Logo LAAS-Carnot

Offres de recrutement et d’emploi au LAAS BOREAL 1.1.1

Thèse

Visualisation de la thèse: THE221

Thèse 2019

E.CHANTHERY, P.RIBOT

DISCO

DO

pronostic et diagnostic, Machine learning, Intelligence Artificielle, Diagnostic, apprentissage

Enrichissement de modèles pour les fonctions de gestion de santé par des méthodes d’apprentissage

Trouver l’origine des défaillances d’un système ou prédire son évolution sont des sujets centraux dans le domaine de la gestion de santé. On définit ainsi le diagnostic comme l’identification de la cause probable de la ou des défaillances d’un système à l’aide d’un raisonnement logique fondé sur un ensemble d’observations [Zwingelstein 1995], alors que le pronostic se définit comme une prédiction de l’état de santé du système dans le futur, ou la capacité de prédire la durée de vie résiduelle (Remaining Useful Life – RUL) d’un système en service [Brotherton et al. 2000].

 

Cette thèse a pour objectif de développer une nouvelle approche de suivi en combinant des méthodes d’apprentissage à base de données et des méthodes à base de modèles afin d’améliorer l’efficacité des algorithmes utilisés dans le domaine de la gestion de santé des systèmes. Cette méthode de suivi de systèmes via des modèles dynamiques devra s’appliquer sur des systèmes réels complexes, et garantir des propriétés sur les résultats de diagnostic et de pronostic, notamment en termes de qualité.

Les algorithmes à base de modèles obtiennent d'excellents résultats à partir du moment où les modèles en entrée sont corrects. L'idée est donc de conserver ces algorithmes quasiment à l'identique, et de travailler sur l'amélioration des entrées des algorithmes pour le diagnostic et le pronostic, sachant que ces modèles varient au cours du temps, souvent à cause de la dégradation des composants du système. Cette approche est extrêmement originale et ambitieuse car habituellement les modèles utilisés sont statiques.

Les modèles que nous utilisons ont en plus la particularité d’être hétérogènes : certaines parties sont purement continues, souvent décrites par des équations d’état, d’autres purement discrètes, décrites par des réseaux de Petri ou des machines à états, d’autres hybrides, et enfin certaines incluent des dynamiques de dégradation, qui ont la propriété d’être non markoviennes. Cette hétérogénéité génère une grande complexité dans l’élaboration des méthodes.


 

Dans le cadre de cette thèse, le doctorant aura donc la possibilité de contribuer à l’élaboration d’une méthode innovante dans le domaine de gestion de santé des systèmes critiques au cœur des problématiques industrielles/économiques actuelles. Le développement de cette méthode basée sur des techniques d’intelligence artificielle utilisant l’apprentissage, rentre dans des thématiques de recherche en plein essor. Cette méthode pourra s’expérimenter sur des systèmes étudiés au sein de l’équipe DISCO (avion, satellite, robot rover, domaine médical, …). Le doctorant pourra collaborer avec les chercheurs de l’équipe et avec les collaborateurs internationaux de celle-ci. Une mobilité est entre autre envisageable à la NASA aux Etats-Unis, ou bien en Australie ou au Pérou, où les encadrants ont des proches collaborateurs.

Pour obtenir des informations complémentaires, contactez le responsable à cette adresse: