Deep Learning for anomaly detection in industry 4.0 - TEL - Thèses en ligne
Thèse Année : 2022

Deep Learning for anomaly detection in industry 4.0

Apprentissage profond pour la détection des anomalies dans l’industrie 4.0

Aurélien Keleko Teguede
  • Fonction : Auteur
  • PersonId : 1296477
  • IdRef : 269129626

Résumé

Industry 4.0 (I4.0) corresponds to a new way of planning, organizing, and optimizing production. Therefore, the increasing exploitation of production systems through the presence of many Internets of Things (IoT) devices, and digital transformation offers new opportunities to make factories intelligent and do smart manufacturing. However, there are many challenges in realizing the potential of these new technol ogies. One approach to addressing these challenges is introducing more automation throughout the production process. This increases the availability, profitability, effectiveness, and environmental responsibility or sustainability of the plant. This thesis focuses on factory automation via the development of decisionmaking tools based on datadriven and physics AI models. Besides, the theoretical aspects, the contribution, and the originality of our study consist in developing hybrid, explainable and gener alizable models for Predictive Maintenance (PdM) by using Deep Learning (DL) coupled with explainable techniques. Thus, we have developed two approaches to explaining the DL model: By extracting the local and global knowledge from the learning processes to transparent decisionsupport more making rules through Explainable Artificial Intelligence (XAI) and by introducing knowledge or physical laws to inform and guide the DL model. For this purpose, our research will focus on three main points: Firstly, we w ill provide a state of the art of anomalies detection and PdM 4.0 approaches in I4.0. Thus, we will exploit an advanced bibliometric analysis to retrieve and analyze relevant documents from the scientific database Web of Science (WoS). This analysis gives us some useful guidelines to help researchers and practitioners to understand the main challenges and the most relevant scientific issues related to AI and PdM. Secondly, we have developed two frameworks, based on Deep Neural Networks (DNNs). The first fra mework is formed by two modules such as DNN and Deep SHapley Additive exPlanations (DeepSHAP). DNN module consists of to address the unbalanced multiclass classification tasks applied to the hydraulic system conditions. Despite their performance, some que the reliability of DNN as a "blackbox" model for decisionstions arise about making and the possible ethical, impacts on stakeholders. To address these issues, a second module based on DeepSHAP is being developed for the model’s explainability. DeepSHAP s decisionhows the importance and contribution of each feature in the making by the models. In addition, it promotes the understanding of the process and guides humans to better understand, interpret, and trusts the AI models. The second hybrid framework i s known as PhysicalInformed Deep Neural Networks (PINN) for regression tasks. This aims to predict the states of Friction Stir Welding. PINN consists of introducing the explicit knowledge or physical constraint into the learning algorithm. This provides b etter knowledge and forces the model to follow the process topology. Once trained, the PINN can substitute the numerical simulation of the FSW process which is computationally timeconsuming. In summary, this work opens new and promising perspectives on th e explainability of AI models applied to PdM 4.0. In particular, the exploitation of these frameworks contributes to more accurate knowledge about of the investigated system.
L’industrie 4.0 (I4.0) correspond à une nouvelle façon de planifier, d’organiser, et d’optimiser les systèmes de production. Par conséquent, l’exploitation croissante de ces systèmes grâce à la présence de nombreux objets connectés, et la transformation d igitale offrent de nouvelles opportunités pour rendre les usines intelligentes et faire du smart manufacturing. Cependant, ces technologies se heurtent à de nombre défis. Une façon de leurs d’appréhender consiste à automatiser les processus. Cela permet d’ augmenter la disponibilité, la rentabilité, l’efficacité et de l’usine. Cette thèse porte donc sur l’automatisation de l’I4.0 via le développement des outils d’aide à la décision basés sur des modèles d’IA guidés par les données et par la physique. Audelà des aspects théoriques, la contribution et l’originalité de notre étude consistent à implémenter des modèles hybrides, explicable et généralisables pour la Maintenance Prédictive (PdM). Pour ce motif, nous avons développé deux approches pour expliquer les modèles : En extrayant les connaissances locales et globales des processus d’apprentissage pour mettre en lumière les règles de prise de décision via la technique l’intelligence artificielle explicable (XAI) et en introduisant des connaissances ou des loi s physiques pour informer ou guider le modèle. À cette fin, notre étude se concentrera sur trois principaux points : Premièrement, nous présenterons un état de l’art des techniques de détection d’anomalies et de PdM4.0. Nous exploiterons l’analyse bibliomé trique pour extraire et analyser des informations pertinentes provenant de la base de données Web of Science. Ces analyses fournissent des lignes directrices utiles pouvant aider les chercheurs et les praticiens à comprendre les principaux défis et les que stions scientifiques les plus pertinentes liées à l’IA et la PdM. Deuxièmement, nous avons développé deux Framework qui sont basés sur des réseaux de neurones profonds (DNN). Le premier est formé de deux modules à savoir un DNN et un Deep SHapley Additive exPlanations (DeepSHAP). Le module DNN est utilisé pour résoudre les tâches de classification multiclasses déséquilibrées des états du système hydraulique. Malgré leurs performances, certaines questions subsistent quant à la fiabilité et la transparence d es DNNs en tant que modèle à "boîte noire". Pour répondre à cette question, nous avons développé un second module nommé DeepSHAP. Ce dernier montrant l’importance et la contribution de chaque variable dans la prise de décision de l’algorithme. En outre, el le favorise la compréhension du processus et guide les humains à mieux comprendre, interpréter et faire confiance aux modèles d’IA. Le deuxième Framework hybride est connu sous le nom de Physical (PINN). Ce modèle est utilisé Informed Deep Neural Networks pour prédire les états du processus de soudage par friction malaxage. Le PINN consiste à introduire des connaissances explicites ou des contraintes physiques dans l’algorithme d’apprentissage. Cette contrainte fournit une meilleure connaissance et oblige l e modèle à suivre la topologie du processus. Une fois formés, les PINNs peuvent remplacer les simulations numériques qui demandent beaucoup de temps de calcul. En résumé, ce travail ouvre des perspectives nouvelles et prometteuses domaine de l’explicabilit é des modèles d’AI appliqués aux problématiques de PdM 4.0. En particulier, l’exploitation de ces Framework contribuent à une connaissance plus précise du système.
Fichier principal
Vignette du fichier
KELEKO_Aurelien.pdf (11.59 Mo) Télécharger le fichier
Origine Version validée par le jury (STAR)

Dates et versions

tel-04248257 , version 1 (18-10-2023)

Identifiants

  • HAL Id : tel-04248257 , version 1

Citer

Aurélien Keleko Teguede. Deep Learning for anomaly detection in industry 4.0. Other [cs.OH]. Institut National Polytechnique de Toulouse - INPT, 2022. English. ⟨NNT : 2022INPT0106⟩. ⟨tel-04248257⟩
260 Consultations
149 Téléchargements

Partager

More