Assas Recherche | Modèles d’apprentissage fédéré pour l’estimation de la durée de vie résiduelle - Application au pronostic des câbles électriques basé sur la réflectométrie

Modèles d’apprentissage fédéré pour l’estimation de la durée de vie résiduelle - Application au pronostic des câbles électriques basé sur la réflectométrie (Document en Anglais, Français)

Accès au(x) document(s)

Accéder au(x) document(s) :

Ce document est protégé en vertu du Code de la Propriété Intellectuelle.

Modalités de diffusion de la thèse :

Thèse consultable sur internet, en texte intégral.

Informations sur les contributeurs

Auteur : Naline Baudouin

Naline, Baudouin

Nom

Naline

Prénom

Baudouin

Nationalité

Français

Date de soutenance : 16-12-2024

Directeur(s) de thèse : Zeitouni Karine

Zeitouni, Karine

Nom

Zeitouni

Prénom

Karine

- Garcia Rodriguez Sandra

Garcia Rodriguez, Sandra

Nom

Garcia Rodriguez

Prénom

Sandra

- Ravot Nicolas

Ravot, Nicolas

Nom

Ravot

Prénom

Nicolas

Etablissement de soutenance : université Paris-Saclay

université Paris-Saclay

Nom

université Paris-Saclay

Laboratoire : Données et algorithmes pour une ville intelligente et durable (Versailles ; 2015-...)

Données et algorithmes pour une ville intelligente et durable (Versailles ; 2015-...)

Nom

Données et algorithmes pour une ville intelligente et durable (Versailles ; 2015-...)

Ecole doctorale : École doctorale Sciences et technologies de l'information et de la communication

École doctorale Sciences et technologies de l'information et de la communication

Nom

École doctorale Sciences et technologies de l'information et de la communication

Informations générales

Discipline : Informatique
Classification : Informatique

Mots-clés libres : Pronostic, Apprentissage fédéré, Séries temporelles, Flux de données, Câbles électriques, Réflectométrie
Mots-clés :

Maintenance conditionnelle
Apprentissage fédéré
Séries chronologiques
Câbles électriques

Résumé : Le pronostic est une tâche essentielle pour mettre en œuvre une stratégie de maintenance prédictive. Les méthodes d'apprentissage profond (Deep Learning ou DL) sont les solutions les plus prometteuses pour estimer efficacement la durée de vie résiduelle de systèmes. Ces méthodes supposent que l'organisation peut accéder à un vaste ensemble de données, couvrant notamment de nombreux types de fautes et en quantité suffisante pour garantir l'efficacité des modèles. Toutefois, cette hypothèse n'est pas réaliste dans la pratique car les défaillances sont rares et souvent spécifiques aux unités surveillées, remettant ainsi en question la stabilité de la performance des modèles au cours du temps. Pour faire face à ce problème, les organisations devraient collaborer en partageant leurs données de surveillance au lieu de s'appuyer sur une source de données centralisée. Néanmoins, cette stratégie doit se conformer à leur politique de confidentialité, qui contraint tout partage de données sensible de surveillance (comme par exemple dans les centrales nucléaires ou l'aérospatiale). De plus, ces données de surveillances sont en pratique collectées sous la forme de flux de données continus, principalement à travers des séries temporelles, dont les propriétés peuvent varier au fil du temps. En conséquence, les modèles de DL doivent apprendre continuellement des flux distribués pour s'adapter à tout changement potentiel et prédire correctement l'évolution des défauts.Par ailleurs, les câbles électriques constituent le principal cas d'application de cette thèse. Ils sont souvent intégrés dans des systèmes ou des infrastructures critiques par le biais de réseaux câblés. La réflectométrie, une technique de diagnostic non destructive et non intrusive, est suffisamment mature pour détecter et localiser des défauts sur les câbles, mais elle n'est pas encore capable de prédire leur évolution. La mise en place d'une surveillance continue à l'aide de capteurs de réflectométrie pourrait produire une quantité importante de données et pourrait permettre l'apprentissage d'une méthode basée sur les données.En s'appuyant sur ces deux observations, cette thèse examine d'abord la création d'une méthodologie de pronostic pour les réseaux câblés et se penche ensuite sur l'étude des méthodes de DL dans un contexte où les sources de données sont décentralisées. Pour cela, nous utilisons aussi le problème de la dégradation des turboréacteurs comme exemple pour pallier le manque de maturité du pronostique des câbles. Les principales contributions de cette thèse sont les suivantes : (a) concevoir une méthodologie de pronostic de réseaux câblés qui s'appuie sur la réflectométrie et le DL ; (b) mener et étudier des expériences de vieillissement accéléré pour améliorer notre compréhension de la dégradation des câbles, générer des données réalistes et améliorer nos simulations ; (c) étendre la méthodologie de pronostic à des problèmes de dégradation plus généraux en proposant une nouvelle approche DL qui combine la prévision des séries temporelles et l'estimation de la durée de vie résiduelle ; (d) rendre le pronostic collaboratif viable en respectant la confidentialité des données grâce à l'utilisation de l'apprentissage fédéré, en particulier en l'intégrant dans notre nouvelle approche ; (e) rendre les modèles adaptatifs via un apprentissage continu pour faire face aux changements de distribution dans ce contexte décentralisé ; (f) adapter un système de traitement de flux de données existant pour le rendre compatible avec l'apprentissage fédéré.

Informations techniques

Type de contenu : Text
Format : PDF

Informations complémentaires

Entrepôt d'origine :

STAR : dépôt national des thèses électroniques françaises

Identifiant : 2024UPASG117
Type de ressource : Thèse

Fiche descriptive