Séparation non-supervisée de signatures d'actionneurs à partir de capteurs non-intrusifs dans les processus industriels : Applications à la durabilité énergétique de systèmes hétérogènes

Unsupervised actuator signature separation from non-intrusive sensors in industrial processes : Applications to the energy sustainability of heterogeneous systems.

• Auteur / Autrice : Romain Delabeye
• Direction : Jean-Luc Dion, Olivia Penas, Martin Ghienne
• Type : Thèse de doctorat
• Discipline(s) : Génie mécanique
• Date : Soutenance le 15/12/2023
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Sciences Mécaniques et Energétiques, Matériaux et Géosciences
• Partenaire(s) de recherche : Laboratoire : QUARTZ (ECS, L@RIS, LISMMA)
• Partenaire(s) de recherche : référent : CentraleSupélec
• Partenaire(s) de recherche : graduate school : Université Paris-Saclay. Graduate School Sciences de l'ingénierie et des systèmes (2020-....)
• Jury : Président / Présidente : Jean-François Deü
• Jury : Examinateurs / Examinatrices : Hervé Panetto, Jérôme Antoni, Ronan Le Breton, Xavier Chiementin
• Jury : Rapporteurs / Rapporteuses : Hervé Panetto, Jérôme Antoni

Mots clés

Mots clés contrôlés

Industrie -- Consommation d'énergie

Apprentissage non supervisé (intelligence artificielle)

Séparation de sources (traitement du signal)

Ontologies (informatique)

Mots clés libres

Séparation de sources aveugle

Ontologies

Apprentissage non-Supervisé

Systèmes multi-Physiques

Durabilité énergétique

Vérification et validation

Blind source separation

Ontologies

Unsupervised machine learning

Multiphysics systems

Energy sustainability

Verification and validation

Résumé

L'industrie manufacturière constitue une part importante de la consommation mondiale d'énergie. De nombreuses entreprises cherchent à réduire l'empreinte énergétique de leurs usines tout en maintenant ou en améliorant leur productivité. Cela implique de relever plusieurs défis industriels et verrous scientifiques :(i) Comment identifier et analyser un processus de production à partir de données issues de capteurs non-intrusifs, en vue d'évaluer la performance énergétique d'un sous-système ?(ii) Est-il possible de modéliser et de caractériser automatiquement les transferts d'énergie, dissipation et stockage, dans un système de production sans connaissance préalable le concernant ?(iii) Comment évaluer qu'une approche scientifique donnée sera applicable à des cas d'utilisation industriels hétérogènes ?En effet, une méthodologie de vérification et de validation au plus tôt permettrait d'apporter des améliorations avant toute mise en oeuvre d'expérimentations, coûteuses et exigeant de la disponibilité. Compte tenu du grand nombre et de la variété des machines dans l'industrie, ces questions de recherche ont été subordonnées au choix de capteurs non-intrusifs et méthodes non-supervisées, en vue de la mise à l'échelle de lignes de production et usines.Ainsi, cette thèse propose des méthodes pour améliorer les capacités de surveillance relative à la durabilité énergétique des systèmes industriels. L'ingénierie système a été utilisée pour spécifier et positionner le sujet dans le contexte d'un projet collaboratif d'envergure.Les contributions de cette thèse s'articulent autour des trois objectifs suivants.(1) La synthèse, à partir de données issues de capteurs, du processus de production, i.e., de la séquence des opérations et des actionneurs actifs : les signatures émises, mixées dans le signal perçu, sont séparées en utilisant des techniques d'apprentissage de dictionnaire pour les signaux stationnaires et de suivi de composantes harmoniques pour les signaux non stationnaires. De cette séparation séparation résultent directement les états d'activation des actionneurs. La séparation et la prédiction de ces signaux sont donc traités par une technique de synthèse de modèles capable d'intégrer des contraintes physiques.(2) Une méthode de synthèse de modèles multi-physiques basée sur les bond graphs a été proposée pour identifier les transferts d'énergie dans un système, après une analyse bibliographique étendue de la littérature autour de la synthèse de modèles.(3) L'évaluation de l'applicabilité des approches scientifiques à des cas d'utilisation hétérogènes et permettant des améliorations de la conception dans le cadre d'un processus de vérification et de validation a été finalement traitée, au moyen d'ontologies.Sur le plan scientifique, cette recherche a mis en lumière plusieurs questions fondamentales dans le domaine de la modélisation guidée par les données. Concernant les techniques de factorisation de matrices semi-binaire dans le plan complexe pour la récupération des séquences d'activation, une étude détaillée montre que la phase des signaux induit de multiples minimiseurs dont un seul est significatif. Une nouvelle forme de dégénérescence de certains filtres à particules a été identifiée dans les expériences. Enfin, le problème de séparation d'énergie, dissipée et stockée, est abordé avec des approches préliminaires. Cependant, des expériences ont permis de montrer que ce problème inverse n'admet pas une unique solution stable.Enfin, des expériences en laboratoire et des expériences synthétiques ont été réalisées, générant un jeu de données (CAFFEINE) issu d'une machine à café instrumentée avec des capteurs non-intrusifs. La représentativité de ce cas d'utilisation vis-à-vis des systèmes de production industriels a d'ailleurs été soigneusement étudiée. Une librairie open source a par ailleurs été mise à disposition pour la modélisation et la simulation de bond graphs non-linéaires.

