Note ABES Détection et diagnostic de dérives de processus de production hétérogènes et complexes : proposition d’une approche générique d'intelligence artificielle basée sur l'apprentissage continu Detection and diagnosis of drifts in heterogeneous and complex production processes : proposal for a generic artificial intelligence approach based on continuous learning Maintenance prévisionnelle Processus de production hétérogènes Détection de dérive Diagnostic de dérive Cadre méthodologique Connaissances expertes Apprentissage d'ensemble Détection des nouveautés Apprentissage continu Predictive maintenance Heterogeneous production processes Drift detection Drift diagnosis Methodological framework Expert knowledge Ensemble learning Novelty detection Continuous learning 670 Procédés de fabrication Performances Modélisation des données (informatique) Apprentissage profond Cette thèse s’inscrit dans le contexte de la maintenance prévisionnelle des processus de production hétérogènes, en ciblant trois problématiques scientifiques : la détection des dérives sans besoin de données étiquetées, le diagnostic des dérives à l’aide de méthodes hybrides, et l’intégration de ces activités dans une approche méthodologique adaptable. La première contribution propose, via un logigramme décisionnel, une méthode guidée pour sélectionner les algorithmes d’apprentissage automatique les mieux adaptés aux données via le calcul d’indicateurs. La deuxième contribution présente un diagnostic hybride, combinant classificateurs binaires et arbres de décision enrichis par des connaissances expertes, pour identifier les causes racine des dérives. Enfin, la troisième contribution élabore une approche méthodologique intégrée de détection et diagnostic des dérives de processus intégrant des étapes d’apprentissage continu, pour permettre l’adaptation aux évolutions des processus. Validée sur un processus industriel chez SEW USOCOME, cette approche montre des résultats prometteurs et confirme la pertinence des contributions. This thesis is set in the context of predictive maintenance for heterogeneous production processes, targeting three scientific issues: drift detection without the need for labeled data, drift diagnosis using hybrid methods, and the integration of these activities into an adaptable methodological approach. The first contribution proposes, via a decision logigram, a guided method for selecting the machine learning algorithms best suited to the data via the calculation of indicators. The second contribution presents a hybrid diagnosis, combining binary classifiers and decision trees enriched with expert knowledge, to identify the root causes of drift. Finally, the third contribution develops an integrated methodological approach to process drift detection and diagnosis, incorporating continuous learning steps to enable adaptation to process evolutions. Validated on an industrial process at SEW USOCOME, this approach shows promising results and confirms the relevance of the contributions. Electronic Thesis or Dissertation Text fr PDF 54417289 https://publication-theses.unistra.fr/public/theses_doctorat/2024/CHAPELIN_Julien_2024_ED269.pdf http://www.theses.fr/2024STRAD026/abes https://theses.hal.science/tel-04905905 https://theses.hal.science/tel-04905905 https://theses.hal.science/tel-04905905 Chapelin Julien 1994-06-11 FR 282765093 1505009411V 21400382 4200021 https://theses.fr/2024STRAD026 2024STRAD026 https://doi.org/10.70675/690fc8dcza5f2z49c2z9441z9513a6450a73 2024-12-18 Génie industriel Strasbourg 131056549 Doctorat Docteur es non oui Rose Bertrand MADS_DIRECTEUR_DE_THESE_1 123904013 Iung Benoît MADS_DIRECTEUR_DE_THESE_2 092116191 Pérès François MADS_PRESIDENT_DU_JURY 076591514 Voisin Alexandre MADS_MEMBRE_DU_JURY_1 057614954 Chemla Jean-Paul MADS_MEMBRE_DU_JURY_2 126975337 Basset Michel MADS_MEMBRE_DU_JURY_3 136676324 Jotz Olivier MADS_MEMBRE_DU_JURY_4 282765921 Pérès François MADS_RAPPORTEUR_1 076591514 Sekhari Aïcha MADS_RAPPORTEUR_2 182629678 École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....) MADS_ECOLE_DOCTORALE_1 269 156504863 Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....) MADS_PARTENAIRE_DE_RECHERCHE_1 260728 176969721 ddc:670 Rose Bertrand Iung Benoît Pérès François Voisin Alexandre Chemla Jean-Paul Basset Michel Jotz Olivier Pérès François Sekhari Aïcha École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....) Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....) PDF 54417289