Le sujet de thèse porte sur la maintenance prédictive réalisée sur la base de données collectées en fonctionnement, typiquement de nature vibratoire, représentatives de l’état de santé du système surveillé, et analysées par des experts à la recherche de symptômes de défaillance (« Health and Usage Monitoring System » en aéronautique). L’approche classique est fondée sur l’utilisation de méthodes de traitement du signal avancées, avec les inconvénients d’exiger un haut degré d’expertise de l’utilisateur et d’être extrêmement chronophage. Une autre voie, fondée sur l’apprentissage automatique, a récemment démontré son potentiel pour automatiser les tâches de l’expert avec des temps de réaction considérablement réduits, offrant donc la possibilité de faire du traitement de données à grande échelle, tout en garantissant des performances identiques, voire parfois supérieures, à celles de l’expert. Malgré les nombreuses publications démontrant ce potentiel, cette approche n’est pas encore implantée dans les secteurs industriels critiques comme l’aéronautique ou l’éolien en raison de la difficulté à la certifier. Les modèles d’IA utilisés en maintenance prédictive et qui constituent l’objet d’étude de la thèse sont les réseaux de neurones convolutifs profonds, dit « bout-en-bout », qui prennent directement les signaux vibratoires mesurés en entrée pour restituer en sortie une classification binaire (« sain » versus « défectueux ») ou multiples (association à différents types de défauts). Ces modèles ont fait preuve d’excellentes performances, qui restent cependant difficiles à expliquer. Ils fonctionnent comme des « boîtes noires », ce qui implique un manque de transparence dans leurs décisions, qui pose problème en cas d’erreur de diagnostic.

Verrous : Le projet de recherche se propose de répondre à quelques questions fondamentales, qui représentent les verrous actuels dans le domaine :
•    Comment garantir un niveau confiance au diagnostic fondé sur les résultats d’un modèle IA ?
•    Comment prendre en compte la connaissance et l’expérience d’un expert humain dans l’apprentissage d’un modèle d’IA ?
Ces questions générales se déclinent de manière plus spécifique.
•    Quels sont les patterns découverts dans les signaux vibratoires par un réseau de neurones convolutif profond ? La réponse permettra de vérifier que ces patterns sont pertinents du point de vue l’expert humain, soit parce qu’ils corroborent l’état des connaissances, soit parce qu’ils apportent une connaissance nouvelle.
•    Comment réduire la dimension des données à un faible nombre de variables latentes avec un fort contenu informationnel et potentiellement interprétables sur la base de principes physiques ? L’expert humain s’attendra à retrouver ici une image des excitations vibratoires.
•    Comment hybrider l’apprentissage numérique et l’apprentissage symbolique ? L’extraction de règles logiques facilitera l’interprétation des décisions prises par un modèle d’IA et leur validation par un expert humain.