[STAGE MASTER 2] - Maintenance prédictive basée sur les connaissances dans le contexte de l’Industrie 4.0

CESI LINEACT (UR 7527), Laboratoire d'Innovation Numérique pour les Entreprises et les Apprentissages au service de la Compétitivité des Territoires, anticipe et accompagne les mutations technologiques des secteurs et des services liés à l’industrie et au BTP. La proximité historique de CESI avec les entreprises est un élément déterminant pour nos activités de recherche, et a conduit à concentrer les efforts sur une recherche appliquée proche de l’entreprise et en partenariat avec elles. Une approche centrée sur l’humain et couplée à l’utilisation des technologies, ainsi que le maillage territorial et les liens avec la formation, ont permis de construire une recherche transversale ; elle met l’humain, ses besoins et ses usages, au centre de ses problématiques et aborde l’angle technologique au travers de ces apports.

Sa recherche est organisée selon deux équipes scientifiques interdisciplinaires et deux domaines applicatifs.

• L’équipe 1 "Apprendre et Innover" relève principalement des Sciences cognitives, Sciences sociales et Sciences de gestion, Sciences et techniques de la formation et celles de l’innovation. Les principaux objectifs scientifiques visés sont la compréhension des effets de l'environnement, et plus particulièrement des situations instrumentées par des objets techniques (plateformes, ateliers de prototypage, systèmes immersifs...) sur les processus d'apprentissage, de créativité et d’innovation.
• L’équipe 2 "Ingénierie et Outils Numériques" relève principalement des Sciences du Numérique et de l'Ingénierie. Les principaux objectifs scientifiques portent sur la modélisation, la simulation, l’optimisation et l’analyse de données de systèmes cyber physiques. Les travaux de recherche portent également sur les outils d’aide à la décision associés et sur l’étude des interactions humains-systèmes notamment à travers les jumeaux numériques couplés à des environnements virtuels ou augmentés.

Ces deux équipes développent et croisent leurs recherches dans les deux domaines applicatifs de l'Industrie du Futur et de la Ville du Futur, soutenues par des plateformes de recherche, principalement celle de Rouen dédiée à l’Usine du Futur et celles de Nanterre dédiée à l’Usine et au Bâtiment du Futur.

Domaines scientifiques :

Représentation des connaissances, Apprentissage automatique, Prédiction, Industrie 4.0.

Travaux de recherche :

Sujet de stage :

Dans le cadre de l’industrie 4.0, la maintenance prédictive s’impose comme une solution prometteuse pour optimiser la productivité des entreprises et réduire les coûts associés aux opérations de maintenance et de réparation. En intégrant des technologies avancées permettant la collecte continue de données multi-capteurs et l’analyse en temps réel le fonctionnement des systèmes, cette stratégie permet de détecter les anomalies précocement et d’anticiper les pannes des équipements. L’objectif principal est de prévenir les défaillances en planifiant des actions correctives avant qu’elles ne se produisent, tout en minimisant les temps d’indisponibilité. Une des composantes majeures de ces approches repose sur l’estimation de la durée de vie résiduelle, ou Remaining Useful Life (RUL), qui correspond au temps de fonctionnement restant avant qu’une panne critique ne survienne.

Les solutions de maintenance prédictive s’articulent autour de plusieurs grandes approches. Les méthodes basées sur les modèles physiques (Physics-Based ou Model-Based) modélisent mathématiquement les mécanismes de dégradation d’un système, offrant une description précise mais souvent complexe à mettre en oeuvre. À l’opposé, les approches basées sur les données (Data-

Driven) exploitent des algorithmes d’apprentissage automatique, et plus particulièrement l’apprentissage profond, pour analyser les données historiques et construire des modèles prédictifs.

Ces dernières ont démontré des performances élevées et produisent des résultats prometteurs.

Cependant, elles sont confrontées à plusieurs limitations, telles que le manque d’explicabilité des résultats, qui rend difficile leur interprétation, une faible réutilisabilité et adaptabilité des modèles à de nouveaux contextes industriels, et une forte dépendance à la qualité et à la quantité des données disponibles. Ces contraintes limitent leur adoption, en particulier dans les environnements où les données sont rares, coûteuses à collecter ou peu fiables.

Dans ce contexte, les approches basées sur les connaissances métier (Knowledge-Based) représentent une alternative particulièrement intéressante. Ces méthodes exploitent des règles expertes, des modèles théoriques et des retours d’expérience du domaine industriel pour construire des systèmes prédictifs qui se distinguent par leur capacité à pallier l’absence de données historiques tout en offrant des résultats plus facilement interprétables. Contrairement aux approches Data-driven, elles sont moins dépendantes des données volumineuses et facilitent la réutilisation et l’adaptabilité des modèles. En effet, les connaissances peuvent être mises à jour en fonction des retours d’expérience ou des évolutions technologiques, rendant les modèles évolutifs et robustes face à des cas d’usage variés. Cependant, leur mise en oeuvre reste peu explorée, en grande partie en raison de la complexité liée à la formalisation des connaissances métier et à leur intégration dans des cadres computationnels modernes.

