Usages de l'Intelligence Artificielle pour la sûreté de fonctionnement et la maintenance intelligente des équipements de production dans l'industrie du futur

Artificial intelligence solutions for the reliability and maintenance of smart factories

• Auteur / Autrice : Stanley Lim
• Direction : Eric Gascard
• Type : Projet de thèse
• Discipline(s) : Automatique - Productique
• Date : Inscription en doctorat le 06/11/2023
• Etablissement(s) : Université Grenoble Alpes
• Ecole(s) doctorale(s) : École doctorale électronique, électrotechnique, automatique, traitement du signal
• Partenaire(s) de recherche : Laboratoire : Sciences pour la conception, l'optimisation et la production (Grenoble, Isère, France ; 2006-....)

Mots clés

Mots clés libres

Arbres de défaillances dynamiques

Diagnostic

Apprentissage automatique

Maintenance

Industrie 4.0

Systèmes cyber-physiques de production

Industry 4.0

Machine Learning

Dynamic Fault Trees

Maintenance

Cyber Physical Production System

Diagnosis

Résumé

La capacité à connaître l'état de santé d'un équipement de production est d'une importance capitale dans l'industrie du futur afin de mettre en place une maintenance intelligente des équipements dans les usines du futur. Leurs analyses de la fiabilité contribuent ainsi à la durabilité des équipements et répondent aux responsabilités sociétales et environnementales des systèmes de production. Dans ce projet de thèse, nous voulons développer des outils d'analyse de la fiabilité et d'aide à la décision pour le diagnostic et la maintenance en utilisant des outils d'intelligence artificielle. Sur la base d'une modélisation incomplète du système et de données de surveillance de l'état de santé du système, nous allons aborder deux approches complémentaires. Premièrement, nous allons aborder le problème de la construction d'arbres de défaillances dynamiques en utilisant des approches d'apprentissage automatique. Les arbres de défaillances dynamiques [Dugan&al 1992] représentent des scénarios avec des comportements dynamiques et des liens de causalités entre différents événements aboutissant à la défaillance redoutée du système. Cet outil permet une analyse qualitative et quantitative de la fiabilité [Gascard & Simeu-Abazi 2015, Gascard & Simeu-Abazi 2018]. Deuxièmement, nous allons étudier la problématique du diagnostic de systèmes dynamiques pour lesquels nous avons une connaissance incomplète des modes de défaillances : nous développerons une méthodologie de diagnostic hybride basée sur les arbres de défaillances dynamiques [Gascard&al 2011] et les automates temporisés [Gascard&Simeu-Abazi 2013, Gascard&Simeu-Abazi 2019]. Les automates temporisés [Alur&Dill 1994] permettront le suivi des modes de fonctionnement du système (nominal, dégradés, défaillants) et seront construit à partir du modèle nominal du système et des données de surveillance.

The ability to know the health state of a production equipment is of paramount importance in the industry of the future in order to implement intelligent maintenance of equipments in smart factories. Their reliability analysis contribute to the sustainability of the equipment and meet the societal and environmental responsibilities of production systems. In this thesis project, we want to develop reliability analysis and decision support tools for diagnosis and maintenance using artificial intelligence tools. Based on incomplete system modeling and system health monitoring data, we will address two complementary approaches. First, we will address the problem of building dynamic fault trees using machine learning approaches. Dynamic fault trees [Dugan&al 1992] represent scenarios with dynamic behaviors and causal links between different events leading to the undesired system failure. This tool allows a qualitative and quantitative analysis of reliability [Gascard & Simeu-Abazi 2015, Gascard & Simeu-Abazi 2018]. Secondly, we will study the problem of diagnosis of dynamic systems for which we have an incomplete knowledge of the failure modes: we will develop a hybrid diagnosis methodology based on dynamic fault trees [Gascard&al 2011] and timed automata [Gascard&Simeu-Abazi 2013, Gascard&Simeu-Abazi 2019]. The timed automata [Alur&Dill 1994] will allow the monitoring of the system's modes of operation (nominal, degraded, failed) and will be built from the nominal model of the system and the monitoring data.