Détection d’anomalies et Indicateur de Dégradation par Apprentissage automatique: approches en Matrices Aléatoires

When:
15/05/2024 all-day
2024-05-15T02:00:00+02:00
2024-05-15T02:00:00+02:00

Offre en lien avec l’Action/le Réseau : HELP/– — –

Laboratoire/Entreprise : Laboratoire d’Informatique et Société Numérique
Durée : 36 mois
Contact : malika.kharouf@utt.fr
Date limite de publication : 2024-05-15

Contexte :

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.

Profil du candidat :
Master 2 recherche, compétences en Probabilité et Statistique, machine learning, Python ou R.

Formation et compétences requises :

Adresse d’emploi :
Université de technologie de Troyes
12 rue Marie Curie
10300, Troyes