Vers un jumeau numérique soutenable pour la surveillance et la détection robuste d'anomalies dans les systèmes de production

Towards a sustainable digital twin for monitoring and robust anomaly detection in manufacturing systems

• Auteur / Autrice : Khadidja Abdoune
• Direction : Olivier Cardin, Maroua Nouiri
• Type : Thèse de doctorat
• Discipline(s) : Automatique, productique
• Date : Soutenance le 28/11/2023
• Etablissement(s) : Nantes Université
• Ecole(s) doctorale(s) : École doctorale Mathématiques et Sciences et Technologies du numérique, de l’Information et de la Communication (Nantes ; 2022-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire des Sciences du Numérique de Nantes
• Jury : Président / Présidente : Mamadou Kaba Traoré
• Jury : Examinateurs / Examinatrices : Pierre Castagna, William Derigent
• Jury : Rapporteurs / Rapporteuses : Lionel Roucoules, Damien Trentesaux

Mots clés

Mots clés contrôlés

Productique

Programmation automatique

Mots clés libres

Jumeau Numérique (JN)

Système de production

Digital twin

Manufacturing system

Résumé

Cette thèse explore le Jumeau Numérique (JN) dans le contexte des systèmes de production manufacturiers. Elle élargit la définition du JN en intégrant des aspects de soutenabilité, mettant en avant l'efficacité et la durabilité dans le cycle de vie des JNs. L'étude se concentre ensuite sur les systèmes à événements discrets, révélant leur complexité événementielle. Elle développe des mécanismes de synchronisation pour améliorer la modélisation et des méthodes robustes pour renforcer la détection d'anomalies. Ces approches utilisent l'apprentissage automatique et les retours des opérateurs pour surveiller les performances et identifier les dérives. Une étude de cas sur une ligne d'assemblage confirme l'efficacité de ces approches. La thèse aborde également les systèmes à variables continues, en se penchant sur la consommation d'énergie d'un équipement industriel. Elle propose des méthodologies de génération de modèles basés sur les données dont une méthode est basée sur les densités de probabilités et une autre basée sur des intervalles pour quantifier les incertitudes. Enfin, cette recherche ouvre une perspective passionnante après la détection d'anomalies, notamment en matière de reconfiguration, de diagnostics et d’intégration de l’humain. Ces possibilités permettent de gérer les aléas de manière proactive, contribuant ainsi à l'amélioration globale des systèmes de production

This thesis delves deep into the Digital Twin (DT) within the context of manufacturing production systems. It broadens the definition of DT by incorporating sustainability aspects, emphasizing efficiency and sustainability throughout the life cycle of DTs. The study then narrows its focus to discrete event systems, unveiling their event complexity. It develops synchronization mechanisms to enhance modeling and deploys robust methods to strengthen anomaly detection. These approaches leverage machine learning and operator feedback to monitor performance and identify deviations. A case study on an assembly line confirms the effectiveness of these innovative approaches. The thesis also addresses continuous variable systems by examining the energy consumption of industrial equipment. It proposes methodologies for generating data-driven models, including one method based on probability densities and another based on intervals to quantify uncertainties. Finally, this research opens up different perspectives following anomaly detection, particularly in the areas of reconfiguration, diagnostics, and human integration. These possibilities enable proactive management of contingencies, thereby contributing to the overall improvement of production systems.