Développement de solutions intelligentes explicables pour l'auto-surveillance et le pronostic des systèmes de fabrication connectés

Development of explainable intelligent solutions for self-monitoring and prognostics of connected manufacturing systems

• Auteur / Autrice : Duc An Nguyen
• Direction : Kamal Medjaher, Thi Phuong Khanh Nguyen
• Type : Thèse de doctorat
• Discipline(s) : Génie Industriel et Informatique
• Date : Soutenance le 16/01/2026
• Etablissement(s) : Université de Toulouse (EPE ; 2025-...)
• Ecole(s) doctorale(s) : École doctorale Systèmes (Toulouse ; 1999-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire Génie de Production (Tarbes ; 1989-....)
• Partenaire(s) de recherche : établissement délivrant conjointement le doctorat : Institut national polytechnique (Toulouse ; 1969-....)
• Jury : Président / Présidente : Yann Phuc Do
• Jury : Examinateurs / Examinatrices : Kamal Medjaher, Thi Phuong Khanh Nguyen, Antoine Grall, Nizar Chatti, Pauline Ribot
• Jury : Rapporteurs / Rapporteuses : Antoine Grall, Nizar Chatti
• DOI : 10.70675/6bdabf50z9d8fz447fzafd6z30a5c78a003a

Mots clés

Mots clés contrôlés

Génie industriel

Apprentissage profond

Maintenance conditionnelle

Mots clés libres

Pronostic et gestion de la santé des systèmes (PHM)

IA explicable

Interprétabilité

Apprentissage profond

Systèmes multi-Composants

Indicateur de santé

Prognostics and health management (PHM)

Explainable AI

Interpretability

Deep learning

Multi-Component systems

Health indicator

Résumé

L’évolution rapide de l’Industrie 4.0 et l’émergence de l’Industrie 5.0 ont intensifié la demande en solutions de maintenance prédictive capables de gérer des systèmes industriels complexes et interconnectés. Le domaine du Prognostics and Health Management (PHM) s’est imposé comme un axe clé pour relever ces défis. Les approches modernes du PHM s’appuient de plus en plus sur des méthodes fondées sur les données, utilisant l’apprentissage automatique et profond pour offrir une haute précision prédictive. Cependant, ces modèles de type « boîte noire » présentent souvent une interprétabilité limitée, posant des problèmes de confiance, de fiabilité et d’adoption dans des contextes industriels critiques pour la sécurité. Pour surmonter ces limites, cette thèse propose des solutions d’intelligence artificielle explicable (XAI) intégrées au PHM, désignées collectivement sous le terme XPHM. Elle présente quatre contributions majeures faisant progresser le développement de systèmes XPHM, afin d’assurer un meilleur équilibre entre précision prédictive et compréhension humaine : 1. Terminologie et taxonomie unifiées pour le XPHM : cette contribution établit une terminologie cohérente et une taxonomie unifiée adaptées au PHM, répondant au manque actuel de clarté conceptuelle dans l’application de la XAI. Elle fournit une base systématique pour sélectionner, catégoriser et intégrer les techniques d’explicabilité, contribuant ainsi à l’avancement de l’application des méthodes XAI dans le PHM. 2. Explicabilité en amont à partir de données transparentes : cette contribution propose un cadre d’explicabilité pré-modèle visant à créer une base de données robuste et transparente pour le XPHM. Elle introduit un jeu de données de pronostic orienté explicabilité, dans lequel les mécanismes de dégradation, les seuils de défaillance et les interactions inter-composants sont dérivés d’une analyse approfondie de la dynamique du système. L’approche intègre également une analyse de la pertinence des caractéristiques selon les modes de fonctionnement afin d’identifier les signaux capteurs et trajectoires de dégradation les plus significatifs, aboutissant à un jeu de données cohérent et interprétable pour le développement et la validation de modèles XPHM fiables. 3. Explicabilité intégrée au modèle pour le suivi transparent de la santé du système : cette contribution développe une approche hiérarchique et modulaire de construction d’indicateurs de santé (HI). La sélection transparente des capteurs est assurée par un mécanisme d’apprentissage de masquage qui identifie les signaux informatifs et réduit le bruit. Le cadre intègre également la connaissance experte et des facteurs réels tels que la maintenance et les arrêts, permettant l’intégration flexible de critères HI centrés sur l’expert (par ex. tendance ou forme de dégradation). Enfin, des mécanismes d’agrégation basés sur l’attention offrent une interprétation du comportement global du système en révélant la contribution de chaque composant à la santé globale. 4. Explicabilité post-hoc multimodale pour le PHM : cette contribution fait progresser l’explicabilité post-modèle pour le PHM fondé sur l’IA dans des contextes à entrées multimodales à l’aide d’un cadre basé sur SHAP. Elle quantifie l’importance des caractéristiques inter-modales, capture l’interprétabilité sensible à la dégradation au fil du cycle de vie du système et démontre comment les modèles multimodaux compensent les faiblesses des modèles unimodaux grâce à la complémentarité entre modalités. Des expériences menées sur des jeux de données simulés, de référence et industriels démontrent que les cadres XPHM proposés atteignent une grande précision prédictive tout en maintenant interprétabilité, adaptabilité et confiance centrée sur l’humain. Cette recherche comble le fossé entre les modèles d’IA performants mais opaques et le besoin croissant de systèmes PHM transparents, fiables et déployables dans des environnements industriels variés.