Plan de travail

Ce stage s’inscrit dans cette problématique en se focalisant sur le développement et l’évaluation d’approches knowledge-based pour la maintenance prédictive dans le cadre de l’industrie 4.0. Les travaux viseront à formaliser et structurer les connaissances métier, à les intégrer dans des modèles prédictifs, et à évaluer ces approches à travers des cas d’étude concrets. À titre d’exemple, des jeux de données standards comme C-MAPSS ou N-CMAPSS, largement utilisés pour la maintenance prédictive des moteurs d’avions, pourraient être exploités en s’appuyant sur les travaux antérieurs du laboratoire LINEACT. Enfin, la rédaction d’un rapport scientifique et la documentation complète ducode développé constitueront des livrables attendus.

Pour atteindre ces objectifs, le stage suivra les étapes suivantes :

1. Réaliser un état de l’art sur les méthodes de maintenance prédictive basées sur les connaissances.
2. Effectuer un benchmark des cas d’étude disponibles et sélectionner un use-case approprié.
3. Formaliser et modéliser les connaissances du domaine à l’aide d’outils et techniques adaptés (ontologies, graphes de connaissances, etc.).
4. Mettre en place un système de raisonnement basé sur des règles adaptées au domaine.
5. Proposer et implémenter une méthode prédictive pour anticiper les pannes.
6. Valoriser les résultats obtenus, documenter les travaux et rédiger un article scientifique.

Références:

[01]: Hafsi, M. (2024). Exploring a Knowledge-Based Approach for Predictive Maintenance of Aircraft Engines: Studying Fault Propagation through Spatial and Topological Component Relationships. PHM Society European Conference, 8(1), 9. https://doi.org/10.36001/phme.2024.v8i1.4100

[02]: Hafsi, M., Hamour, N., Ouchani, S. (2023). Predictive Maintenance for Smart Industrial Systems: A Roadmap. Procedia Computer Science 220, 645–650 (2023). The 6th International Conference on Emerging Data and Industry 4.0 (EDI40).

[03]: Barry, I., Hafsi, M. (2023). Towards Hybrid Predictive Maintenance for Aircraft Engine: Embracing an Ontological-Data Approach. 20th International ACS/IEEE International Conference on Computer Systems and Applications.

[04]: Barry, I., Hafsi, M., Mian Qaisar, S. (2023). Boosting Regression Assistive Predictive Maintenance of the Aircraft Engine with Random-Sampling Based Class Balancing. International Conference on Information Systems and Advanced Technologies.

[04]: Cao, Q., Zanni-Merk, C., Samet, A., Reich, C., de Bertrand de Beuvron, F., Beckmann, A., Giannetti, C. Kspmi: A knowledge-based system for predictive maintenance in industry 4.0. Robotics and Computer-Integrated Manufacturing, 74:102281, 2022.

[05]: Berghout, T., & Benbouzid, M. (2022). A Systematic Guide for Predicting Remaining Useful Life with Machine Learning. Electronics, 11(7). doi:10.3390/electronics11071125

[06]: Cheng, X., Chaw, J. K., Goh, K. M., Ting, T. T., Sahrani, S., Ahmad, M. N., … Ang, M. C. (2022).Systematic Literature Review on Visual Analytics of Predictive Maintenance in the Manufacturing Industry. Sensors, 22(17). doi:10.3390/s22176321

[07]: P. Nunes, J. Santos, and E. Rocha. Challenges in predictive maintenance – a review. CIRP Journal of Manufacturing Science and Technology, 40:53–67, 2023.

[08]: Jinwei Chen, Zhenchao Hu, Jinzhi Lu, Xiaochen Zheng, Huisheng Zhang, and Dimitris Kiritsis. A data-knowledge hybrid driven method for gas turbine gas path diagnosis. Applied Sciences, 12(12), 2022.

[09]: Steenwinckel, B., De Paepe, D., Vanden Hautte, S., Heyvaert, P., Bentefrit, M., Moens, P., …Ongenae, F. (2021). FLAGS: A methodology for adaptive anomaly detection and root cause analysis on sensor data streams by fusing expert knowledge with machine learning. Future Generation Computer Systems, 116, 30–48. doi:10.1016/j.future.2020.10.015

[10]: Zio, E. (2022). Prognostics and Health Management (PHM): Where are we and where do we(need to) go in theory and practice. Reliability Engineering & System Safety, 218, 108119.doi:10.1016/j.ress.2021.108119

Compétences scientifiques et techniques:

• Modélisation, représentation formelle et raisonnement logique,
• Intelligence artificielle et apprentissage automatique,
• Programmation : Excellente maitrise du langage Python,
• Gestion de bases de données,
• Bonnes capacités rédactionnelles,
• Maitrise de l’anglais

Compétences relationnelles :

• Etre autonome, avoir un esprit d’initiative et de curiosité
• Savoir travailler en équipe et avoir un bon relationnel,
• Etre rigoureux(se) avec un bon esprit critique et analytique.