*

ENACT Contribution à la généralisation et la transférabilité de l'apprentissage profond pour la maintenance prédictive

Offre de thèse

ENACT Contribution à la généralisation et la transférabilité de l'apprentissage profond pour la maintenance prédictive

Date limite de candidature

31-05-2025

Date de début de contrat

01-10-2025

Directeur de thèse

DO Van Phuc

Encadrement

Réunion hebdomadaire avec le directeur et les encadrements Formation de l'école doctorale ED77

Type de contrat

Financement d'une collectivité locale ou territoriale

école doctorale

IAEM - INFORMATIQUE - AUTOMATIQUE - ELECTRONIQUE - ELECTROTECHNIQUE - MATHEMATIQUES

équipe

MPSI - Modélisation, Pilotage, Sûreté des Systèmes Industriels

contexte

Cette thèse est s'inscrit dans la collaboration entre l'entreprise Idemoov, spécialisée dans l'ingénierie IoT (Internet des Objets) et les solutions basées sur l'IA, et le Centre de Recherche en Automatique de Nancy (CRAN-UMR CNRS 7039 ; l'académique) de l'Université de Lorraine. Le CRAN est un acteur scientifique reconnu aussi bien au niveau national qu'international sur les problématiques de pronostic et d'aide à la décision en maintenance (prédictive) dans le cadre en autres des communautés PHM (Prognostics and Health Management) au sein des fédérations GdR MACS, IEEE, PHM society, IFAC et CIRP.

spécialité

Automatique, Traitement du signal et des images, Génie informatique

laboratoire

CRAN - Centre de Recherche en Automatique de Nancy

Mots clés

Maintenance prédictive, apprentissage profond, apprentissage par transfert

Détail de l'offre

Un élément clé de l'Industrie 4.0 est la maintenance prédictive (PdM-Predictive Maintenance) visant à optimiser les stratégies de maintenance grâce à des méthodologies basées sur les données. La PdM s'appuie sur la numérisation et l'analyse des données pour prédire la dégradation des équipements, optimiser la planification de la maintenance, allouer efficacement les ressources, réduire les coûts, améliorer la disponibilité et prolonger la durée de vie des actifs.

Depuis le début des années 2010, les méthodes d'apprentissage automatique (ML) ont été largement adoptées pour la PdM. Cependant, les tendances récentes indiquent une évolution vers l'apprentissage profond (DL-Deep Learning). L'un des atouts fondamentaux du DL en PdM réside dans sa capacité à extraire et à apprendre des informations discriminantes à partir de sources de données brutes, complexes et multimodales. Les modèles de DL découvrent de manière autonome des caractéristiques pertinentes, ce qui améliore la détection des pannes, le diagnostic et le pronostic. De plus, le DL peut traiter des ensembles de données hétérogènes à grande échelle avec une connaissance minimale du domaine. Cependant, malgré ces avantages, plusieurs défis et limitations entravent l'adoption et l'efficacité complètes du DL dans les applications de maintenance prédictive.

Premièrement, les modèles de DL souffrent fréquemment de surapprentissage, en particulier lorsqu'ils sont entraînés sur des jeux de données étiquetés limités. Ce problème est crucial dans les environnements industriels, où l'acquisition de données étiquetées de haute qualité est à la fois coûteuse et chronophage. De plus, les modèles de DL nécessitent des ressources de calcul importantes, ce qui complique leur déploiement dans des applications industrielles temps réel. Une autre limitation majeure est l'interprétabilité : les modèles de DL fonctionnent comme des boîtes noires, ce qui rend difficile pour les ingénieurs de maintenance de faire confiance à leurs prédictions ou de les valider. Ce manque de transparence peut ralentir l'adoption des solutions de maintenance prédictive basées sur le DL, en particulier dans les secteurs où la prise de décision exige des justifications solides et une conformité réglementaire. Un défi majeur de la recherche en maintenance prédictive repose sur la prise en compte des environnements d'exploitation dynamiques des systèmes industriels. Cette négligence peut conduire à des interprétations erronées de l'état de santé d'une machine, entraînant des erreurs de détection des défauts et de prédiction des pannes, ou des pertes d'opportunités de maintenance. Les modèles de DL existants peinent à s'adapter aux nouveaux scénarios opérationnels, ce qui limite leur utilisation à long terme. Un autre défi majeur est la rareté des données (data scarcity). De nombreux environnements industriels manquent de données étiquetées suffisantes pour former des modèles robustes, ce qui nécessite des techniques alternatives telles que l'apprentissage par transfert, la génération de données synthétiques et l'apprentissage auto-supervisé. De plus, la PdM implique l'intégration de données provenant de multiples sources hétérogènes (par exemple, vibrations, son, température). De nombreux modèles DL existants ne parviennent pas à exploiter pleinement les données de capteurs multimodaux. Cette incapacité à exploiter efficacement diverses sources de données limite la précision prédictive et la prise de décision globale.
Face à ces défis, nous avons pour objet dans cette thèse de développer un cadre d'apprentissage profond combinant à la fois des modèles et des méthodologies d'entrainement efficaces pour la maintenance prédictive de systèmes industriels.

