SOUTENANCE PUBLIQUE DE THÈSE
Vendredi 17 novembre 2023 à 13h30 par Adama ARAMA
pour obtenir le grade de docteur de l’Université de Bordeaux
Spécialité : Automatique, productique, signal et image, ingénierie cognitique
Lieu : Amphi MARI, ESTIA, 92 Allée Théodore Monod, 64210 Bidart
La soutenance sera diffusée en direct sur la chaîne YouTube d’ESTIA :
https://www.youtube.com/@ESTIAoffciel/streams
Jury
M. MERLO Christophe, Professeur ESTIA, ESTIA, Directeur de thèse
Mme. COSTA-AFONSO Roberta, Maître de Conférence HDR, ISAE SUPMECA, Rapportrice
Mme. VAREILLES Elise, Professeure ERE, ISAE SUPAERO, Rapportrice
M. IUNG Benoît, Professeur des Universités, Université de Lorraine, Examinateur
M. MORIN Michael, Professeur agrégé, Université Laval à Québec, Examinateur
M. LEGROS Marc, Champion digital, SOLVAY La Rochelle, Examinateur
Mme. LAGUNA SALVADO Laura, Enseignant-Chercheur, ESTIA, Co-encadrante
M. VILLENEUVE Éric, Enseignant-Chercheur, ESTIA, Co-encadrant
Résumé
La révolution apportée par l’Industrie 4.0 a fortement impacté les systèmes de production, qui sont désormais considérés comme des systèmes cyber-physiques de production (ou Cyber-physical Production Systems - CPPS). Les CPPS s’appuient sur des capteurs et actionneurs connectés, implantés au sein des lignes de fabrication, mais aussi sur des moyens d’exploitation et de visualisation de données ainsi collectées, afin de piloter la production. Les CPPS générant une grande quantité de données hétérogènes, le pilotage de ces systèmes est une tâche complexe et ce seul apport de données ne suffit pas pour garantir un pilotage performant des systèmes de production. Ainsi, pour être pleinement opérationnel, l’intégration de l’humain dans le processus de surveillance et de pilotage de la production demeure capitale. Ces travaux explorent cette problématique au travers de l’étude du diagnostic des dérives du processus de fabrication pour un système de production continue. L’objectif de cette thèse, qui s’inscrit dans le cadre du projet européen HyperCOG, est de développer une approche pour assister l’opérateur dans cette activité de diagnostic. Pour cela, une méthodologie est proposée en combinant les techniques d’apprentissage supervisé (Machine Learning – ML) et l’élicitation des connaissances humaines (fournies par les experts) pour exploiter les données de production (issues du CPPS). Le modèle résultant permet de déterminer les causes probables de la dérive.
Mots-clés
Système cyber-physique de production, Apprentissage supervisé, Connaissance experte, Approche Hybride, Diagnostic
Remerciements
Ces travaux de recherche ont été réalisés avec le soutien de SOLVAY La Rochelle et financés dans le cadre du projet européen HyperCOG https://www.hypercog.eu/