Conclusions et travaux futurs

2.6.1 Contributions de ce travail de thèse

Avec la vision "industrie 4.0", l’industrie manufacturière bénéficie aujourd’hui d’une tendance à l’automatisation des échanges de données. Les CPS sont au centre de cette vision et au coeur des usines intelligentes, où les installations de produc-tion sont capables d’échanger des informaproduc-tions de manière autonome et intelli-gente. Dans les usines intelligentes, les machines de production sont connectées pour construire des CPS, qui constituent une nouvelle catégorie de systèmes tech-niques offrant une interaction étroite entre les composants cybernétiques et phy-siques. L’échange et l’analyse automatiques des données offrent aux fabricants la possibilité d’optimiser davantage les processus de production. La collecte de don-nées provenant des différents composants d’une chaîne de production et leur ana-lyse dans une infrastructure Cloud évolutive peut améliorer considérablement la productivité, la fiabilité et la disponibilité des systèmes de production dans des environnements hétérogènes. Toutefois, l’utilisation de ces technologies avancées

offre non seulement les avantages susmentionnés aux fabricants, mais leur pose également des défis, tels que la gestion de données volumineuses et hétérogènes générées par des machines et des capteurs en réseau.

Cette vision a été réalisée dans le cadre du projet européen Interreg HALFBACK

1, qui vise à assurer des processus de fabrication hautement disponibles, en pré-voyant les pannes de machines, d’outils, la perte de qualité des produits, les pro-blèmes de flux de ressources, etc. et en programmant la maintenance, le remplace-ment des composants, la replanification des processus, voire la reprise de la pro-duction par une autre usine, de manière optimisée et intelligente.

À mesure que les CPS deviennent de plus en plus complexes, les connaissances requises pour l’exploitation et la maintenance des systèmes deviennent elles aussi de plus en plus complexes. Dans ce contexte, des modèles standard et bien définis pour la saisie de ces connaissances complexes sont requis. Pour développer un tel modèle, la connaissance du domaine de la fabrication et de la maintenance prédic-tive doit être structurée de manière formelle, rendant ainsi cette connaissance uti-lisable par un CPS. En outre, le domaine de la fabrication étant de plus en plus axé sur les connaissances, une représentation uniforme des ressources physiques et des capacités de raisonnement est nécessaire pour automatiser les processus décision-nels dans les CPS. Ces processus décisiondécision-nels comprennent l’intégration automa-tique des ressources, la prédiction et le diagnostic des anomalies, la programmation de la maintenance et la replanification des processus. Pour réaliser cette vision, les technologies sémantiques ont montré des résultats prometteurs en formalisant les connaissances sur les tâches de maintenance prédictive dans divers domaines.

La nouvelle approche sémantique proposée dans cette thèse permet la repré-sentation des résultats de la fouille de données dans un format formel et structuré, facilitant ainsi la compréhension et l’exploitation des connaissances extraites. De cette façon, les résultats des données peuvent être interprétés à la fois par les utili-sateurs et les machines pour enrichir et améliorer les bases de connaissances dans les systèmes de maintenance prédictive basés sur la connaissance.

2.6.2 Perspectives

Au delà des contributions résumées dans la section précédente cette thèse ouvre des perspectives de recherches futures, en particulier :

• Le premier travail futur est l’évolution de l’ontologie et de la base de règles. Le domaine de la fabrication étant très dynamique, un système de maintenance prédictive devrait être capable de s’adapter à des situations dynamiques dans le temps, par exemple, le changement de contexte. Pour cela, l’ontologie et la base de règles doivent être capables de faire face à l’évolution dynamique des connaissances. Pour traiter cette question, des solutions d’évolution de la base de connaissances vont être proposées : l’ontologie développée dans le chapitre 2 devrait être capable de s’adapter efficacement aux changements grâce à l’utilisation de techniques d’évolution de l’ontologie [SMMS02], et la base de règles extraite de l’extraction de chroniques (introduite dans le cha-pitre 2.2) devrait être mise à jour en fonction du changement de contexte, en mettant en œuvre un raisonnement contextuel [BBH⁺10].

• Le deuxième travail futur est la prise en compte d’un plus grand nombre de mesures de la qualité des règles. Au chapitre 2.3, une approche d’optimisation multi-objectifs qui vise à sélectionner des règles avec un maximum de

préci-sion et de couverture a été proposée. À l’avenir, nous souhaitons impliquer

davantage de mesures de qualité des règles pour l’élagage des règles, telles que Association, Information, et Suffisance logique [AC01].

• La troisième perspective d’avenir est l’évaluation de la qualité des règles pour les règles d’experts. En effet, en raison des caractéristiques dynamiques et in-certaines du domaine de la fabrication, les experts peuvent fournir des règles d’experts erronées pour la prédiction des défaillances. Les règles d’experts er-ronées peuvent conduire à des résultats de prédiction de défaillance incor-rects. Pour résoudre ce problème, un processus d’évaluation est nécessaire pour examiner la performance des règles d’expertise. De cette façon, un en-semble de règles de meilleure qualité est sélectionné non pas à partir de la base de règles des chroniques, mais à partir de la base de règles intégrées, ce qui assure une meilleure performance dans la prédiction.

• La quatrième perspective est la capacité du système à traiter des données en temps réel. Comme le domaine de la fabrication est très dynamique, la possibilité de traiter des flux de données hétérogènes en temps réel est une préoccupation cruciale pour les fabricants. Cependant, l’approche proposée utilise les techniques classiques de raisonnement ontologique, qui ne per-mettent pas de traiter des données hautement dynamiques en temps voulu.

Pour faire face à ce problème, des techniques de raisonnement en flux de-vraient être adoptées pour raisonner sur une variété de données hautement dynamiques [DDVvHB17]. Dans le raisonnement par flux, des langages d’in-terrogation riches sont fournis par les raisonneurs de flux pour interroger en continu les flux de données. De cette façon, les systèmes de maintenance pré-dictive pourront détecter et prévoir les pannes de machines en temps réel.