Apprentissage profond des représentations pour le pronostic et management de la santé
Deep learning representations for prognostics and health management
Jury
Directeur de these_CERISARA_Christophe_UNIVERSITÉ DE LORRAINE
Rapporteur_RAMASSO_Emmanuel_FEMTO-ST
Rapporteur_HUDELOT_Céline_CENTRALESUPELEC PARIS-SACLAY
Examinateur_ADDIS_Bernardetta_UNIVERSITÉ DE LORRAINE
CoDirecteur de these_VOISIN_Alexandre_UNIVERSITÉ DE LORRAINE
Examinateur_VOGEL-HEUSER_Birgit_TECHNISCHE UNIVERSITÄT MÜNCHEN
Examinateur_COUTURIER_Raphaël_UNIVERSITÉ DE FRANCHE-COMTÉ
école doctorale
IAEM - INFORMATIQUE - AUTOMATIQUE - ELECTRONIQUE - ELECTROTECHNIQUE - MATHEMATIQUES
Laboratoire
LORIA - Laboratoire Lorrain de Recherche en Informatique et ses Applications
Mention de diplôme
Informatique
Amphi 7
Campus Aiguillettes
BP 70239
54506 VANDŒUVRE LES NANCY
Mots clés
Apprentissage profond,Pronostic et management de la santé,prédiction de la durée de vie utile restante,Apprentissage auxiliaire,Méta-apprentissage,Interprétabilité,
Résumé de la thèse
Cette thèse contribue à l'application de l'apprentissage Profond (Deep Learning) dans la prédiction de la durée de vie résiduelle (Remaining Useful Life) des équipements industriels, en traitant plusieurs défis importants. Notre recherche est motivée par des questions clés visant à développer des architectures et méthodes d'apprentissage profond pour pronostique la RUL sous diverses conditions operationelles, à améliorer l'interprétabilité des modèles et à faire face au manque de données en exploitant des données externes (non) labellisées.
Keywords
Deep learning,Prognostics and health management,Remaining useful life prediction,Auxiliary learning,Meta learning,Interpretability,
Abstract
This thesis contributes to the application of Deep Learning (DL) in Remaining useful life (RUL) prediction of industrial equipment, addressing significant challenges in this field. Our research is driven by the need to develop DL architectures that mitigate performance degradation under various operating conditions, to improve model interpretability, and to address data scarcity by leveraging external (un)labeled data.
