Solution de Maintenance Intelligente et Explicable pour les Systèmes de Production Connectés – X-IMS

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.

À mi-parcours, le projet X-IMS a permis d'établir les fondements scientifiques d'un cadre de maintenance intelligente explicable (XAI-PHM) couvrant l'ensemble de la chaîne de traitement, depuis les données jusqu'à l'interprétation des modèles.

Un premier résultat majeur est la réalisation d'une revue approfondie de la littérature et la proposition d'une taxonomie unifiée des méthodes d'Explainable Artificial Intelligence (XAI) appliquées au PHM. Cette taxonomie organise les approches selon trois niveaux d'explicabilité (pré-modèle, pendant le modèle et post-modèle) et met en évidence les principaux verrous scientifiques ainsi que les besoins de recherche pour intégrer l'explicabilité tout au long du processus de maintenance prédictive.

Les travaux ont ensuite porté sur les fondements de l'explicabilité des données. Une méthodologie de génération de jeux de données « run-to-failure » basée sur le Tennessee Eastman Process (TEP) a été développée afin de reproduire des scénarios réalistes de dégradation de systèmes multi-composants. Cette approche repose sur l'identification experte des mécanismes de dégradation, des interactions entre composants et des différents modes de fonctionnement, garantissant des données cohérentes avec les phénomènes physiques étudiés. Une analyse de pertinence des capteurs selon les modes opératoires a également été proposée afin d'identifier les variables les plus informatives pour la construction future d'indicateurs de santé interprétables.

Enfin, les premiers développements concernant l'explicabilité des modèles ont conduit à une méthodologie d'interprétation des modèles multimodaux de PHM fondée sur les valeurs SHAP. Cette approche permet d'analyser quantitativement la contribution des différentes modalités (données numériques, images et informations textuelles) ainsi que l'importance des variables individuelles dans les prédictions. Les premiers résultats montrent que cette méthode améliore la compréhension du comportement des modèles, permet de suivre l'évolution de l'importance des variables au cours de la dégradation et met en évidence la complémentarité des différentes modalités pour renforcer la robustesse des prédictions.

Ces résultats constituent les bases méthodologiques des développements prévus dans la seconde partie du projet, consacrés à la construction d'indicateurs de santé explicables, au développement de modèles de pronostic interprétables et à leur intégration dans un système global d'aide à la décision pour la maintenance prédictive.

La seconde moitié du projet sera consacrée à l'intégration des avancées méthodologiques obtenues jusqu'à présent afin d'aboutir à un cadre complet de maintenance intelligente explicable (X-IMS).

Les travaux porteront d'abord sur le développement d'indicateurs de santé interprétables pour des systèmes multi-composants, en exploitant les méthodes de sélection adaptative de capteurs, la fusion de données hétérogènes et la prise en compte des interactions entre composants, des conditions de fonctionnement et des effets des opérations de maintenance. Ces développements constitueront la base des modèles de surveillance et de pronostic.

La deuxième étape consistera à développer des modèles de pronostic explicables capables de produire des estimations fiables tout en fournissant des explications compréhensibles des mécanismes conduisant aux prédictions. Les recherches s'appuieront sur les avancées récentes en apprentissage auto-supervisé, modèles fondés sur les opérateurs, réseaux Kolmogorov-Arnold et architectures sélectives afin d'améliorer la robustesse et la capacité de généralisation des modèles sous des conditions de fonctionnement variées.

Le projet se concentrera ensuite sur l'identification et la quantification des effets des opérations de maintenance sur l'évolution de l'état de santé des systèmes. Ces informations permettront d'enrichir les modèles d'aide à la décision en intégrant explicitement les impacts des interventions de maintenance, les dépendances entre composants ainsi que les incertitudes associées.

Enfin, les différentes briques méthodologiques seront intégrées dans un cadre global d'aide à la décision pour la maintenance prédictive. Les travaux viseront à développer des stratégies de décision fondées sur l'apprentissage par renforcement, capables de prendre en compte simultanément les informations de santé, les contraintes opérationnelles, les ressources disponibles et les objectifs de production. Une attention particulière sera portée à l'explicabilité des décisions afin de fournir des recommandations transparentes, auditables et directement exploitables par les ingénieurs de maintenance.

L'ensemble des développements sera validé sur des jeux de données de référence et des cas industriels représentatifs des systèmes manufacturiers connectés. Les travaux porteront également sur le déploiement edge-cloud des modèles afin de garantir leur applicabilité dans des environnements industriels réels. Cette dernière phase permettra d'aboutir à une plateforme X-IMS intégrée, combinant surveillance, pronostic et aide à la décision explicables pour la maintenance intelligente.

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.