The manufacturing industry is responsible for a large part of the world's energy consumption. Many factory pilots seek to reduce their energy-related footprint, while maintaining or improving their productivity. This entails several industrial challenges and scientific issues.(i) How to retrieve a production process from non-intrusive sensor data in order to assess a sub-system's energy performance in a scalable fashion?(ii) To have a better understanding of a system's energy dynamics, can energy transfers, local losses and storage effects, be estimated and automatically modeled in a production system without prior knowledge?(iii) To what extent is a scientific approach applicable to heterogeneous industrial use cases?This also raises the issue of an early verification and validation methodology, enabling enhancements to be made prior to any implementation, as system availability and cost of experiments are often prohibitive. Due to the large number of machines in a factory, these research questions are subject to the constraint of non-intrusive sensors and unsupervised methods, so that the solutions sought can be extended to entire production lines and plants.This thesis addresses these issues with a series of methods in order to deliver better energy monitoring capabilities for the manufacturing industry. The solution is sought as a stand-alone system, facilitating the adoption of these methods in the manufacturing industry. A systems engineering approach is used to specify and position the subject in the context of a large collaborative project.The objective of this thesis is threefold.To begin with, the production process is recovered from sensor data as a sequence of operations involving actuators. Mixed signatures are separated using dictionary learning techniques for stationary signals and harmonic component tracking for non-stationary signals. Activation statuses are retrieved in place of the actuators' signals. Actuator signal separation and prediction are therefore entrusted to a model synthesis technique capable of integrating physical constraints.Towards a second objective, a multiphysics model synthesis method based on bond graphs is proposed to recover a system's energy transfers, together with an extensive literature review on model synthesis approaches.Addressed with ontology-based methods, the third objective aims to assess the applicability of scientific approaches to specific use cases, and enable design improvements as part of a verification and validation process.Scientifically, this research unveiled several fundamental issues in the field of data-driven modeling.The first issue concerns semi-binary matrix factorization techniques in the complex plane for the recovery of activation sequences. A detailed study shows that the phase induces multiple minimizers of which only one is significant, and a solution is proposed to reach it through means of regularization.A second issue concerns the sequential Monte Carlo probability hypothesis density filter. Particularly well-suited to multi-target tracking in presence of false alarms and nonlinearities, this filter nevertheless presents degeneracies. A new degeneracy phenomenon in particle filters caused by missed detections is identified in experiments, and tackled with a feature-aided approach.At last, energy separation into dissipated and stored energy is addressed with preliminary approaches, but is shown to be ill-posed in the general case.Along with this thesis, laboratory and synthetic experiments have been designed. The CAFFEINE dataset was produced as a collection of non-intrusive sensor measurements on a coffee machine. The extent to which this use case is representative of industrial production systems is carefully studied. An open source library is also proposed for nonlinear bond graph modeling and simulation.