Doctorant, Polytech Annecy-Chambéry.
Contact
Courriel : francois.sikounmo-fogue@univ-smb.fr
Téléphone : +33 06 14 75 60 82
Portable :
Bureau :
Adresse : LISTIC, 5 chemin de bellevue, CS80439, 74 944 Annecy Cedex
Thèse
Theme : Prédiction de défaillances de
pompes à vide par apprentissage
fédéré pair à pair
Sujet :
Résumé : Le projet se situe dans un contexte industriel à grande échelle pour lequel l’entreprise Pfeiffer Vacuum
produit des appareils de haute précision pour des tiers à l’échelle mondiale. On s’intéresse en
particulier aux pompes à vide destinées aux fondeurs de puces électroniques. Leur maintenance est
cruciale et doit être réalisée avec un niveau maximal de sécurité et de confidentialité, les arrêts de
ligne de production pour cause de panne non anticipée impliquant des coûts très importants. Dans
une infrastructure, les pompes sont complémentaires et organisées en clusters. Elles sont
instrumentées et associées dans un contexte IoT. A ce jour, malgré l’expérience acquise, aucun
modèle de prédiction de panne traditionnel ou par apprentissage automatique ne permet de planifier
efficacement le retrait d’une pompe à vide avant sa défaillance. Le problème sous-jacent est
fortement non linéaire, doit intégrer des données hétérogènes et les modèles ne généralisent pas face
à la diversité des situations. Dans ce contexte, la thèse proposée porte sur l’apprentissage fédéré dans
une infrastructure de communication pair à pair. Ceci permet de répondre à certaines contraintes de
confidentialité et d’apprentissage collaboratif intégrant des processus d’adaptation locaux. D’un point
de vue opérationnel, ce type d’approche permet de réduire les interventions d’experts humains sur
chaque matériel et d’optimiser la gestion globale. Les questions scientifiques sont nombreuses et
s’inscrivent dans un projet plus large. Celles étudiées dans cette thèse sont : (1) L’identification de
modèles de détection d’anomalie pertinents pour des ensembles de matériels présentant de
nombreuses déclinaisons, usages et contextes, et (2) l’apprentissage collaboratif (fédéré) dynamique
pour la détection d’anomalie sur un parc d’appareils complémentaires.
Mots-clefs : anomalies, fédéré, séries temporelles
Publications :
Encadrant : Alexandre Benoit
Co-encadrant : Olivier Passalacqua, Mickael Bettinelli
Début de la thèse : Juin 2024
Ecole doctorale : SIE