The rapid evolution of Industry 4.0 and the advent of Industry 5.0 have intensified the demand for predictive maintenance solutions capable of managing complex, interconnected industrial systems. Prognostics and Health Management (PHM) has emerged as a key field to address these challenges. Modern PHM approaches increasingly rely on data-driven methods powered by machine learning and deep learning, offering high predictive accuracy. However, these black-box models often suffer from limited interpretability, posing challenges to their trustworthiness, reliability, and adoption in safety-critical industrial contexts. To overcome these limitations, this thesis proposes explainable artificial intelligence (XAI) solutions integrated within PHM, collectively referred to as XPHM. The work presents four key contributions that advance the development of XPHM systems, enabling a better balance between predictive accuracy and human understanding: 1. Unified terminology and taxonomy for XPHM: This contribution establishes consistent terminologies and a unified taxonomy tailored to PHM, addressing the current lack of conceptual clarity in applying XAI. It provides a systematic foundation for selecting, categorizing, and integrating explainability techniques, thereby advancing the application of XAI methods within PHM. 2. Pre-model explainability through interpretable data foundations: This contribution establishes a pre-model explainability framework aimed at creating a robust and transparent data foundation for XPHM. It introduces an explainability-oriented prognostics dataset in which degradation mechanisms, failure thresholds, and inter-component interactions are derived through comprehensive analysis of system dynamics. The approach further incorporates mode-aware feature relevance analysis to identify meaningful sensor signals and degradation pathways, resulting in a physically consistent and interpretable prognostics dataset that supports the development, validation, and comparison of trustworthy XPHM models. 3. During-model explainability for interpretable system health state monitoring: This contribution develops a new approach for hierarchical and modular HI construction. Transparent sensor selection is achieved via a trainable masking mechanism that identifies informative signals and reduces noise. The framework also integrates expert knowledge and real-world factors such as maintenance and downtime, allowing flexible incorporation of expert-centric HI criteria (e.g., trendability and degradation shape constraints). Finally, attention-based HI aggregation mechanisms provide interpretable system-level insights by revealing the contribution of each component to overall system health. 4. Multimodal post-hoc explainability for PHM: This work advances post-model explainability for AI-based PHM under multimodal input conditions through a SHAP-based framework. It quantifies cross-modal feature importance, captures degradation-aware interpretability across system life stages, and demonstrates how multimodal models mitigate unimodal failures through inter-modality compensation. Together, these advances enable explainability-driven model validation, ensuring transparent and trustworthy prognostics. Extensive experiments on simulated, benchmark and real industrial datasets demonstrate that the proposed XPHM frameworks achieve high predictive accuracy while maintaining interpretability, adaptability, and human-centered trust. Building on these results, this research bridges the gap between high-performing black-box AI models and the growing need for transparent, reliable, and deployable PHM systems across diverse industrial environments.