Description du poste

La maintenance prédictive vise à détecter des anomalies d’un ou plusieurs composants d’un système afin d’anticiper d’éventuelles pannes et d’organiser des opérations de maintenance. Pour faire face à cet objectif, plusieurs approches existent dans l’état de l’art : les approches guidées par les données, les approches guidées par la connaissance a priori (par exemple des règles expertes), et les approches guidées par les modèles (modélisation/simulation physique du système).
Les approches guidées par les données, et donc basées sur l’apprentissage automatique et plus spécifiquement l’apprentissage profond, sont considérées comme les plus performantes dans l’état de l’art, et ce dans plusieurs domaines tels que la reconnaissance d’images/vidéo ou le traitement automatique des langues. Dans le contexte de la maintenance prédictive, plusieurs questions scientifiques restent ouvertes :
• Le manque de données réelles, de par leur nature industrielle ;
• La qualité des données disponibles, spécifiquement la rareté des évènements de panne qui rendent la tâche d’apprentissage complexe ;
• La nature évolutive des pannes.

Dans ce contexte, l’objectif du stage sera d’explorer les approches basées sur les modèles qui permettraient de simuler des systèmes physiques (plus précisément le cycle de vie d’un composant), et de les combiner avec les approches basées sur les données. L’approche basée sur les modèles permettra de concevoir un système physique simulé permettant de synthétiser des données réalistes qui alimenteront un modèle d’apprentissage automatique. L’objectif en terme d’apprentissage automatique est de se focaliser sur la prédiction de la durée de vie résiduelle (RUL), deux aspects importants permettant d’évaluer la performance d’un système de maintenance prédictive. Un autre axe de travail sera d’explorer l’« explicabilité » des modèles « boite noire » d’apprentissage profond en travaillant sur des méthodes d’I.A explicable (XAI) afin de générer des conseils de maintenances compréhensibles pour l’utilisateur/agent (notamment sur la raison de la panne, la manière de l’éviter, etc.). Le dernier objectif de ce travail est de concevoir un prototype/démonstrateur intégrant ces différentes techniques d’I.A afin de démontrer d’une façon visuelle et interactive (en incorporant les actions/décisions de l’utilisateur) la pertinence de l’approche.

Déroulé du stage :
1. Etat de l’art sur les modèles de deep learning appliqués à la maintenance prédictive ;
2. Entrainement, optimisation, et sélection/définition des architectures de réseaux de neurones profonds les plus adaptées à la résolution des problèmes de classification et de prédiction précoce d’anomalie sur des bases de données ouvertes;
3. Intégration du modèle choisi à un système complet : apprentissage à partir des données de synthèse généré par le système physique simulé.
4. Exploration des méthodes d’I.A explicables pour la génération de conseils de maintenance pertinents et compréhensibles (travail collaboratif).
Contact : omar.krichen@sii.fr