Surveillance, détection d'anomalies et optimisation des systèmes industriels avec des techniques statistiques et d'apprentissage automatique

Abstract

De nos jours, les systèmes industriels, tels que les systèmes de production, les systèmes de contrôle industriel, les réseaux de communication sans fil, les systèmes robotiques et les systèmes de santé, deviennent de plus en plus complexes et de plus en plus connectés à Internet avec la technologie Internet des objets (IoT). Le développement récent des technologies de l'information et de la communication telles que l'IoT et l'intelligence artificielle (IA) pour favoriser l'amélioration continue, le transfert de connaissances et la prise de décision basée sur les données dans de nombreux domaines. Cette thèse présentera systématiquement des contributions en surveillance, détection d'anomalies et optimisation pour les systèmes industriels avec des techniques statistiques et d'apprentissage automatique. Dans un premier temps, nous introduirons des contributions dans le domaine de la surveillance statistique des processus, en particulier des cartes de contrôle avancées développées sur la base de techniques statistiques ainsi que de l'apprentissage automatique. Deuxièmement, des contributions dans le domaine de la modélisation et de l'optimisation de la production en utilisant l'apprentissage par renforcement avec une étude de cas dans la fabrication de textiles seront introduites. Troisièmement, les contributions de la prévision et de la détection d'anomalies à l'aide de techniques d'apprentissage automatique avec des applications dans le domaine de la gestion de la chaîne d'approvisionnement seront examinées avec des données de l'industrie de la mode. Quatrièmement, les recherches sur la sécurité des réseaux avec des techniques de détection d'anomalies seront détaillées avec des applications dans les domaines de la finance, des réseaux de capteurs sans fil, ainsi que des systèmes de contrôle industriels. Ensuite, un système de surveillance du signal d'électrocardiogramme (ECG) avec des applications dans les systèmes de santé intelligents utilisant des techniques d'apprentissage fédéré explicables sera présenté. Enfin, les conclusions, ainsi que les perspectives sur les futures directions de recherche, seront discutées dans le dernier chapitre de cette thèse.