Probabilistic graphical models applied to manufacturing processes
Modèles graphiques probabilistes appliqués aux procédés de fabrication
Résumé
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 sensorbased 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 generic structure are used to exploit sensor data of an electrospindle in real conditions of use, and whose parameters are learned thanks to the unsupervised co-training strategies
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 semisupervisé. 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
| Origine | Version validée par le jury (STAR) |
|---|