Thèse Predict - Maintenance Prédictive pour Systèmes Industriels Hétérogènes Apprentissage Automatique en Contexte de Données Rares et de Machines Quasi-Uniques H/F - Doctorat.Gouv.Fr

Établissement : IMT Mines Albi École doctorale : SYSTEMES Laboratoire de recherche : CGI - Centre de Génie Industriel Direction de la thèse : Severine DURIEUX ORCID 0000000152842478 Début de la thèse : 2026-10-15 Date limite de candidature : 2026-09-30T23:59:59 Cette thèse s'inscrit dans le cadre d'un laboratoire commun entre le Centre Génie Industriel (CGI) de l'IMT Mines Albi et un partenaire industriel spécialisé dans la conception, la commercialisation et l'installation de lignes de machines spéciales. Chaque ligne est quasi-unique : les produits et les process varient d'un client à l'autre, voire d'une production à l'autre sur une même ligne. Cette singularité constitue le coeur de la difficulté scientifique adressée par cette thèse.

Dans l'industrie, la maintenance corrective génère des arrêts non planifiés coûteux, tandis que la maintenance préventive systématique entraîne des interventions inutiles. La maintenance prédictive, qui exploite les données de fonctionnement pour anticiper les défaillances, représente une voie de progrès majeure. Les approches fondées sur l'apprentissage automatique y jouent un rôle croissant : détection d'anomalies, classification de modes de défaillance, prédiction de durée de vie résiduelle. Cependant, la quasi-totalité des travaux existants repose sur des hypothèses rarement vérifiées dans ce contexte : homogénéité des équipements, abondance des données de défaillance étiquetées, répétabilité des processus. Sur une ligne quasi-unique, un type de défaillance peut n'être survenu qu'une à trois fois en plusieurs années d'exploitation, et il n'existe pas de flotte homogène sur laquelle capitaliser l'apprentissage.

L'objectif général de la thèse est de concevoir des méthodes d'apprentissage automatique capables de détecter, diagnostiquer et anticiper les défaillances sur des lignes quasi-uniques, en surmontant quatre contraintes majeures : la rareté des exemples de pannes, l'hétérogénéité structurelle et sémantique des données, le déséquilibre extrême des classes, et l'absence de population statistique homogène.
Dans un contexte de compétitivité industrielle accrue, la maîtrise de la disponibilité des équipements de production est devenue un enjeu stratégique majeur. Les approches de maintenance corrective génèrent des arrêts non planifiés coûteux, tandis que la maintenance préventive systématique conduit à des interventions inutiles et à une sur-consommation de ressources. La maintenance prédictive, qui vise à anticiper la défaillance avant qu'elle ne survienne en exploitant les données de fonctionnement de l'équipement, constitue aujourd'hui une voie de progrès reconnue. Les approches basées sur le Machine Learning (ML) y jouent un rôle croissant, portant notamment sur la détection d'anomalies, la classification de modes de défaillance et la prédiction de durée de vie résiduelle.
Cependant, la grande majorité des travaux académiques et des solutions industrielles disponibles reposent sur des hypothèses rarement vérifiées en contexte réel : disponibilité de grandes quantités de données étiquetées, homogénéité des machines, répétabilité des processus et abondance des occurrences de pannes en base d'apprentissage.
Ce travail de thèse s'inscrit dans le cadre d'un laboratoire commun entre le CGI de l'IMT Mines Albi et un partenaire industriel spécialisé dans la conception et l'installation de lignes de machines spéciales. Chaque installation est adaptée au client final, aux contenants, aux produits (recettes, viscosités, etc) et aux process de fabrication. Cette singularité de machine quasi-unique constitue le coeur de la difficulté scientifique et opérationnelle.
Les techniciens de maintenance s'appuient sur des rapports de production et des historiques de pannes pour diagnostiquer et anticiper les défaillances, mais aussi grâce à des installations plus récentes sur les remontées terrain des différents capteurs et moyens de mesure. Ces données sont cependant hétérogènes, fragmentaires et peu structurées : diversité des capteurs, des unités de mesure, des cycles de fonctionnement, des recettes et des nomenclatures de défauts. Il n'existe pas de « machine jumelle » sur laquelle capitaliser directement l'apprentissage. Les algorithmes ML classiques, conçus pour des flottes homogènes et des datasets équilibrés, ne sont pas directement applicables dans ce contexte. L'objectif général de la thèse est de concevoir des méthodes d'apprentissage automatique capables de détecter, diagnostiquer et anticiper les défaillances sur des lignes de machines spéciales quasi-uniques, en surmontant les contraintes liées à la rareté des exemples de pannes, à l'hétérogénéité structurelle des données et à l'absence de population statistique homogène.
Quatre objectifs spécifiques structurent la recherche :
- OS1 - Construire une représentation unifiée et interopérable des données issues de machines hétérogènes.
- OS2 - Identifier des schémas comportementaux précurseurs de défaillances dans des corpus d'apprentissage limités et déséquilibrés.
- OS3 - Construire des mécanismes de transfert de connaissances entre lignes de nature différente afin d'augmenter la capacité de généralisation des modèles.
- OS4 - Produire des recommandations d'action planifiables et explicables, exploitables par un technicien de maintenance sans expertise en ML. Les pistes méthodologiques envisagées sont les suivantes :
- Détection d'anomalies non supervisée : autoencoders convolutifs sur séries temporelles, Isolation Forest, OCSVM.
- Apprentissage supervisé avec peu de données : few-shot learning, MAML, Prototypical Networks appliqués aux signatures de défaillances.
- Génération de données synthétiques : GAN conditionnels pour séries temporelles (TimeGAN, CTGAN), augmentation par perturbation guidée.
- Modèles de séquences : LSTM, GRU, Transformers temporels (Temporal Fusion Transformer) pour la reconnaissance de schémas précurseurs.
- Transfert de domaine : représentations invariantes par réseaux adversariaux de domaine (DANN), adaptation par alignement de distributions (MMD, CORAL).
- Inférence causale : réseaux bayésiens dynamiques, causalité de Granger multivariée pour le diagnostic racine.
- Explicabilité : SHAP values, LIME, mécanismes d'attention, graphes causaux simplifiés à destination des techniciens.
- Aide à la décision : modèles d'ordonnancement robuste intégrant l'incertitude prédictive et les contraintes opérationnelles.

Formation
- Diplôme d'ingénieur ou Master 2 en informatique, mathématiques appliquées, génie industriel ou Data
- Solide formation en apprentissage automatique et en traitement des données.
Compétences attendues
- Compétences indispensables : Machine Learning supervisé et non supervisé, programmation Python, traitement de séries temporelles.
- Compétences approfondies : Deep Learning (LSTM, Transformers, autoencoders), techniques de transfert de domaine, méthodes d'explicabilité (SHAP, LIME).
- Compétences souhaitées : Few-shot learning, GAN, méthodes bayésiennes, notions de génie industriel ou de maintenance industrielle.
- Compétences linguistiques : maîtrise du français (langue de travail) ; niveau opérationnel en anglais écrit et parlé pour la rédaction scientifique et les communications internationales.
- Qualités attendues : Autonomie, rigueur scientifique, goût pour les problèmes appliqués, capacité à travailler en lien étroit avec un partenaire industriel.