Thèse, Troyes.| Entreprise/Organisme : | Université de technologie de Troyes | | Niveau d'études : | Master | | Sujet : | L'optimisation de la maintenance des systèmes de production industrielle est une préoccupation majeure des responsables de la maintenance qui souhaitent implanter les politiques les plus pertinentes aux plans techniques et économiques. Des politiques de maintenance préventive basée sur l’âge existant d’ores et déjà sur le marché commencent à ne plus répondre au besoin personnalisé et éco-responsable en exploitant au plus juste les ressources. Dans ce contexte, l’évolution de la maintenance classique à une maintenance « intelligente » est devenue un sujet important. La maintenance prévisionnelle s’impose comme une solution efficace car elle permet non seulement d’anticiper des pannes à l’avance grâce à la surveillance du fonctionnement du système et à la prédiction de son état de santé, mais aussi d’optimiser des ressources humaines et matérielles pour diminuer le coût de la maintenance et la gravité des conséquences d’une panne.
Avec la diffusion d’aujourd’hui des nouvelles technologies numériques utilisant des objets connectés, l’internet des objets, le big data, l’intelligence artificielle et plus généralement la science des données, la maintenance prévisionnelle est de plus en plus adoptée et adaptée et fait émerger dans des actions stratégiques majeures au sein des entreprises. À titre d’exemple, Air France - KLM a exploité les historiques de vol des A-380 et des atterrissages à Paris pour établir un programme Big Data permettant de détecter une panne possible en moins d’une heure et d’établir son diagnostic en cinq minutes. Un projet Big Data de SNCF Transiliens vise à automatiser le diagnostic des pannes à partir de données issues des rames connectées en temps réel, offrant ainsi une vision plus précise et complète de l’état du matériel.
Malgré ses attentes prometteuses, la mise en œuvre de la maintenance prévisionnelle reste encore un grand défi par manque de connaissance en temps réel sur l'état de santé du système. La construction en ligne des indicateurs de dégradation d’un système à partir des données de surveillance est donc une question centrale de la maintenance prévisionnelle. Il s’agit de prendre en compte des données de plus en plus abondantes et de types différents (Big Data) issues de réseaux de capteurs dans la construction de l’indicateur. Cet indicateur doit être simple à dimension réduite et ayant pour but d’estimer le temps de vie résiduel du système. Cette approche nécessite souvent de se munir d’un grand nombre de capteurs, ce qui peut être coûteux. Ainsi, l’élaboration d’un indicateur de dégradation équilibrant qualité et économie est un enjeu majeur.
D'un point de vue scientifique, cet enjeu implique trois problématiques principales.
1. Développer une méthode de réduction de la dimension des données adaptée à la fois aux contextes supervisé et non supervisé.
2. Spécifier, parmi les capteurs prévus, l’emplacement des capteurs permettant des données significatives pour la construction des indicateurs de dégradation.
3. Élaborer des indicateurs de dégradation à partir des données retenues et les valider.
L’objectif de cette thèse est de développer un nouvel outil pour résoudre les trois problématiques ci-dessus. | | Date de début : | Octobre 2024 | | Durée du contrat : | 36 mois | | Description : | La réalisation de ce projet de thèse nécessite d’avoir des connaissances à l’interface des domaines des probabilités/statistiques, de l'intelligence artificielle, de la maintenance prédictive. Plus précisément, le projet peut se déployer selon les deux axes suivants.
1. Détection d’anomalies et sélection de variables : La détection d’anomalies est un enjeu majeur dans l’industrie actuelle, et l’afflux de données issues d’une multitude d’objets connectés impose la recherche de méthodes multidimensionnelles, intelligentes et adaptées à la complexité des données récoltées. Nous proposons d’explorer et compléter la théorie des matrices aléatoires combinée aux méthodes du deep learning afin de proposer de nouvelles méthodes de détection d’anomalies bien adaptées au contexte industriel complexe. Après récolte et nettoyage des données, nous les stockerons dans une matrice, qui sera de grande dimension, et nous traduisons la complexité de la donnée par un facteur aléatoire. Nous nous proposons donc de traiter cette grande matrice aléatoire de données à l’aide de réseaux de neurones de types auto-encodeurs convolutifs (AEC) afin de détecter d’éventuelles anomalies.
Dans un premier temps, nous mobilisons les connaissances en matrices aléatoires afin de définir une stratégie AEC adaptée de détection. Nous proposons de définir un modèle à variances isolées adapté, qui modélise bien les données contenant des outliers ou des informations rares ou soudaines. Par le biais d’une étude spectrale, les évènements rares peuvent être mis en évidence en étudiant le comportement global des valeurs et vecteurs propres dans un premier temps et ensuite l’étude des valeurs propres extrêmes via un AEC ainsi que les vecteurs propres associés. Cette étude se fera dans un contexte asymptotique, cas où les dimensions de la matrice des données sont très grandes, mais aussi dans un cadre fini, dans le cas où les données significatives récoltées sont de petites tailles. Dans un second temps, nous nous intéresserons à la sélection des capteurs les plus pertinents. Nous pensons traduire la matrice de données en terme de matrice d’adjacence d’un certain graphe aléatoire et développer des méthodes exploitant les connaissances en graphes aléatoires afin de trancher quant au choix des features.
2. Définition d’un indicateur de dégradation : Une maintenance prévisionnelle nécessite aussi bien l’évaluation de l’état de dégradation du système que le pronostic sur l’apparition de futures panne. Un indicateur de dégradation permet de se rendre compte de l’état de dégradation du système. Une définition efficace de cet indicateur est donc indispensable. Nous partons d’une définition d’un indicateur de dégradation en terme de métrique entre l’instant de défaillance et tous les autres instants. Nous nous intéresserons aux méthodes à noyaux appliquées dans un cadre aléatoire afin de définir/tester plusieurs types de métriques (distance euclidienne, distance exponentielle, etc.) et d’en choisir les plus prometteuses.
D’un point de vue pratique, les méthodes développées peuvent être testées et validées sur plusieurs jeux de données mis à disposition par la communauté PHM. Nous citons à titre d’exemple le jeu de données construit par un centre de recherche de la NASA à partir des simulations des turboréacteurs d’avion avec le Modèle C-MAPSS.
Nous sommes à la recherche un(e) candidat(e) qui possède une ou plusieurs compétences suivantes:
1. Probabilité et statistiques
2. Intelligence artificielle, machine learning.
3. Un bon niveau en programmation (Python, Matlab, ou Julialang) et une première expérience en recherche sont appréciés.
Pour candidater, merci d’envoyer votre CV, lettre de motivation, les relevés des notes de Master et d'ingénieur et d'autres documents (2 lettres de recommandation, publications, ... ) à malika.kharouf@utt.fr et tuan.huynh@utt.fr le plus tôt possible et avant le 20 mai 2024. | | En savoir plus : | https://recherche.utt.fr/list3n
Detection d'anomalies__Kharouf_Huynh.pdf | | Contact : | malika.kharouf@utt.fr |
|
