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.