Garantir la conformité des informations entre deux versions d'un dessin mécanique.

Ensuring the consistency of information between two versions of a mechanical drawing

• Auteur / Autrice : Alexandre Monnier weil
• Direction : Yves Ledru
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 06/11/2023
• Etablissement(s) : Université Grenoble Alpes
• Ecole(s) doctorale(s) : École doctorale Mathématiques, sciences et technologies de l'information, informatique (Grenoble ; 1995-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'Informatique de Grenoble
• Partenaire(s) de recherche : Equipe de recherche : VASCO - Validation de logiciels à base de modèles (ancien LSR)

Mots clés

Mots clés libres

Dessin mécanique

Appariement de graphe

Réseaux neurones graphiques

Deep learning

Métamodélisation

Vérification des informations

Mechanical drawing

Graph matching

Graph Neural Network

Deep Learning

Metamodeling

Information verification

Résumé

L'objectif de la thèse est de définir une méthode scientifique permettant de comparer de manière automatique deux dessins techniques industriels afin d'en déduire des indices de similarité d'une part et de détecter et localiser sur les dessins les non-conformités métiers d'autre part. Le point commun entre les deux dessins est qu'ils représentent la même pièce (ou assemblage) : géométrie et usage identiques. Cependant, le premier a été établi manuellement et constitue l'unique support de représentation de la pièce tandis que le second est issu d'un logiciel de CAO (Conception Assistée par Ordinateur) et a été généré à partir d'un modèle 3D de la pièce. Pour autant, les deux dessins doivent contenir la même connaissance métier de la pièce et permettre sa fabrication pour un résultat strictement identique. Le travail de vérification de non-conformité entre les deux dessins est aujourd'hui une opération manuelle fastidieuse et longue, faite par un expert métier. Le développement d'une méthode qui s'appuierait sur des approches en intelligence artificielle (IA) connexionniste et symbolique permettrait d'accélérer cette vérification et de la rendre plus robuste. L'utilisation de l'IA symbolique semble essentielle pour faire le lien entre des règles métier de représentation et le dessin lui-même, lien dont on ne saurait démontrer l'existence et la pertinence en s'appuyant uniquement sur des méthodes d'apprentissage supervisé (machine learning par exemple).

The objective of the thesis is to define a scientific method that allows the automatic comparison of two industrial technical drawings in order to deduce indices of similarity on one hand, and to detect and localize business non-conformities on the drawings on the other hand. The common point between the two drawings is that they represent the same part (or assembly): identical geometry and usage. However, the first was established manually and constitutes the unique representation support of the part, while the second is derived from a CAD (Computer-Aided Design) software and was generated from a 3D model of the part. Nevertheless, both drawings must contain the same business knowledge of the part and allow its fabrication for an identically strict result. The work of verifying non-conformity between the two drawings is today a tedious and long manual operation, done by a business expert. The development of a method that would rely on approaches in artificial intelligence (AI), both connectionist and symbolic, would allow for faster verification and make it more robust. The use of symbolic AI seems essential to create a link between business representation rules and the drawing itself, a link whose existence and relevance cannot be demonstrated by relying solely on supervised learning methods (such as machine learning).