Offre en lien avec l’Action/le Réseau : – — –/– — –
Laboratoire/Entreprise : CReSTIC – Université de Reims Champagne-Ardenne
Durée : 3 ans
Contact : bart.lamiroy@univ-reims.fr
Date limite de publication : 2023-06-12
Contexte :
Le contexte de cette thèse est le diagnostic des systèmes industriels. Elle contribuera à rendre ces systèmes plus flexibles et résilients par contribution à l’état de l’art du diagnostic et par l’intégration de l’apprentissage automatique. Cette intégration doit d’une part permettre de diagnostiquer des systèmes plus complexes avec moins de ressources de calcul, tout en permettant aux opérateurs humains de valider les diagnostics et d’engager des démarches correctives par une explicabilité suffisante des résultats produits par les outils de diagnostic et d’isolation.
Le travail se placera initialement dans le cadre de systèmes qui possèdent des capteurs et des actionneurs délivrant des signaux binaires (Systèmes à Evènements Discrets – SED) et commandés par des automates programmables industriels. Il pourra être envisagé que le l’étude s’élargisse par la suite à des systèmes hybrides incluant capteurs et actionneurs continus.
Sujet :
Dans cette thèse nous aborderons le diagnostic à travers des approches d’analyse automatique des données opérationnels sans modèle explicite, mais en mettant en œuvre des approches d’apprentissage automatique (notamment les réseaux de neurones) pour détecter et isoler les fautes.
La thèse poursuivra les deux objectifs suivants :
1. Extension des résultats préliminaires de diagnostic présentés dans (Saddem et al., 2022(a,b)) et de pouvoir dimensionner la taille des réseaux de neurones et ses hyper-paramètres en fonction du système surveillé.
2. Faire en sorte que les approches développées dépassent le stade de classifieur ou prédicteur en boite noire, et qu’elles puissent fournir un niveau d’explicabilité utile à un opérateur humain ; soit par formalisation des démarches de vérification (Fawzi et al. 2022) ou autres, soit par l’analyse des réseaux entrainés (Rojat et al. (2022).
L’ensemble de ce travail s’appuiera sur la plateforme Cellflex4.0 de l’Université Reims Champagne-Ardenne (https://crestic.univ-reims.fr/fr/plateformes/cellflex-4-0) et les Jumeaux Numériques associés pour la partie acquisition de données et validation expérimentale. Il bénéficiera également des capacités de calcul de la plateforme HPC Romeo.
L’accompagnement du/de la doctorant.e, assurée par les encadrants lui permettra de prioriser et de choisir les orientations scientifiques pour atteindre les objectifs précités. Les encadrants de thèse feront en sorte qu’elle.il acquière une méthodologie scientifique rigoureuse et pertinente.
Le déroulé de la thèse pourra s’envisager comme suit :
Etape 1 : Appropriation du sujet et développements de pistes scientifiques par l’établissement d’un état de l’art et la réalisation d’une étude bibliographique sur le diagnostic de systèmes industriels d’une part et une étude bibliographique sur les techniques d’apprentissage automatique focalisées sur le diagnostic d’autre part.
Etape 2 : Collecte et préparation des données nécessaires aux approches d’apprentissage identifiées à l’étape précédente. Il s’agit notamment de spécifier les données disponibles ainsi que les techniques qui doivent être utilisées pour leur collecte et ensuite les préparer pour les méthodes de diagnostic en ligne choisies.
Etape 3 : Développement et implémentation d’algorithmes de diagnostic par apprentissage automatique, entraîner l’algorithme pour retourner l’état du système (normal ou défaillant et si défaillant quelle classe de fautes). Valider l’algorithme sur les jumeaux numériques et sur la plateforme Cellflex.
Etape 4 : Explication du diagnostic fourni par un réseau de neurones à travers l’identification des composants défaillants. Cette vérification pourra notamment se faire par recherche explicite dans l’espace en utilisant de l’apprentissage par renforcement profond ou par l’analyse des réseaux entrainés et des approches de XAI plus habituelles.
Profil du candidat :
Ce sujet de thèse s’adresse aux étudiant.e.s ayant un diplôme de Master II ou d’ingénieur, soit issu.e.s d’un parcours ayant donné accès à des connaissances approfondies en systèmes industriels (notamment systèmes à évènements discrets et hybrides) et avec une envie d’investir le champ de l’Intelligence Artificielle, soit des étudiant.e.s de formation informatique avec de très bons acquis théoriques et applicatifs en apprentissage automatique souhaitant les appliquer à des contextes de systèmes industriels.
Au-delà des bases scientifiques citées ci-dessus, les autres compétences principales recherchées sont la curiosité et l’envie d’apprendre, la capacité de travail en équipe, la rigueur scientifique et la capacité de formalisation du raisonnement. Une grande partie du travail étant consacrée à la validation expérimentale des modèles, des compétences solides en programmation seront également nécessaires.
Formation et compétences requises :
Master II ou d’ingénieur, soit en Automatique, soit en Informatique
Adresse d’emploi :
Reims