Equipes : DUKe - Data User Knowledge / RoMas - Robots and Machines for Manufacturing, Society and Services

Etablissement : Nantes

Description du poste :

Poste

Contexte

L'équipe de recherche technologique Robotique & Cobotique, composée d'une quinzaine de personnes (Docteurs, Ingénieurs & Techniciens), est en charge de développer et déployer des technologies innovantes dans les cinq thématiques de la feuille de route de l'IRT Jules Verne :

• La mobilité dans l'espace industriel
• La flexibilité de la production
• L'assemblage
• Les procédés de préformage et formage
• Les procédés de fabrication additive

L'ERT ROC développe en particulier des activités et des compétences dans les axes suivants :

• Mobilité 2D/3D des systèmes (manipulateurs mobiles, crawler, robots parallèles à câbles)
• Assistance aux opérateurs (robotique, cobotique, réalité augmentée)
• Positionnement et la Localisation (fusion de données, SLAM, asservissement visuel)
• Interface avec l'Usine Digitale (Données, Systèmes Cyberphysiques)

Pour cela, l'ERT ROC s'appuie sur des relations de confiance établis avec des industriels clés (Renault, Airbus, Faurecia, STX, GE, Naval Group, Safran, PSA,…), des académiques (Ecole Centrale de Nantes, Institut Mines Telecom Atlantique, Université de Nantes, CNRS,…), des centres techniques comme le CETIM ou le CTI-PC. L'équipe est chargée de repérer et de relier un large spectre de compétences issues de disciplines scientifiques variées (exploitation et transfert des résultats scientifiques) et de secteurs industriels différents (fertilisation croisée et transfert technologique entre filières) pour élaborer des réponses innovantes aux enjeux technologiques de l'IRT Jules Verne. Les développements technologiques sont à mettre en perspectives avec les 4 secteurs d'activités industriels clés de l'IRT JV : l'aéronautique, l'automobile, les énergies renouvelables et la construction navale. Les projets menés dans l'ERT ROC sont de natures variées allant des projets collaboratifs multi partenaires industriels de l'IRT JV, de la recherche sur contrat mono partenaire et sur des projets européens. L'ERT ROC est investie dans des projets de R&D de taille variable allant de la prestation à des projets de plusieurs millions d'euros.
Afin d'aider les partenaires industriels à garder une longueur d'avance technologique, l'IRT Jules Verne a créé le programme PERFORM (ProgrammE de Recherche FOndamentale et de Ressourcement sur le Manufacturing) qui stimule le développement de la recherche amont par le financement de grappes de thèses de doctorats portant sur des problématiques industrielles identifiées. Le programme est cogéré par l'IRT Jules Verne et ses partenaires industriels et académiques.

Introduction / description du sujet de thèse et de son environnement

Présentation du LS2N et des équipes RoMaS et DUKe

Le LS2N (Laboratoire des Sciences du Numérique de Nantes, UMR CNRS 6004) rassemble 450 chercheurs, l'Université de Nantes étant l'une de ses tutelles. Les recherches couvrent un large spectre scientifique regroupé dans 5 domaines d'expertise :

• Robotique, procédés et calculs (dont l'équipe RoMaS)
• Sciences des données et de la décision (dont l'équipe DUKe)
• Signaux, images, ergonomie et langues
• Conception et conduite de système
• Science des logiciels et des systèmes distribués

L'équipe de recherche RoMaS (Robots and Machines Manufacturing and Services) effectue des travaux de recherche concernant la modélisation et l'identification de robot et de machine, ainsi que l'optimisation de procédés de fabrication mécanique. Elle est très impliquée sur les problématiques de l'Industrie 4.0 en fabrication mécanique et a de nombreuses collaborations industrielles (projets nationaux et européens). L'équipe DUKe (Data User KnowledgE) propose des méthodes interactives (centrées sur l'utilisateur) pour l'exploration et les fouilles de données (Data Mining) ou l'apprentissage automatique (Machine Learning, Modèles Graphiques Probabilistes). Les domaines d'application actuels sont l'Industrie du Futur, la Santé du Futur et les Humanités Numériques.

