L'industrie 4.0 a permis aux fournisseurs et aux fabricants d'introduire de nouveaux concepts technologiques. Les principaux concepts introduits sont l'Internet des objets (IoT), le cloud computing et l'analyse des données, pour connaître les états des machines et détecter les défauts potentiels. Cette approche est appelée "maintenance prédictive", elle évalue les conditions réelles et leur évolution pour prédire une éventuelle opération de maintenance avant la panne..
Cependant, le déploiement de la maintenance prédictive à l'échelle industrielle soulève plusieurs questions concernant : la confiance dans les données des capteurs, l'algorithme requis pour détecter les défauts et prédire les pannes, son adaptabilité à un grand volume et aux équipements.
Pour être mise en œuvre, la maintenance prédictive utilise la technologie IoT pour collecter des mesures utiles à la détection des défaillances. Ensuite, ces données peuvent être transférées vers le serveur central pour être stockées et analysées (ce qui implique une latence et des coûts énergétiques importants), ou elles peuvent être stockées et traitées dans le réseau périphérique qui est appelé "edge computing".
La diversité des capteurs met en évidence l'interrogation sur une implémentation à grande échelle. En effet, les approches fonctionnant sur l'apprentissage local ne facilitent pas la généralisation des modèles car elles génèrent une diversité d'exécution des situations, elles rendent également plus difficile le " démarrage à froid " car les modèles sont difficilement généralisables du fait de la variété des contextes d'utilisation.
Dans ce contexte, une nouvelle approche d'apprentissage appelée “l'apprentissage fédéré" a émergé. Cette approche permet à plusieurs nœuds, disposant de données et de ressources diverses, de participer à la formation d'un modèle global. Chaque nœud d'un niveau EDGE contribue au processus d'apprentissage généralisé en calculant indépendamment un paramètre du modèle avec les données locales.
Dans ce contexte, Berger-Levrault souhaite développer une approche de maintenance prédictive qui exploite l'approche collaborative d'apprentissage fédéré et tire parti de l'informatique périphérique. L'objectif est de proposer un système de surveillance pour :
- Activez le "démarrage à froid" lorsqu'un nouvel équipement est installé,
- Détecter les anomalies apprises est un moyen partagé par tous les clients.
C'est dans ce cadre qu Hamza Safri, un jeune ingénieur en télécommunication, a rejoint la DRIT pour commencer son travail de thèse en CIFRE nommé : "Apprentissage fédéré pour la maintenance prédictive".
Il fait sa thèse en collaboration avec Laboratoire de Grenoble INRIA et son directeur de thèse et son superviseur sont Frédéric Desprez et Denis Trystram.
