GSCOP-RUB-GCSP

Soutenance de thèse de TRAN Ngoc Hoang (GCSP) le 11 juillet 2018 à 10h00 en amphi Gosse - Site Viallet - Grenoble INP

Intitulée : " Extension des systèmes MES au diagnostic des performances des systèmes de production au travers d'une approche probabiliste Bayésienne"
Membres du Jury :

  • M. Pascal BERRUET Professeur des Universités, Université de Bretagne Sud, Rapporteur
  • M. Jean-François PETIN Professeur des Universités, Université de Lorraine, Rapporteur
  • M. Yacine OUZROUT Professeur des Universités, Université Lyon 2, Examinateur
  • M. Thierno DIALLO Maître de Conférences, Institut Supérieur de Mécanique de Paris, Examinateur
  • M. Sébastien HENRY Maître de Conférences, Université Lyon 1, Co-directeur de thèse
  • M. Eric ZAMAI Maître de Conférences HDR, Grenoble-INP, Directeur de thèse

Résumé :

Cette thèse s'inscrit dans le domaine de la diagnostic, en particulier de niveau du Manufacturing Execution System (MES), se place dans un contexte très riche d'information collectées venir de plusieurs sources: les données historiques, les données références, de prévisionnelle, maintenance, les alarmes, les événements, etc. cependant il existe encore de nombreux défis à les exploitants pour supporter les actions du maintenance (diagnostic, pronostic, etc). Notre travail de recherche se focalise sur la problématique du diagnostic au ce haut niveau de décisionnel et en particulier sur d'une part la classification des variables issues exclusivement d'un modèle MES répondant au standard de la norme ISA-95 à des fins de généricté, la démonstration que ces variables permettent à elles seules de déterminer les causes d'un variation de TRS, de justifier et de produire un modèle de réprésentation de ces relations de causes à effets sur la base d'un raisonnement Bayésien, à étendre ou pas, et enfin de proposer l'ensemble des algorithmes permettant l'exploitation de ces modèles à des fins d'inférence diagnostique.


Abstract :

This Phd thesis takes place in the diagnostic field, especially in contexte of Manufacturing Execution System (MES), a rich collected informations come from several sources: historical data, references data, previsoire data, maintenance data, alarms, events, etc. however, there are still many challenges for operators to support maintenance actions (diagnosis, prognosis, etc.) by exploiting MES data. Our work focuses on the problem of diagnosis at this high level of decision-making and in particular one side classification variables exclusively from a MES model repecting to ISA-95 standard for generitical purposes, demonstration that these variables can characterise the causes of a variation of TRS, justify and produce a representation model of these cause-effect relationships based on Bayesian reasoning, and finally to propose algorithms allowing the exploitation these models for diagnostic inference.