Extraction d’un indicateur de confiance dans les données d’un Jumeau Numérique / Extracting a Confidence Index in Digital Twin Data

French version. English version below :

Le Jumeau Numérique est un outil incontournable de la transition numérique des industries et des organisations. Il met à disposition de ses utilisateurs une image fidèle, dans un environnement numérique, d’un jumeau physique, les 2 jumeaux interagissant l’un l’autre. Dans le monde économique, le Jumeau Numérique peut être utilisé, par exemple, pour simuler le comportement du Jumeau Physique, mais aussi pour faire de la gestion d’actifs (pour avoir une image fidèle, à tout instant, de la composition du Jumeau Physique).
Le Jumeau Numérique peut être vu comme un modèle (ou un ensemble de modèles) instancié, automatiquement ou non, par des données issues des usages du Jumeau Physique. La représentativité du JN par rapport au JP est, de ce fait, dépendante des modèles du JN mais aussi des données l’alimentant. La confiance en cette représentativité est un élément crucial pour l’utilisation du JN.
Dans le cadre de cette thèse, nous nous concentrerons sur les données. Même s’il semble facile de vérifier les données pour le jumeau numérique d’un système géographiquement restreint, cela devient nettement plus compliqué quand il s’agit d’un système éloigné ou d’une infrastructure à l’échelle d’un pays. Or, si l’utilisateur du JN n’a pas confiance dans les données collectées et qu’il consomme beaucoup de ressource à les vérifier, l’intérêt économique de ce JN peut être remis en question.
Le travail de thèse consistera à analyser les modalités d’échanges de données entre un JP et son JN afin d’en extraire un indicateur de confiance lié à la représentativité des données. Dans un contexte industriel, celles-ci peuvent être redondantes tout en étant de sources différentes. Notre hypothèse de travail est donc d’utiliser cette hétérogénéité pour détecter des incohérentes entre les sources de données pour en déduire un indicateur de confiance. Pour ce faire, l’utilisation de vecteurs sémantiques est envisagée comme une première piste à explorer mais d’autres approches pourront également être étudiées.

English version :

The Digital Twin is an essential tool for the digital transition of industries and organizations. It provides its users with a faithful image, in a digital environment, of a physical twin, the 2 twins interacting with each other. In the economic world, the Digital Twin can be used, for example, to simulate the behavior of the Physical Twin, but also to make Assets Management (to have a faithful image, at any time, of the composition of the Physical Twin).
The Digital Twin can be seen as a model (or a set of models) instantiated, automatically or not, by data from the uses of the Physical Twin. The representativeness of the DT in relation to the PT is, therefore, dependent on the models of the DT but also on the data within it. Confidence in this representativeness is a crucial element for the use of the DT.
In the context of this thesis, we will focus on the data. Even if it seems easy to verify the data for the digital twin of a geographically restricted system, it becomes much more complicated when it comes to a remote system or a country-wide infrastructure. However, if the DT user does not trust the data collected and consumes a lot of resources to verify them, the economic interest of this DT can be called into question.
The thesis work will consist in analyzing the modalities of data exchanges between a PT and its DT in order to extract a confidence indicator for the representativeness of the data. In an industrial context, these can be redundant while being from different sources. Our working hypothesis is therefore to use this heterogeneity to detect inconsistencies between data sources to deduce a confidence indicator. To do this, the use of semantic vectors is considered as a first approach to explore but other approaches could also be studied.

French version. English version below :

Créé en 1980, le CRAN est une « Unité Mixte de Recherche ‐ UMR 7039 » commune à l’Université de Lorraine (Pôle scientifique « Automatique, Mathématiques, Informatique et leurs Interactions ‐ AM2I ») et au CNRS (Institut « CNRS Sciences Informatiques »). Le laboratoire est classé zone à régime restrictif depuis février 2014. Il est réparti sur 8 sites géographiques. Le laboratoire totalise près de 250 membres : au 1er janvier 2024, on dénombre 120 chercheurs ou enseignants-chercheurs (dont 8 chercheurs CNRS ‐ section 7 du CoNRS), des chercheurs de l’Institut de Cancérologie de Lorraine (ICL), du Centre Hospitalier Régional Universitaire (CHRU) ou d’organismes externes, 5 chercheurs émérites. Le service administratif et le service d’appui à la recherche totalisent 27 personnels. Le CRAN accueille près d’une centaine de doctorants, post-doctorants et chercheurs invités. En 2023, la production scientifique comptabilisait près de 300 articles ou communications dans des revues et conférences nationales ou internationales. Les travaux du CRAN s’appuient sur une vingtaine d’équipements (prototypes, démonstrateurs, plateformes, certaines ouvertes et labellisées) et développent des logiciels et des outils d’aide à la décision.

English version :

Created in 1980, CRAN is a "Unité Mixte de Recherche - UMR 7039" shared by the University of Lorraine (Pôle scientifique "Automatique, Mathématiques, Informatique et leurs Interactions - AM2I") and the CNRS (Institut "CNRS Sciences Informatiques"). The laboratory has been classified as a restricted zone since February 2014. It is spread over 8 geographical sites. The laboratory has almost 250 members: on January 1, 2024, there will be 120 researchers or teacher-researchers (including 8 CNRS researchers - section 7 of the CoNRS), researchers from the Institut de Cancérologie de Lorraine (ICL), the Centre Hospitalier Régional Universitaire (CHRU) or external organizations, and 5 emeritus researchers. The administrative and research support departments have a total of 27 staff. CRAN hosts nearly a hundred PhD students, post-docs and visiting researchers. By 2023, the scientific output included nearly 300 articles and papers in national and international journals and conferences. CRAN's work is supported by some twenty pieces of equipment (prototypes, demonstrators, platforms, some of which are open and accredited) and the development of software and decision-support tools.

French version. English version below :

Le candidat ou la candidate devra être issu d’un master de type génie industriel ou génie informatique. Une compétence en gestion des données techniques ou en algorithmes d’intelligence artificielle serait un plus. La maîtrise de la langue anglaise est obligatoire, celle du français serait fortement appréciée.

English version :

The candidate must have a master's degree in industrial engineering or computer engineering. Competence in technical data management or artificial intelligence algorithms would be a plus. Fluency in English is mandatory, French would be highly appreciated.