Soutenance de thèse de Mathilde MONVOISIN
16 décembre 2022 @ 14 h 00 min
Mathilde MONVOISIN, doctorante au sein des équipes DUKe et RoMaS, soutiendra sa thèse intitulée :
« Modèles graphiques probabilistes appliqués aux procédés de fabrication » / « Probabilistic graphical models applied to manufacturing processes »
Le 16 décembre 2022 à 14h00 dans l’Amphithéâtre 1, bâtiment ISITEM à Polytech.
Lien zoom :
https://univ-nantes-fr.zoom.us/s/89607302697
Jury :
– Directeur de thèse : Philippe LERAY (Professeur des Universités, Nantes Université)
– Co-directeur : Mathieu RITOU (Maître de Conférences HDR, Nantes Université)
– Rapporteurs : Philippe WEBER (Professeur à l’Université de Lorraine), Karim TABIA (Maître de conférence HDR à l’Université d’Artois)
– Examinateurs : Bruno CASTANIER (Professeur à l’Université d’Angers), Véronique DELCROIX (Maître de conférence à l’Université Polytechnique Hauts-de-France)
– Membre invité : Adoflo SUAREZ-ROOS (expert à l‘IRT Jules Verne)
Résumé :
La fabrication intelligente est un domaine de recherche prometteur pour l’amélioration de la productivité et de la compétitivité dans l’industrie, par l’exploitation des données numériques obtenues lors de procédés de fabrication, tel que l’usinage à grande vitesse. Les réseaux bayésiens ont fait leurs preuves en matière de classification et de diagnostic, et ils ont notamment l’intérêt d’être grandement interprétables. Cette thèse présente une architecture générique de réseaux bayésiens pour le diagnostic à partir de capteurs, incluant un mécanisme de sélection de variables basé sur l’information mutuelle.
Le co-training est un champ émergent des algorithmes d’apprentissage à partir de données, et l’exploration de cette famille d’algorithmes est jusqu’à présent essentiellement limitée à un apprentissage supervisé ou semi-supervisé. Ce manuscrit propose plusieurs stratégies de co-training non-supervisées utilisables par tout modèle probabiliste, et détaille leur utilisation sur plusieurs jeux de données.
L’ensemble des contributions théoriques est mis à profit dans un cas d’usage sur l’usinage à grande vitesse, dans lequel deux réseaux bayésiens avec la structure générique proposée permettent d’exploiter les données de capteurs d’une électrobroche en conditions réelles d’utilisation, et dont les paramètres sont appris grâce aux stratégies de co-training non-supervisées.
Mots clés : Apprentissage, réseaux bayésiens, co-training, diagnostic, industrie 4.0
Abstract:
Smart manufacturing is a promising area of research for improving productivity and competitiveness in industry, by exploiting digital data obtained during manufacturing processes, such as high-speed machining. Bayesian networks have proven their worth in classification and diagnosis, and they have the particular advantage of being highly interpretable. This thesis presents a generic Bayesian network architecture for sensor-based diagnosis, including a variable selection mechanism based on mutual information.
Co-training is an emerging field of data-driven learning algorithms, and the exploration of this family of algorithms is so far mostly limited to supervised or semi-supervised learning. This manuscript proposes several unsupervised co-training strategies that can be used by any probabilistic model, and details their use on several datasets.
All the theoretical contributions are put to use in a use case on high speed machining, in which two Bayesian networks with the proposed genericstructure are used to exploit sensor data of an electro-spindle in real conditions of use, and whose parameters are learned thanks to the unsupervised co-training strategies.
Keywords: Learning, Bayesian networks, co-training, diagnosis, industry 4.0
