Soutenance de thèse : Jérémie MARCHAND

Approche systémique du maintien opérationnel des systèmes de machine learning pour la maintenance prédictive dans l’industrie nucléaire

Doctorant : Jérémie MARCHAND 

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

École doctorale : n°512 InfoMaths - Informatique et Mathématiques de Lyon

L’essor des technologies numériques, des systèmes connectés et de l’intelligence artificielle ouvre de nouvelles perspectives pour faire évoluer les pratiques de maintenance, en particulier dans l’industrie nucléaire. Ces avancées rendent possible une surveillance des équipements plus continue, plus intelligente et davantage tournée vers l’anticipation des défaillances. S’inscrivant dans cette dynamique, cette thèse industrielle menée en collaboration avec INEO Nucléaire vise à tirer parti des opportunités offertes par l’industrie 4.0 tout en tenant compte de l’évolution progressive des équipements dans le temps dont la durée de vie s’étend sur plusieurs décennies. Elle s’appuie également sur l’expertise des opérateurs de maintenance, qui possèdent une connaissance approfondie des systèmes qu’ils exploitent au quotidien. C’est dans ce contexte que s’inscrit notre question de recherche centrale: Comment assurer la robustesse et la fiabilité d’un système de ML en maintenance prédictive, dans des environnements industriels dynamiques et en évolution constante, notamment dans le secteur nucléaire ? Pour y répondre, un cadre conceptuel a été élaboré, couvrant l’ensemble du cycle de vie des systèmes de ML dans un environnement industriel critique. Ce cadre met l’accent sur la maintenance des modèles, notamment la détection et la gestion des dérives causées par la non-stationnarité de l’environnement dans lequel les équipements opèrent. Adoptant une approche systémique, ce travail se démarque des approches purement algorithmiques en intégrant les enjeux logiciels liés à la mise en œuvre d’un mécanisme de gestion en ligne des dérives. Il en résulte plusieurs contributions complémentaires. La première introduit un architectural pattern centré sur la gestion du concept drift, formalisé comme une solution logicielle encapsulée et réutilisable. Ce pattern fournit un cadre de référence clarifiant une littérature dense et met en lumière les implications techniques qui découlent du choix d’une stratégie de gestion du drift. La seconde contribution souligne l’importance d’une labellisation de qualité, rendu possible par l’intégration de stratégies d’apprentissage actif (active learning), tout en explorant l’usage de l’apprentissage incrémental comme alternative pertinente dans des contextes contraints, notamment sur des infrastructures de type edge computing. Enfin, la dernière contribution présente une architecture logicielle légère, modulaire et évolutive, conçue pour les systèmes de ML dédiés à la maintenance prédictive. Reposant sur une approche microservices, elle distingue clairement les fonctions d’exploitation et de maintenance du système, améliorant sa performance et sa maintenabilité par rapport à une architecture monolithique. Cette solution, directement opérationnelle, renforce la valeur industrielle de la thèse et son applicabilité concrète pour INEO Nucléaire.