Thèse Année : 2024

Detection and diagnosis of drifts in heterogeneous and complex production processes : proposal for a generic artificial intelligence approach based on continuous learning

Détection et diagnostic de dérives de processus de production hétérogènes et complexes : proposition d’une approche générique d'intelligence artificielle basée sur l'apprentissage continu

Résumé

This thesis is set in the context of predictive maintenance for heterogeneous production processes, targeting three scientific issues: drift detection without the need for labeled data, drift diagnosis using hybrid methods, and the integration of these activities into an adaptable methodological approach. The first contribution proposes, via a decision logigram, a guided method for selecting the machine learning algorithms best suited to the data via the calculation of indicators. The second contribution presents a hybrid diagnosis, combining binary classifiers and decision trees enriched with expert knowledge, to identify the root causes of drift. Finally, the third contribution develops an integrated methodological approach to process drift detection and diagnosis, incorporating continuous learning steps to enable adaptation to process evolutions. Validated on an industrial process at SEW USOCOME, this approach shows promising results and confirms the relevance of the contributions.
Cette thèse s’inscrit dans le contexte de la maintenance prévisionnelle des processus de production hétérogènes, en ciblant trois problématiques scientifiques : la détection des dérives sans besoin de données étiquetées, le diagnostic des dérives à l’aide de méthodes hybrides, et l’intégration de ces activités dans une approche méthodologique adaptable. La première contribution propose, via un logigramme décisionnel, une méthode guidée pour sélectionner les algorithmes d’apprentissage automatique les mieux adaptés aux données via le calcul d’indicateurs. La deuxième contribution présente un diagnostic hybride, combinant classificateurs binaires et arbres de décision enrichis par des connaissances expertes, pour identifier les causes racine des dérives. Enfin, la troisième contribution élabore une approche méthodologique intégrée de détection et diagnostic des dérives de processus intégrant des étapes d’apprentissage continu, pour permettre l’adaptation aux évolutions des processus. Validée sur un processus industriel chez SEW USOCOME, cette approche montre des résultats prometteurs et confirme la pertinence des contributions.
Fichier principal
Vignette du fichier
CHAPELIN_Julien_2024_ED269.pdf (51.9 Mo) Télécharger le fichier
Origine Version validée par le jury (STAR)

Dates et versions

tel-04905905 , version 1 (22-01-2025)

Identifiants

  • HAL Id : tel-04905905 , version 1

Citer

Julien Chapelin. Détection et diagnostic de dérives de processus de production hétérogènes et complexes : proposition d’une approche générique d'intelligence artificielle basée sur l'apprentissage continu. Autre. Université de Strasbourg, 2024. Français. ⟨NNT : 2024STRAD026⟩. ⟨tel-04905905⟩
0 Consultations
0 Téléchargements

Partager

More