L'objectif principal de la thèse est de développer une nouvelle approche basée sur l'IA adaptative pour la surveillance dynamique des process des industries intelligentes. Les principaux verrous scientifiques des travaux sont :
• La formalisation des relations et des interactions entre le process, le produit et les ressources de production pour permettre l'identification des paramètres de pilotage, qui sont significatifs lors de l'élaboration d’une stratégie de surveillance - les paramètres clés sont identifiés dans un premier temps via une modélisation du système complet, de ses caractéristiques fonctionnelles et de son comportement. Une analyse complète des différentes fonctionnalités permet l’extraction des corrélations paramétriques entre les défauts produits et les paramètres de process et les ressources de production. Cette formalisation est motivée par le manque de considération du produit en tant que composant principal lors du déploiement des techniques du Pronostic et management de la santé des systèmes (PHM).
• Le développement d'une approche de surveillance adaptatif basée sur l'IA - les données disponibles du process avec les connaissances du système, de ses composants et de son fonctionnement, des informations historiques, de l'état actuel rendent plus réaliste la méta-modélisation et la prise de décision plus finement concernant la dégradation du système, les défauts du process et la dégradation de la qualité des produits finaux. Ainsi, la finalité est d’évaluer, via les approches d’IA, la situation et les indicateurs de santé précédemment définis permettant ainsi une estimation dynamique de l'impact sur la qualité du produit et enfin simplifier les implications des opérations humaines, la prise de décision devant répondre aux besoins de production et de maintenance et cela pour tout le cycle de vie de la production.
• La contribution à l’élaboration d’un outil flexible pour la gestion des indicateurs de performance de la production en temps réel - l'objectif principal est d’implémenter des techniques d'IA adaptatives et des modèles d’apprentissages actifs (active learning), pour une modélisation et une évaluation en temps réel des indicateurs clés de performances (Key Performance Indicators) pour une prise de décision précise et frugale. En fait, l'utilité de tout modèle dépend en partie de l'exactitude et de la fiabilité de sa sortie. Cependant, comme tous les méta-modèles sont des abstractions imparfaites de la réalité et que des données d'entrée précises sont rarement, voire jamais, disponibles, toutes les valeurs de sortie sont sujettes à l'imprécision. Les précisions des systèmes d’acquisitions et les incertitudes aléatoires de mesure impactent la fiabilité des détections ; les incertitudes épistémiques affectant les expertises et les modélisations impactent la véracité des diagnostics.
