Aller au menu Aller au contenu
Travailler à G-Scop
Laboratoire des Sciences pour la Conception, l'Optimisation et la Production de Grenoble
Travailler à G-Scop
Travailler à G-Scop

> GSCOP_RECRUTEMENT > GSCOP_Thèses

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

Directeur(s) de thèse : Jean-Marie Flaus, Olivier Adrot
Ecole doctorale : EEATS (Electronique, Electrotechnique, Automatique, Traitement du Signal)
Date de début  (souhaitée) : 1 octobre 2018
Financements envisagés – Contexte – Partenaires éventuels : allocation de recherche Ecole Doctorale

Description du sujet :

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 [1], [2]. Les approches développées devront être adaptées aux données récoltées par l’IIoT [3] et seront testées sur une plateforme expérimentale en cours de développement.

[1] Diagnostic de systèmes hybrides incertains par génération automatique de Relations de Redondance Analytique Symboliques évaluées par approche ensembliste, thèse soutenue par Ngo Q. D. et encadrée par Flaus J.-M. et Adrot O., Doctorat de l’Université de Grenoble, Spécialité Automatique Productique, 31 aout, 2012.

[2] Uncertainty quantification in dynamic system risk assessment: a new approach with randomness and fuzzy theory. Abdo H. and Flaus J.-M., International Journal of Production Research 54, 5862-5885 (2016).

[3] Advantage and contribution of Internet of Things (IoT) for Occupational Health and Safety, Adrot O., Flaus J.-M., Technological innovation and organisational changes : the potential impacts on prevention INNOVORG 2017

Contact(s) :

Jean-Marie Flaus : email  : Jean-Marie.Flaus@g-scop.fr

Olivier Adrot : email : Olivier.Adrot@g-scop.fr

 

mise à jour le 22 mars 2018

  • Tutelle CNRS
  • Tutelle Grenoble INP
  • Université Joseph Fourier
  • Tutelle UMR
Univ. Grenoble Alpes