Soutenance de thèse : Amaratou MAHAMADOU SALEY

Cadre méthodologique couplant données et connaissances pour la maintenance prédictive en contexte nucléaire

Doctorante : Amaratou MAHAMADOU SALEY

Laboratoire INSA : DISP - Décision et Information pour les Systèmes de Production

École doctorale : ED512 lnfoMaths - Informatique et Mathématiques de Lyon

L'émergence des technologies numériques, des systèmes connectés et de l'IA ouvre de nouvelles perspectives pour faire évoluer les pratiques de maintenance, surtout dans une industrie comme le nucléaire. La surveillance peut devenir plus continue, plus intelligente et plus prédictive. Cette thèse CIFRE avec INEO Nucléaire vise à intégrer les nouvelles possibilités offertes par l'industrie 4.0 sans remettre en cause les pratiques de terrain éprouvées.C'est dans ce contexte que s'inscrit notre question de recherche centrale: Comment exploiter conjointement les données disponibles et les connaissances capitalisées du domaine nucléaire pour améliorer la maintenance d'un système en production, en tenant compte de l'hétérogénéité et de la complémentarité des sources d'information? Nous proposons une méthodologie globale, structurée autour du PHM (Prognostics and Health Management) et conçue pour articuler données et connaissances à chaque étape. Dans chacune de ces étapes, les connaissances issues de l'expertise terrain, des documents techniques ou des historiques de maintenance jouent un rôle actif pour guider l'analyse
des données, enrichir les modèles, ou interpréter les résultats. À partir de cette contribution méthodologique, 3 des phases du PHM sont explorées en détail: détection, diagnostic et pronostic. La première spécialisation vise à l'amélioration de la détection précoce des défauts sur des équipements nucléaires fonctionnant selon un cycle de production. Nous y spécialisons notre méthodologie globale en une méthodologie pour la détection originale basée sur un clustering multi-échelle permettant de détecter les signaux faibles annonciateurs de défaillances. La deuxième spécialisation se concentre sur l'amélioration du diagnostic dans le cas de machines tournantes au sein des installations nucléaires. Nous spécialisons notre méthodologie globale pour proposer une méthodologie hybride qui combine les données hétérogènes obtenues par augmentation des données, les connaissances explicites et tacites du domaine et les techniques d'apprentissage automatiques pour isoler les anomalies détectées et identifier leurs
causes probables. Enfin, la troisième spécialisation porte sur le pronostic. Elle explore comment les connaissances peuvent être exploitées pour améliorer la prédiction des défaillances sur des équipements nucléaires critiques selon un horizon défini. L'ensemble de ces contributions vise à faire progresser la maintenance prédictive en alimentant le PHM avec des connaissances pour intégrer durablement données et expertises dans une même méthodologie rigoureuse, outillée et opérationnelle et testée sur des équipements de l'industrie nucléaire. Nos résultats confirment la valeur ajoutée de l'hybridation des approches à bases des données et celles à bases de connaissances dans un environnement industriel exigeant.