Polygon Generation & Deep Learning: Towards Industrial Data Fusion for Optimizing Engineering Systems' Performance

L'analyse des données industrielles pose plusieurs défis. Ces données sont collectées à partir de sources hétérogènes et stockées dans des silos isolés. Cela complique leur accessibilité et empêche leur pleine exploitation dans la prise de décision. Par conséquent, il existe un besoin urgent et prioritaire de fusionner ces silos déconnectés pour profiter au maximum de ces données. Toutefois, la fusion de données de sources multiples présente deux principaux défis : la représentation efficace des données afin de permettre une meilleure fusion des données, et la sélection des méthodes de modélisation les plus appropriées en fonction du type et de la quantité des données ainsi que la nature du problème à résoudre. Relever ces défis contribuera à ce que les systèmes industriels complexes maintiennent un fonctionnement économe en énergie, à réduire leur empreinte environnementale et ainsi à atteindre l'excellence opérationnelle. Cette thèse apporte trois contributions dans résolution de la problématique de la fusion de données issues de l'exploitation de systèmes industriels. L'objectif des trois contributions proposées est d'obtenir une représentation des données efficace et utile qui permet de maximiser la valeur globale des données industrielles disponibles pour faciliter le processus de fusion à différents niveaux sémantiques (brut, information et connaissance). Les contributions utilisent les performances de l'apprentissage profond (DL) dans la modélisation prédictive et générative. Elles permettent de construire des modèles précis et robustes utilisables à plusieurs finalités dans l'industrie. Ces modèles peuvent diagnostiquer avec précision divers systèmes industriels, prédire leurs indicateurs clés de performance et capturer la vraie distribution des systèmes industriels complexes hautement non linéaires pour fournir à l'expert des connaissances précieuses pour prescrire les bonnes actions au bon moment. Toutes les méthodes proposées dans cette recherche doctorale ont été validées à l'aide d'ensembles de données complexes provenant de différents équipements complexes des procédés industriels : Rebouilleur dans une usine de pâte thermomécanique (TMP), chaudière de récupération de liqueur noire (BLRB) et concentrateur de liqueur noire dans une usine de pâte Kraft. Les méthodes proposées ont été comparées à différentes méthodes d'apprentissage automatique (ML) et d'apprentissage profond largement utilisées dans la littérature. Les résultats indiquent que nos méthodes surpassent les méthodes comparables en termes de précision de prédiction. Les résultats obtenus montrent que notre approche conduit à des prédictions précises et arrive à capturer la non-linéarité et le comportement dynamique de systèmes industriels complexes avec des distributions mal définies. Cette recherche doctorale ouvre la porte à la fusion de données hétérogènes industrielles incluant des données sensorielles, images, et vidéos.

Abstract

Analysis of industrial data imposes several challenges. This type of data is collected from heterogeneous sources and stored in isolated silos. This hinders the accessibility of this asset and its proper exploitation in the decision making process. Therefore, there is an urgent and prioritized need to merge these disconnected silos to maximize the benefits from this asset. However, merging data from multiple sources has two main challenges: efficient data representation for better data fusion, and selecting the most appropriate modeling technique based on the type and quantity of data as well as the nature of the problem to be solved. Solving these challenges will help the complex industrial systems maintain energy-efficient operations, reduce their environmental footprint, and thus achieve operational excellence. This thesis makes three contributions as a step for solving the problems of the data fusion resulting from the operation of industrial systems. The objective of the three proposed contributions is to obtain an efficient and useful data representation that helps maximize the global value of the available industrial data to facilitate the fusion process at different semantic levels (raw, information and knowledge levels). Those contributions make use of the performance of deep learning (DL) in predictive and generative modeling. They allow for building accurate and robust models to be used for several purposes in industry. These models can accurately diagnose various industrial systems, predict their key performance indicators (KPIs) and capture the true distribution of highly non-linear complex industrial systems to provide the expert with valuable knowledge to prescribe the right actions at the right time. All the proposed methods in this doctoral research are validated using challenging datasets collected from different complex equipment in process industries: reboiler system in a theromomechancal pulp mill (TMP), black liquor recovery boiler (BLRB) and concentrator of black liquor in a Kraft pulp mill. The methods were compared to different machine learning and deep learning techniques extensively used in the literature. Our results indicate that our methods outperform the comparable methods in terms of prediction accuracy. The results obtained show that our proposed approach leads to accurate predictions and successfully captures the non-linearity and dynamic behavior of complex industrial systems with ill-defined distributions. This doctoral research opens the door to the industrial heterogeneous data fusion including sensory data, images, and videos.