Algorithmes d'apprentissage statistique pour la maintenance prédictive dans les matériels ferroviaires

par Amir Dib

Projet de thèse en Mathématiques appliquées

Sous la direction de Nicolas Vayatis.

Thèses en préparation à Paris Saclay , dans le cadre de École doctorale de mathématiques Hadamard (Orsay, Essonne ; 2015-....) , en partenariat avec CMLA - Centre de Mathématiques et de Leurs Applications (laboratoire) , Apprentissage statistique et données massives (equipe de recherche) et de École normale supérieure Paris-Saclay (Cachan, Val-de-Marne) (établissement de préparation de la thèse) depuis le 07-08-2017 .


  • Résumé

    Ces travaux de recherche ont pour finalité le développement de nouvelles approches pour la maintenance prédictive associant algorithmes d'apprentissage automatique et expertise humaine. Les contraintes réglementaires et opérationnels imposent des impératifs quant à l'interprétabilité, la robustesse et l'évolutivité du modèle produit.

  • Titre traduit

    Machine learning models for predictive maintenance on railway equipment


  • Résumé

    The objective of the research project is to develop new approaches for rolling stock predictive maintenance, using machine learning techniques while making the approach robust in a production context and making the system human-readable in order to collect expert feedback and provide useful insights to engineers. Many challenges have to be faced to build efficient and reliable predictive maintenance systems in industrial and operational context. To tackle these challenges, we intend to go beyond standard approaches by applying a combination of supervised learning and unsupervised learning, where human experts can interact with the machine learning system to tune it.