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
Langue Français
Accéder au document

Ce document est protégé en vertu du Code de la Propriété Intellectuelle.

Modalités de diffusion de la thèse :
  • Thèse consultable sur internet, en texte intégral.
  • Thèse avec 2 versions : seule la version intégrale est proposée ; sur authentification (communication intranet).
 
Auteur : Chapelin, Julien
Date de soutenance : 18-12-2024

Directeur(s) de thèse : Rose, Bertrand - Iung, Benoît

Président : Pérès, François
Rapporteur(s) : Pérès, François - Sekhari, Aïcha
Membre(s) du jury : Voisin, Alexandre - Chemla, Jean-Paul - Basset, Michel - Jotz, Olivier

Établissement de soutenance : Strasbourg
Laboratoire : Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....)
École doctorale : École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....)
 
Discipline : Génie industriel
Classification : Fabrication industrielle

Mots-clés libres : Maintenance prévisionnelle, Processus de production hétérogènes, Détection de dérive, Diagnostic de dérive, Cadre méthodologique, Connaissances expertes, Apprentissage d'ensemble, Détection des nouveautés, Apprentissage continu
Mots-clés :
  • Procédés de fabrication - Performances
  • Modélisation des données (informatique)
  • Apprentissage profond
Résumé : 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.
 
Type de contenu : Text
Format : PDF
 
Entrepôt d'origine : STAR : dépôt national des thèses électroniques françaises
Identifiant : 2024STRAD026
Type de ressource : Thèse