Mathilde MONVOISIN, doctorante au sein des équipes DUKe et RoMaS, soutiendra sa thèse intitulée :

« Modèles graphiques probabilistes appliqués aux procédés de fabrication » / « Probabilistic graphical models applied to manufacturing processes »

Le 16 décembre 2022 à 14h00 dans l’Amphithéâtre 1, bâtiment ISITEM à Polytech.

Lien zoom :

https://univ-nantes-fr.zoom.us/s/89607302697

Jury :

– Directeur de thèse : Philippe LERAY (Professeur des Universités, Nantes Université)

– Co-directeur : Mathieu RITOU (Maître de Conférences HDR, Nantes Université)

– Rapporteurs : Philippe WEBER (Professeur à l’Université de Lorraine), Karim TABIA (Maître de conférence HDR à l’Université d’Artois)

– Examinateurs : Bruno CASTANIER (Professeur à l’Université d’Angers), Véronique DELCROIX (Maître de conférence à l’Université Polytechnique Hauts-de-France)

– Membre invité : Adoflo SUAREZ-ROOS (expert à l‘IRT Jules Verne)

Résumé :

La fabrication intelligente est un domaine de recherche prometteur pour l’amélioration de la productivité et de la compétitivité dans l’industrie, par l’exploitation des données numériques obtenues lors de procédés de fabrication, tel que l’usinage à grande vitesse. Les réseaux bayésiens ont fait leurs preuves en matière de classification et de diagnostic, et ils ont notamment l’intérêt d’être grandement interprétables. Cette thèse présente une architecture générique de réseaux bayésiens pour le diagnostic à partir de capteurs, incluant un mécanisme de sélection de variables basé sur l’information mutuelle.

Le co-training est un champ émergent des algorithmes d’apprentissage à partir de données, et l’exploration de cette famille d’algorithmes est jusqu’à présent essentiellement limitée à un apprentissage supervisé ou semi-supervisé. Ce manuscrit propose plusieurs stratégies de co-training non-supervisées utilisables par tout modèle probabiliste, et détaille leur utilisation sur plusieurs jeux de données.

L’ensemble des contributions théoriques est mis à profit dans un cas d’usage sur l’usinage à grande vitesse, dans lequel deux réseaux bayésiens avec la structure générique proposée permettent d’exploiter les données de capteurs d’une électrobroche en conditions réelles d’utilisation, et dont les paramètres sont appris grâce aux stratégies de co-training non-supervisées.

Mots clés : Apprentissage, réseaux bayésiens, co-training, diagnostic, industrie 4.0

Abstract:

Smart manufacturing is a promising area of research for improving productivity and competitiveness in industry, by exploiting digital data obtained during manufacturing processes, such as high-speed machining. Bayesian networks have proven their worth in classification and diagnosis, and they have the particular advantage of being highly interpretable. This thesis presents a generic Bayesian network architecture for sensor-based diagnosis, including a variable selection mechanism based on mutual information.

Co-training is an emerging field of data-driven learning algorithms, and the exploration of this family of algorithms is so far mostly limited to supervised or semi-supervised learning. This manuscript proposes several unsupervised co-training strategies that can be used by any probabilistic model, and details their use on several datasets.

All the theoretical contributions are put to use in a use case on high speed machining, in which two Bayesian  networks with the proposed genericstructure are used to exploit sensor data of an electro-spindle in real conditions of use, and whose parameters are learned thanks to the unsupervised co-training strategies.

Keywords: Learning, Bayesian networks, co-training, diagnosis, industry 4.0

Mahmoud FERHAT, doctorante au sein de l’équipe DUKe et RoMaS, soutiendra sa thèse intitulée :

« Découverte et Généralisation des Connaissances dans les Procédés de Fabrication » / « Discovery and Generalization of Knowledge in Manufacturing Processes »

Le 5 Décembre 2022 à 9h00 à Polytech, sur le site de la Chantrerie, Amphithéâtre 2, bâtiment ISITEM.

Lien zoom :

https://univ-nantes-fr.zoom.us/j/81535152579?pwd=My9KN1dQYTJmZ082dU81RmFnRmdSUT09

La soutenance se fera en français.

Jury :

• Directeur de thèse : Philippe LERAY (Professeur des Universités, Nantes Université)
• Co-encadrant : Mathieu RITOU (Maître de Conférences (HDR), Nantes Université)
• Rapporteurs : Faicel CHAMROUKHI (Professeur des Universités, IRT SystemX), Julien LE DUIGOU (Professeur des Universités, UTC Compiègne)
• Examinateurs : Catherine DA CUNHA (Professeur des Universités, Centrale Nantes), Benoit IUNG (Professeur des Universités, Université de Lorraine),
• Invité : Nicolas LE DU (Ingénieur, CP Georges Renault)

Résumé :

L’objectif de cette thèse est de proposer une nouvelle architecture dédiée à la détection de défauts dans les procédés de fabrication. Cette dernière repose sur la combinaison des techniques d’apprentissage automatique (ML) avec une Ontologie générique. L’architecture est évolutive dans le sens où de nouveaux défauts peuvent être découverts par le ML et ajoutés en tant que nouvelles connaissances dans l’ontologie de façon périodique. Cela facilite la détection des défauts dans les contextes industriels, où les défauts sont généralement rares. D’autres part, l’inspection périodique des connaissances capturées itérativement par l’Ontologie nous permet de définir des connaissances plus génériques. Celles-ci permettront dans un premier temps d’améliorer la détection de défauts dans des contextes connus et puis, dans un second temps, de reconnaître les défauts connus dans de nouveaux contextes industriels. Ces tâches sont liées aux domaines de l’apprentissage par transfert et de l’adaptation au domaine, appliquées ici pour induire de nouvelles connaissances dans l’Ontologie, et augmenter les performances du système de détection de défauts. Des expériences sur des données UCI ainsi que sur des données issues des opérations de vissage réelles nous ont permis de valider la fiabilité et la robustesse de l’approche.

Mots clés : Apprentissage automatique, Gestion des connaissances, Détection de défauts

Abstract:

The objective of this thesis is to propose a novel architecture dedicated to fault detection in manufacturing processes. It is based on the combination of Machine Learning (ML) techniques with a generic Ontology. The architecture is evolving in the sense that new defects can be discovered by the ML and added as new knowledge in the ontology periodically. This facilitates defect detection in industrial contexts, where defects are generally rare. On the other hand, the periodic inspection of the knowledge captured iteratively by the Ontology allows us to define more generic knowledge. This knowledge will first allow us to improve the detection of defects in known contexts and then, in a second step, to recognize known defects in new industrial contexts. These tasks are related to the fields of transfer learning and domain adaptation, applied here to induce new knowledge in the Ontology, and to increase the performances of the fault detection system. Experiments on several UCI datasets as well as on data from real screwing operations allowed us to validate the reliability and robustness of the approach.

Keywords: Machine Learning, Knowledge Management, Fault Detection