Keywords

Predictive Maintenance, Deep Learning, Transfer Learning

Subject details

A key element of Industry 4.0 is predictive maintenance (PdM), which aims to optimize maintenance strategies through data-driven methodologies. PdM leverages digitalization and data analytics to predict equipment degradation, optimize maintenance planning, efficiently allocate resources, reduce costs, improve availability, and extend asset lifespan. Since the early 2010s, machine learning (ML) methods have been widely adopted for PdM. However, recent trends indicate a shift toward deep learning (DL). One of the fundamental strengths of DL in PdM lies in its ability to extract and learn discriminating information from raw, complex, and multimodal data sources. DL models autonomously discover relevant features, improving fault detection, diagnosis, and prognosis. Furthermore, DL can process large-scale, heterogeneous datasets with minimal domain knowledge. However, despite these advantages, several challenges and limitations hinder the full adoption and effectiveness of DL in predictive maintenance applications. First, DL models frequently suffer from overfitting, especially when trained on limited labeled datasets. This problem is critical in industrial environments, where acquiring high-quality labeled data is both costly and time-consuming. Furthermore, DL models require significant computational resources, complicating their deployment in real-time industrial applications. Another major limitation is interpretability: DL models operate as black boxes, making it difficult for maintenance engineers to trust or validate their predictions. This lack of transparency can slow the adoption of DL-based predictive maintenance solutions, particularly in industries where decision-making requires strong justifications and regulatory compliance. A major challenge in predictive maintenance research lies in addressing the dynamic operating environments of industrial systems. This neglect can lead to misinterpretations of a machine's health status, resulting in errors in fault detection and failure prediction, or in missed maintenance opportunities. Existing DL models struggle to adapt to new operational scenarios, limiting their long-term use. Another major challenge is data scarcity. Many industrial environments lack sufficient labeled data to train robust models, necessitating alternative techniques such as transfer learning, synthetic data generation, and self-supervised learning. Moreover, PdM involves integrating data from multiple heterogeneous sources (e.g., vibration, sound, temperature). Many existing DL models fail to fully exploit multimodal sensor data. This inability to effectively leverage diverse data sources limits predictive accuracy and overall decision-making. Faced with these challenges, our aim in this thesis is to develop a deep learning framework combining both models and effective training methodologies for the predictive maintenance of industrial systems.

Profil du candidat

Le/La candidat(e) idéal(e) doit posséder une solide expertise en apprentissage automatique (ML) et en apprentissage profond (DL), ainsi qu'une solide compréhension des systèmes de fabrication et de production. La maîtrise de la programmation Python est essentielle, et une expérience dans la mise en œuvre de solutions basées sur l'IA serait un plus. Outre ses compétences techniques, le/la candidat(e) devra démontrer de solides compétences organisationnelles en gestion de projet, une capacité à travailler en autonomie et une approche proactive de l'apprentissage. D'excellentes aptitudes au travail en équipe et à la communication sont également attendues, car la recherche impliquera une collaboration avec des partenaires universitaires et industriels.

Candidate profile

The ideal candidate must have strong expertise in Machine Learning (ML) and Deep Learning (DL), with a solid understanding of manufacturing and production systems. Proficiency in Python programming is essential, while experience in implementing AI-driven solutions would be a plus. In addition to technical skills, the candidate should demonstrate strong organizational abilities in project management, the capacity to work independently, and a proactive approach to learning. Excellent teamwork and communication skills are also expected, as the research will involve collaboration with both academic and industrial partners.

Référence biblio

Biggio, L., & Kastanis, I. (2020). Prognostics and health management of industrial assets: Current progress and road ahead. Frontiers in Artificial Intelligence, 3, 578613.
Ellefsen, A. L., Æsøy, V., Ushakov, S., & Zhang, H. (2019). A comprehensive survey of prognostics and health management based on deep learning for autonomous ships. IEEE Transactions on Reliability, 68(2), 720–740.
Fink, O., Wang, Q., Svensen, M., Dersin, P., Lee, W. J., & Ducoffe, M. (2020). Potential, challenges, and future directions for deep learning in prognostics and health management applications. Engineering Applications of Artificial Intelligence, 92, 103678.
Nguyen, K. T. P., Medjaher, K., & Tran, D. T. (2023). A review of artificial intelligence methods for engineering prognostics and health management with implementation guidelines. Artificial Intelligence Review, 56(4), 3659–3709.
Rezaeianjouybari, B., & Shang, Y. (2020). Deep learning for prognostics and health management: State of the art, challenges, and opportunities. Measurement, 163, 107929.
Wang, Y., Zhao, Y., & Addepalli, S. (2020). Remaining useful life prediction using deep learning approaches: A review. Procedia Manufacturing, 49, 81–88.
Zhang, Y., & Li, Y. F. (2022). Prognostics and health management of lithium-ion battery using deep learning methods: A review. Renewable and Sustainable Energy Reviews, 161, 112282.
Zhao, X., et al. (2021). Prognostics and health management in nuclear power plants: An updated method-centric review. Frontiers in Energy Research, 9, 696785.