Thèse de doctorat en Automatique et informatique industrielle
-
Résumé
Les systèmes cyber-physiques (SCP) sont des systèmes complexes et interconnectés, où les technologies numériques convergent avec le monde physique, ayant révolutionné de nombreux secteurs d’activités. L’Internet des objets (IOT) a également favorisé la collecte massive de données participant ainsi au développement du « Big Data ». Le développement de l’IOT et des SCP a cependant engendré des défis, principalement liés à la gestion massive de données et à la prise de décision. Le développement d’approches telles que le Data Analytics et le Machine Learning offre cependant des solutions en identifiant des modèles ou caractéristiques « cachés » au sein de ces données massives.Le présent mémoire adresse cette problématique de prise de décision en utilisant les approches et techniques de l’Intelligence Artificielle et s’intéresse plus particulièrement au domaine applicatif du Transport. Les systèmes de transport modernes, considérés comme des Systèmes cyber physiques complexes, intègrent une grande variété d’équipements mécatroniques. Ils sont de plus en plus autonomes, dotés de capteurs leur permettant de percevoir leur environnement et de moyens permettant l’interaction avec les gestionnaires de la flotte. Une approche globale de gestion de la flotte permet d’améliorer diverses fonctions telles que la planification de la maintenance et la gestion des opérations.La thèse s’intéresse aux boucles cybernétiques associées à l’exploitation des systèmes cyber physiques, en mettant l’accent sur l’activité de maintenance. Elle propose une assistance décisionnelle en caractérisant les boucles cybernétiques, spécifiant les besoins des décideurs, et développant des approches de Machine Learning tout en respectant des exigences de généricité et d’indépendance technologique. La modélisation de cette assistance repose sur une décomposition holonique du SCP et fait appel à la typologie de Rasmussen au niveau des traitements décisionnels. Un guide méthodologique accompagne cette démarche.Les concepts proposés dans ces travaux de thèse ont été validés au travers de deux collaborations industrielles. Une première collaboration avec la société marocaine STMF a permis d’optimiser la maintenance d’une flotte de camions de transport de matières dangereuses. Une seconde collaboration avec ALSTOM vise à améliorer la croissance de fiabilité du matériel roulant ferroviaire en détectant des signaux avant-coureurs d’une défaillance.
-
Titre traduit
Modelling of artificial intelligence-based decision assistance for cyber-physical systems : Application to maintenance in the transport domain
-
Résumé
Cyber-physical systems (PCS) are complex and interconnected systems, where digital technologies converge with the physical world, having revolutionized many sectors of activity. The Internet of Things (IOT) has also encouraged the massive collection of data, thus contributing to the development of « Big Data ». However, the development of IOT and SCPs has created challenges, mainly related to massive data management and decision-making. The development of approaches such as Data Analytics and Machine Learning, however, offers solutions by identifying “hidden” patterns or characteristics within this massive data.This thesis addresses the problem of decision-making by using the approaches and techniques of Artificial Intelligence and is particularly interested in the Transportation applicative field. Modern transport systems, considered as complex Cyber Physical Systems, incorporate a wide variety of mechatronic equipment. They are increasingly autonomous, equipped with sensors allowing them to perceive their environment and means allowing interaction with fleet managers. A holistic approach to fleet management helps improve various functions such as maintenance planning and operations management.The thesis focuses on the cyber loops associated with the operation of cyber physical systems, with a focus on the maintenance activity. It offers decision-making assistance by characterizing cybernetic loops, specifying the needs of decision-makers, and developing Machine Learning approaches while respecting the requirements of genericity and technological independence. The modeling of this assistance is based on a holonic decomposition of the SCP and uses Rasmussen’s typology at the level of decision making. A methodological guide accompanies this approach.The concepts proposed in this thesis work have been validated through two industrial collaborations. A first collaboration with the Moroccan company STMF has made it possible to optimize the maintenance of a fleet of trucks transporting hazardous materials. A second collaboration with ALSTOM aims to improve the reliability growth of railway rolling stock by detecting warning signs of a failure.
Source: http://www.theses.fr/2023UPHF0025
.