Solution de Maintenance Intelligente et Explicable pour les Systèmes de Production Connectés – X-IMS
Solution de Maintenance Intelligente et Explicable pour les Systèmes de Production Connectés
/
Enjeux et objectifs
Dans le panorama actuel de l'industrialisation, l'avènement de l'usine du futur, caractérisée par la digitalisation et l'intelligence connectée, pose de nouvelles exigences en matière de fiabilité, de disponibilité des équipements, de sécurité du travail et de réduction des coûts de maintenance. Face à ces défis, le projet X-IMS propose une solution de maintenance intelligente et explicable. En conjugant auto-surveillance et capacités décisionnelles, cette solution s'attaque à des défis scientifiques et techniques multidisciplinaires pour élaborer un système innovant de gestion de maintenance. Cette solution prévoit un traitement efficace des flux de données hétérogènes pour la construction automatisée d'indicateurs de santé robustes et interprétables, garantissant une surveillance continue des systèmes multi-composants. Elle inclut des algorithmes avancés pour une identification précoce des anomalies et un pronostic à l’échelle du système, enrichis de capacités explicatives pour une meilleure prise de décision en maintenance. Ces algorithmes permettent de tenir compte des incertitudes de prédiction, des interdépendances des composants et des multiples variables d'action, garantissant ainsi une communication explicite entre les processus décisionnels et les opérateurs de maintenance. L'efficacité et l'impact de la solution développée seront démontrés à travers des cas d'application industriels, marquant ainsi une avancée significative dans le paysage de l'industrie du futur.
Le projet vise à transformer la maintenance industrielle avec des innovations majeures : le développement d'indicateurs de santé (HIs) interprétables pour le suivi des systèmes, l'intégration d'algorithmes de l’IA explicable (XAI) avancés pour le prognostic et la gestion de la santé (PHM) des systèmes, et l’optimisation des décisions de maintenance. Ces avancées sont soutenues par un tableau de bord X-IMS, offrant une visualisation en temps réel et facilitant les décisions instantanées des gestionnaires. Les progrès du projet incluent une revue de littérature de XAI appliqué au PHM, avec une taxonomie structurée facilitant le choix des méthodes XAI répondant aux besoins spécifiques en PHM. Face aux lacunes identifiées concernant les algorithmes XAI pour l'apprentissage multimodal en PHM, la recherche s'est concentrée sur l'explication du fonctionnement de l'apprentissage multimodal dans la prédiction de la dégradation. En particulier, les caractéristiques cruciales de chaque modalité de données ont été identifiées et montrent comment l'apprentissage multimodal résout les insuffisances de données unimodales par l'apport d'informations complémentaires d'autres modalités. Des algorithmes pour créer des HIs explicables au niveau systémique ont été élaborés, fournissant un aperçu complet de l'état de santé des systèmes et de leurs composants dans diverses conditions opérationnelles, avançant vers des décisions de maintenance plus intelligentes et transparentes.
/
/
Nguyen, D. A., Jose, S., Nguyen, T. P. K., & Medjaher, K. Explainable multimodal learning for predictive maintenance of steam generators. In PHM Society Asia-Pacific Conference. 2023, 4, 1.
Nguyen, D. A., Nguyen, T. P. K., & Medjaher, K. Enhancing Trustworthiness in AI-Based Prognostics: A Comprehensive Review of Explainable AI for PHM. In: Tran, K.P. (eds) Artificial Intelligence for Safety and Reliability Engineering: Methods, Applications, and Challenges. 2024.
Nguyen, D. A., Nguyen, T. P. K., & Medjaher, K. Bridging XAI gaps in PHM: Concise review and novel dataset for health indicator construction and prognostics of multi-component systems. In PHME 2024 Conference. 2024.
Selon les exigences pratiques de l’usine du futur, ce projet combine les récents progrès dans différents domaines pour développer un système de maintenance intelligent explicable (X-IMS) qui permet à la fois l'auto-surveillance et l'aide à la décision pour les systèmes de fabrication connectés. Les solutions développées devraient permettre la construction automatisée d'un indicateur de santé efficace et interprétable. Elles intègrent également des algorithmes intelligents explicables pour la détection des défauts, le diagnostic et/ou le pronostic à l’échelle du système. En outre, les algorithmes d'optimisation des décisions de maintenance, qui peuvent traiter les incertitudes de prédiction, les dépendances entre les composants et les impacts de multiples activités, seront développés. Le processus de décision optimal obtenu devrait être explicitement communiqué aux managers pour leur permettre de comprendre, de faire confiance et de déployer efficacement les solutions développées sur le terrain. La performance des algorithmes développés dans ce projet sera vérifiée et mise en évidence par les applications industrielles réelles.
Coordination du projet
Thi Phuong Khanh Nguyen (Ecole Nationale Ingénieurs Tarbes)
L'auteur de ce résumé est le coordinateur du projet, qui est responsable du contenu de ce résumé. L'ANR décline par conséquent toute responsabilité quant à son contenu.
Partenariat
LGP Ecole Nationale Ingénieurs Tarbes
CRAN Université de Lorraine
Aide de l'ANR 231 378 euros
Début et durée du projet scientifique :
janvier 2023
- 42 Mois
