L’objectif de ce travail de thèse est de développer une méthodologie générique et flexible afin d’alerter au plus tôt des dérives produit & process, de réaliser un diagnostic sur l’origine possible de cette dérive et son impact sur la qualité produit en mode dégradé. L’outil ainsi développé devra permettre de détecter au plus tôt une dérive / défaillance du produit ou process associé, de diagnostiquer l’origine de la dérive (propriété produit, capteur, actionneur process…), de caractériser l’intensité de la dérive pour mieux définir le risque associé et enfin de pouvoir travailler en mode dégradé le temps de résoudre le problème (impact sur la programmation). Nous proposons pour cela de travailler sur une solution hybride couplant la modélisation multi-physique produit & process, les mesures issues des différents capteurs et actionneurs process ainsi que l’information contenue dans les boucles de régulation (consigne, correction).
La première problématique de cette thèse est la caractérisation et l’analyse de l’efficacité des différentes approches de détection et de diagnostic en fonction des finalités de déploiement, des maturités des expertises et des modélisations des phénomènes process, et de la complexité des phénomènes process (dimension de représentation des phénomènes, non linéarité des phénomènes, couplage des phénomènes, …).
La seconde problématique de cette thèse est la caractérisation et la propagation des nombreuses incertitudes hétérogènes sur les détections et les diagnostics.
La troisième problématique de cette thèse est le développement d’un cadre méthodologique robuste de détection et de diagnostic des dérives process et produit.
Un premier travail a déjà été initié sur deux axes dans le cadre d’une collaboration préalable avec les Arts & Métiers. Le premier axe concerne l’utilisation de la modélisation physique pour simuler des défaillances et le développement d’outils permettant de lire et de classifier la signature de ces défaillance (algorithmes de classification) sur une section du process donné. Le second axe concerne le modèle de données encapsulant la modélisation multi-physique. Le modèle de donnée initialement
statique dans le temps a été converti en modèle dynamique afin de garantir un niveau de fiabilité optimum tout en alertant d’une possible dérive (algorithmes de régression).
Le (la) candidat(e) devra être en cours de finalisation ou titulaire d’un diplôme d’ingénieur ou M2 Sciences de l’Ingénieur en génie automatique / génie industriel / génie mécanique avec des connaissances en diagnostic, fiabilité, IA.
Contact :
F. Bonnet, ArcelorMittal Global R&D Maizières Les Metz, frederic.bonnet@arcelormittal.com
J.Y. Dantan, LCFC, Arts & Métiers, Campus de METZ, jean-yves.dantan@ensam.eu
L. Homri, LCFC, Arts & Métiers, Campus de METZ, lazhar.homri@ensam.eu
