
  • Compétences relationnelles :
    • Être autnome, avoir un esprit d’initiative et de curiosité,
    • Savir travailler en équipe et avoir un bon relationnel,
    • Être rigureux.
2021-09-30
Partager via
Apply
Close

Vous avez déjà un compte ?

Nouvel utilisateur ?

More information about ABG?

Get ABG’s monthly newsletters including news, job offers, grants & fellowships and a selection of relevant events…

item1
item1 item1
They trusted us