Présentation du sujet de thèse

De plus en plus de données numériques de fabrication sont disponibles dans les ateliers des usines. Leur acquisition et leur exploitation peut conduire à des améliorations significatives de la productivité et de la qualité. Des nouvelles approches de fabrication basées sur l'instrumentation de processus et l'analyse de données [1 · 2] sont en cours de développement. Ceci est particulièrement vrai pour l'usinage (métalliques ou composites) qui et reste l'un des secteurs les plus importants de l'industrie manufacturière. Le LS2N (RoMaS) développe une solution Industrie 4.0, appelée EmmaTools, qui collecte 1 Go de données d'usinage par jour et par machine-outil. Quatre accéléromètres sont intégrés dans la broche, et des informations contextuelles sont obtenues par le bus de terrain à partir de la machine-outil à commande numérique CNC. La clé réside dans l'utilisation efficace et automatisée de ces grandes bases notamment via l'utilisation de techniques de Data Mining [3]. Pour ce faire, une technique dédiée basée apprentissage (Machine Learning) doit être développée, combinant les approches Science des Données et Connaissances Métier, qui est le but de cette thèse. Afin de pouvoir distinguer les événements anormaux et inappropriés du bruit, le Machine Learning est nécessaire. Une des meilleures solutions est l'approche Bayésienne, combinée aux modèles graphiques probabilistes (PGM) développé par LS2N (DUKe) pour divers domaines d'application.
Le plan de travail de la thèse est basé sur plusieurs cas d'utilisation. Pour chacun d'eux, des modèles graphiques probabilistes seront proposés (intégration des connaissances de fabrication dans le modèle, pour une meilleure fiabilité et interprétation des résultats - 2 facteurs clés pour les industriels). Ils seront testés sur une base de données industrielle, évalués (par une matrice de confusion notamment) et améliorés. Enfin, le Transfer Learning sera étudié. Un premier cas d'utilisation concerne les défauts de qualité récurrents sur les pièces. Le Machine Learning sera particulièrement pertinent pour le système de production très flexible de l'industrie de l'usinage aéronautique, par rapport au Statistical Process Control qui convient plutôt à la production de masse. Un deuxième cas d'utilisation concerne la maintenance de broches et le diagnostic des incidents d'usinage pouvant provoquer des dégradations.

• [1] : Harding, J. A., Shahbaz, M., Srinivas, Kusiak, A. (2006). Datamining in manufacturing: A review. Journal of Manufacturing Science and Engineering, 128(4), 969-976.
• [2] F. Tao, Q. Qi, A. Liu, A. Kusiak (2018) Data-driven smart manufacturing, Journal of Manufacturing Systems, 48(C), 157-169.
• [3] V. Godreau, M. Ritou, E. Chové, B. Furet, D. Dumur (2018) Continuous improvement of HSM process by data mining, Journal of Intelligent Manufacturing, on-line, 1-8

Rattaché(e) au responsable de laboratoire et au RERT (responsable d'équipe de recherche technologique), il/elle aura en charge les missions suivantes La mission principale du doctorant est de contribuer aux recherches de l'équipe ROC et du LS2N par la réalisation d'une thèse. Plus précisément : " Réalisation des tâches scientifiques et techniques décrites au dernier paragraphe la section précédente. " Interactions régulières avec les industriels partenaires et l'IRT Jules Verne : rédaction de rapports et compte-rendu des réunions d'avancement, présentations en interne. " Présentations lors de congrès scientifiques et rédaction d'articles dans des revues.

Profil

Ingénieur ou titulaire d'un Master 2 Informatique ou Mécanique Le candidat devra avoir des compétences fortes dans l'un de ces deux domaines et porter un intérêt certain pour le second. Des connaissances sur les modèles graphiques probabilistes seraient un plus.

Pour en savoir plus et postuler : le site web de l'IRT Jules Vernes -> Description du poste et formulaire

Fiche de poste : English version :