Notre collègue Kévin Ducharlet, chercheur au sein de l’équipe BL.Predict, vient de soutenir sa thèse de doctorat en Informatique et Automatique le 30 septembre 2023 !
Après trois années de recherche appliquée en partenariat avec CARL Berger-Levrault, et le Laboratoire d’Analyse et d’Architecture des Systèmes (LAAS-CNRS) de Toulouse, Kévin poursuit l’aventure BL.Predict en tant qu’expert en détection d’anomalies non supervisée ! Des connaissances poussées pour fiabiliser au mieux les mesures réalisées dans les réseaux de capteurs, pour une maintenance prévisionnelle optimisée.
La quête de fiabilité dans le pilotage des équipements industriels
Ses travaux de R&D portent sur les nouvelles modalités de gestion des équipements et machines permises par les transformations de l’industrie 4.0. Avec le développement de l’Internet des Objets (IoT), le déploiement d’une maintenance s’appuie désormais sur le déploiement de réseaux de capteurs. Ces petits boitiers, dotés d’une faible capacité de calcul et de mémoire fonctionnant sur batterie, relèvent une masse de données, les traitent et les transmettent au sein d’un réseau sans fil.
Cependant, l’enjeu réside dans l’optimisation de la fiabilité des mesures réalisées au sein de ces réseaux tout en assurant un déploiement automatisé du système chez le client. Et c’est tout l’objectif de sa thèse. Kévin a contribué à enrichir les connaissances portant sur l’approche de la détection d’anomalies non supervisée. Cette technique, qui consiste à apprendre un concept de normalité à partir des mesures passées pour déduire à l’avenir ce qui est anormal, va certainement enrichir les capacités offertes par la maintenance prévisionnelle.
Kévin a mis au point plusieurs dispositifs visant à préciser et à rendre plus accessible la détection des anomalies, et leur résolution :
Notre ambition commune : optimiser la gestion des flottes de véhicules, la télématique des véhicules, la surveillance du transport et des marchandises, et améliorer les processus de gestion de la supply chain et du facility management.
- Le cadre opérationnel WOLF (Wireless OutLier detection Framework), qui structure les connaissances relatives aux anomalies industrielles. Cette boîte à outils aide les responsables de maintenance à résoudre tout un panel d’anomalies, et de manière personnalisée en fonction des méthodes de gestion usitées par l’industriel.
- L’approche d’évaluation WOLF-Eval intégrée au cadre opérationnel WOLF, qui calcule la précision des méthodes disponibles en fonction de la définition donnée à l’anomalie.
- Les méthodes de détection d’anomalies DyCF et DyCG, qui nécessitent très peu de paramétrages de la part des ingénieurs, pour une maintenance non-supervisée accessible et à déploiement rapide, offrant des résultats satisfaisants.
L’application de ces innovations à BL.Predict offrirait une fiabilité maximale des données issues de réseaux de capteurs, sans demander l’intervention d’experts côté client : l’assurance d’une autonomie complète et automatisée du système de gestion ! Et vue le nombre croissant d’industriels nous faisant confiance (et leur diversité sectorielle !), notre plateforme IIoT 100% métier va pouvoir se généraliser à un grand nombre de cas d’applications.
Envie d’un petit tour d’horizon des méthodes de détection d’anomalies non supervisées appliquées aux flux de données ? Consultez l’article complet ici : https://hal.science/hal-03765550v1
Kévin Ducharlet, Louise Travé-Massuyès, Marie-Véronique Le Lann, Youssef Miloudi. Etude des méthodes de détection d'anomalies non supervisées appliquées aux flux de données. 20èmes Rencontres des Jeunes Chercheurs en Intelligence Artificielle (RJCIA 2022), Jun 2022, Saint-Etienne, France. ⟨hal-03765550⟩
