Offre de thèse
Gouvernance des données frugale et optimisée par l'IA pour des jumeaux numériques fiables
Date limite de candidature
30-09-2026
Date de début de contrat
01-11-2026
Directeur de thèse
MAIMOUR Moufida
Encadrement
La thèse sera réalisée au sein du département MPSI du CRAN en collaboration avec Dr. Malcolm Egan de l'INRIA - Equipe Maracas Lyon. Thèse avec comité de suivi de thèse.
Type de contrat
école doctorale
équipe
MPSI - Modélisation, Pilotage, Sûreté des Systèmes Industrielscontexte
Au cœur de l'Industrie 4.0, les jumeaux numériques (JN) permettent de superviser et d'optimiser des systèmes cyber-physiques complexes. Toutefois, leur efficacité repose classiquement sur une collecte massive de données, un paradigme aujourd'hui limité par les contraintes matérielles des capteurs (énergie, bande passante), l'instabilité des réseaux industriels sans-fil et le coût environnemental du calcul. Le verrou scientifique consiste à rompre avec cette logique volumétrique pour adopter une frugalité informationnelle orientée tâche. Il s'agit de déterminer les données strictement nécessaires à la décision via un traitement local (edge/IA), de co-concevoir des protocoles de transmission robustes et de propager formellement les incertitudes de mesure dans le JN pour garantir sa fiabilité opérationnelle.spécialité
Automatique, Traitement du signal et des images, Génie informatiquelaboratoire
CRAN - Centre de Recherche en Automatique de Nancy
Mots clés
Jumeaux numériques fiables, Données intelligentes , Gouvernance des données, Conception frugale
Détail de l'offre
La transformation numérique de l'industrie s'inscrit aujourd'hui au cœur des paradigmes de l'Industrie 4.0 et des systèmes cyber-physiques, où les plateformes industrielles (bâtiments intelligents, lignes robotisées, production flexible, etc.) deviennent massivement instrumentées, interconnectées et pilotées par la donnée, dans des environnements fortement dynamiques : reconfiguration des chaînes de production, variabilité des charges, mobilité des robots, interactions homme-machine, fluctuations énergétiques. Monitorer en continu l'état du système avec précision et prédire le comportement des équipements (pannes, goulots d'étranglement, etc.) est essentiel pour assurer performance, sûreté de fonctionnement, maintenance prédictive et optimisation énergétique.
Les jumeaux numériques (JN) répondent à ces enjeux : représentation virtuelle évolutive d'un système physique, synchronisée en (quasi) temps réel par ses flux de données, le JN permet de superviser l'état courant, d'anticiper son évolution, de simuler des scénarios de décision et d'optimiser son pilotage [1]. Son efficacité suppose toutefois des données fiables, pertinentes et riches, hypothèse pas toujours vérifiée en milieu industriel dynamique.
La collecte des données est un défi scientifique et technologique majeur : capteurs souvent distribués, hétérogènes, contraints en énergie, connectés par des réseaux sans-fil sujets aux pertes de paquets, latences variables et interférences. Leur multiplication génère en outre un volume massif de données dont la transmission, le stockage et le traitement ont un coût computationnel, énergétique et environnemental significatif. Une acquisition exhaustive n'est donc ni soutenable ni nécessaire.
La problématique centrale de cette thèse est la frugalité informationnelle dans l'alimentation des JN de systèmes industriels dynamiques : minimiser les ressources mobilisées (bande passante, énergie, calcul, stockage, etc.) tout en préservant précision et fiabilité compatibles avec le système physique, en passant d'une logique de volume à une logique de pertinence et de qualité de l'information.
Pour atteindre cet objectif, cette thèse devra répondre aux trois questions de recherche suivantes :
1. Sélection et compression des données : quelles sont les données réellement nécessaires pour assurer une représentation fidèle du système au sein du JN, vis-à-vis d'un objectif donné (diagnostic, prédiction, optimisation) ? Les pistes incluent la sélection statique ou dynamique de capteurs ou de sous-ensembles de données, la compression, l'échantillonnage intelligent, l'edge computing et l'apprentissage distribué pour un pré-traitement local (capteur ou passerelle) [2].
2. Transmission sans-fil robuste : comment adapter les mécanismes de communication aux contraintes du milieu industriel (bruit, mobilité, densité de capteurs) ? Le choix ou la co-conception des protocoles (accès au médium, retransmission, planification adaptative) doit concilier fiabilité, latence maîtrisée et faible consommation énergétique, via une approche conjointe couche applicative/réseau et des communications « goal-oriented » [3].
3. Quantification et propagation de l'incertitude : toute mesure est affectée par le bruit, la dérive ou l'environnement, et l'incertitude vient aussi du traitement par les capteurs ou de la communication. Comment la modéliser dès la source, puis la propager dans le JN pour obtenir, avec l'état estimé, un indicateur de confiance [4] ? Cette intégration, selon la tâche du JN, est un levier essentiel de robustesse décisionnelle.
Au-delà de ces axes, cette thèse vise un cadre méthodologique global et multi-niveaux intégrant sélection, transmission, compression et modélisation de l'incertitude, avec des mécanismes optimisant conjointement la qualité informationnelle du JN et la sobriété des ressources mobilisées.
Keywords
Reliable Digital Twins, Smart Data, Data Governance, Frugal Design
Subject details
The digital transformation of industry now lies at the heart of Industry 4.0 paradigms and cyber-physical systems, where industrial platforms (smart buildings, robotic lines, flexible production, etc.) are becoming massively instrumented, interconnected and data-driven, in highly dynamic environments: production line reconfiguration, variable loads, robot mobility, human-machine interaction, energy fluctuations. Continuously monitoring the system's state with precision and predicting equipment behavior (failures, bottlenecks, etc.) is essential for ensuring performance, operational safety, predictive maintenance and energy optimization. Digital twins (DTs) address these challenges: an evolving virtual representation of a physical system, synchronized in (near) real time with its data streams, the DT supports monitoring of the current state, anticipation of its evolution, simulation of decision scenarios, and control optimization [1]. However, its effectiveness relies on reliable, relevant and rich data, an assumption that does not always hold in dynamic industrial settings. Data collection is a major scientific and technological challenge: sensors are often distributed, heterogeneous, energy-constrained, and connected via wireless networks prone to packet loss, variable latency and interference. Their proliferation also generates massive data volumes, whose transmission, storage and processing carry a significant computational, energy and environmental cost. Exhaustive data acquisition is therefore neither sustainable nor necessary. The central problem of this thesis is information frugality in feeding DTs of dynamic industrial systems: minimizing the resources mobilized (bandwidth, energy, computing, storage, etc.) while maintaining a precision and reliability compatible with the physical system, shifting from a volume-based logic to one of information relevance and quality. To achieve this objective, this thesis will address three research questions: 1. Data selection and compression: which data are truly needed to ensure a faithful representation of the system within the DT, with respect to a given objective (diagnosis, prediction, optimization)? Approaches include static or dynamic selection of sensors or data subsets, compression, intelligent sampling, edge computing and distributed learning for local preprocessing (at the sensor or gateway) [2]. 2. Robust wireless transmission: how can communication mechanisms be adapted to industrial constraints (noise, mobility, sensor density)? The choice or co-design of protocols (medium access, retransmission, adaptive scheduling) must balance reliability, bounded latency and low energy consumption, through a joint application-layer/network-layer approach and goal-oriented communications [3]. 3. Uncertainty quantification and propagation: every sensor measurement is affected by noise, drift or environmental conditions, and uncertainty also arises from sensor-side processing or communication. How can it be modeled at the source, then propagated through the DT to obtain, alongside the estimated state, a confidence indicator [4]? This integration, tailored to the DT's task, is a key lever for decision robustness. Beyond these axes, this thesis aims at a global, multi-level methodological framework integrating selection, transmission, compression and uncertainty modeling, with mechanisms jointly optimizing the informational quality of the DT and the frugality of the resources mobilized.
Profil du candidat
Candidat(e) titulaire (ou en dernière année) d'un Master ou diplôme d'ingénieur en informatique, réseaux, télécommunications ou domaine connexe, avec un profil orienté intelligence artificielle. Des compétences en apprentissage automatique, optimisation ou analyse de données, ainsi qu'un intérêt pour leur application aux problématiques des réseaux informatiques et des systèmes distribués sont fortement souhaités.
Candidate profile
Candidates must hold (or be in the final year of) a Master's degree or an engineering degree in computer science, networking, telecommunications, or a related field, with a profile oriented toward artificial intelligence. Strong skills in machine learning, optimization, or data analysis are highly desirable, along with an interest in applying these techniques to problems in computer networks and distributed systems.
Référence biblio
[1] F. Tao et al. Digital twin in industry: State-of-the-art. IEEE Transactions on Industrial Informatics, 15(4):2405–2415, 2018.
[2] N. Ahmad et al. Codesigned communication and data analytics for condition-based maintenance in smart buildings. IEEE Internet of Things Journal, 10(18):15847–15856, 2023.
[3] M. Kherbache et al. Network digital twin for the industrial internet of things. WoWMoM 2022, IEEE.
[4] M. Egan. Risk-aware estimation from compressed data beyond the Bayes risk. ISIT 2025, IEEE.