Diagnostic à base de modèles hybrides et d'outils de machine learning – Application au domaine de l'internet des objets

par Ndeye gueye Lo

Projet de thèse en Automatique - productique

Sous la direction de Jean-Marie Flaus et de Olivier Adrot.


  • Résumé

    Un système de production de biens ou de services est un système organisé d'activités, d'informations, de ressources humaines et matérielles assurant un service ou la fabrication de produits d'un fournisseur vers un client. Il peut être représenté par des modèles dynamiques perturbés par les demandes des clients difficiles à anticiper, les couts fluctuants des produits, les contraintes sur l'outil de production, …. Cette variabilité, couplée à une certaine méconnaissance par exemple du procédé de fabrication, conduisent à un grand nombre d'incertitudes à prendre en compte. Un système de production est aussi soumis à la présence d'aléas tels que des dysfonctionnements ou des pannes d'équipements, des ressources qui viennent à manquer (opérateurs indisponibles, stocks épuisés, …), qu'il est nécessaire de diagnostiquer rapidement pour assurer la disponibilité de l'outil de production. Ces aléas engendrent différents modes de fonctionnement (comme le mode dégradé, le lancement d'une maintenance,…) qui peuvent justement être appréhendés par des modèles de type hybride. Les domaines d'applications du diagnostic sont multiples puisqu'ils peuvent concerner la détection de situation à risques pour les opérateurs travaillant et dont on souhaite préserver la santé, la localisation de pannes pour orienter les opérations de maintenance à assurer et limiter l'indisponibilité de l'outil de production, l'analyse de cyberattaques potentielles en cas de détection d'un comportement anormal,… Nous nous intéresserons plus précisément au domaine en pleine expansion des systèmes de production pilotés et surveillés par des dispositifs appartenant à la catégorie de l'internet des objets industriels (IIoT). Cela concerne plus spécifiquement les systèmes décentralisés, à structure variable par rapport au nombre d'éléments actifs (équipements ou capteurs) à un instant donné ; et où justement une représentation de type hybride a tout son intérêt. Cela peut aussi concerner des systèmes avec de l'intelligence embarquée, des systèmes de mesures délocalisés et à distance... L'IIoT permet de générer beaucoup de données très utiles pour le diagnostic ; cependant la difficulté est d'être capable d'utiliser ces données pour construire un modèle dynamique du système observé. Pour ce faire, nous souhaitons mettre en œuvre des outils de machine learning (« apprentissage automatique »). Ce domaine de compétence appartenant à l'intelligence artificielle concerne la conception, l'analyse, le développement et l'implémentation de méthodes permettant à un système informatique d'évoluer par un processus systématique, et ainsi de prendre des décisions (concernant le diagnostic ici) difficiles ou problématiques par des moyens algorithmiques plus classiques. L'objectif de cette thèse est donc de coupler les approches de machine learning aux théories du diagnostic des systèmes dynamiques pour développer une nouvelle approche de diagnostic en contexte à la fois incertain et fluctuant. Les approches développées devront être adaptées aux données récoltées par l'IIoT et seront testées sur une plateforme expérimentale en cours de développement.

  • Titre traduit

    Diagnosis based on hybrid models and machine learning tools - Application to Internet of Things


  • Résumé

    A production system of goods or services is an organized system of activities, information, human and material resources providing a service or a manufactured product from a supplier to a customer. It can be described by dynamic models disturbed by the customers' demands which are difficult to anticipate, by the variable costs of products, by the constraints on the production line, etc. This variability, which may be associated with a lack of knowledge of the manufacturing process for example, leads to take many uncertainties into account. A production system is also subject to hazards such as malfunctions or breakdowns of equipment, lost resources (unavailable operators, out of stocks, ...), which have to be quickly diagnosed to ensure the availability of the production line. These hazards generate different operating modes (such as degraded mode, maintenance operation, ...) that can be precisely apprehended by hybrid models. The fields of application of the diagnosis are varied since they can concern the detection of an hazardous situation in order to preserve the health of the operators, the localization of breakdowns to guide the maintenance operations to limit the unavailability of the production line, the analysis of potential cyberattacks in case of detected abnormal behaviors, ... This work focuses more specifically on the rapidly expanding field of production systems controlled and monitored by Industrial Internet of Things (IIoT) devices. This concerns more specifically decentralized systems whose structure is variable according to the number of active elements (equipment or sensors) at a given moment; and for which a hybrid model is interesting. It can also concern systems with embedded intelligence, remote and distant measurement systems ... The IIoT makes it possible to generate a lot of very useful data for the diagnosis; however the challenge is to be able to use this data to build a dynamic model of the observed system. To do this, the objective consists in using machine learning tools. This area of expertise belonging to artificial intelligence concerns the design, the analysis, the development and the implementation of methods allowing a computer system to evolve through a systematic process to make decisions (concerning the diagnosis here) difficult or problematic for more conventional algorithmics. The aim of this thesis is to couple machine learning approaches to methods of diagnosis based on dynamic systems to develop a new diagnostic approach in an uncertain and variable context. The developed approaches will have to be adapted to data collected by IIoT devices and will be tested on an experimental platform under development.