Submission #224

Submission information
Submitted by Anonyme (not verified)
Thu, 06/22/2017 - 20:48
192.109.140.183
Yes
Automatic method for generating efficient control laws based on the use of statistical learning methods (machine learning)
Saint-Gobain Recherche
http://www.saint-gobain.com
PhD Thesis
maria.malheiro@saint-goabin.com
Paris
France
SUJET DE THESE 2017: Méthode automatique de génération de lois de commande efficaces basée sur l’utilisation des méthodes d’apprentissage statistique (machine learning)

Saint-Gobain, leader mondial des matériaux pour l'habitat et des matériaux haute performance, conçoit des procédés innovants et des matériaux pour faire face au défi énergétique et environnemental de demain.
Au sein de Saint-Gobain Recherche, le principal centre R&D du Groupe, le Datalab pilote les projets de data science pour l’amélioration des procédés industriels. Pour en savoir plus : www.saint-gobain-recherche.fr

Contexte
De nombreuses étapes de fabrication dans le groupe Saint Gobain impliquent de transformer de manière très précise des produits semi-finis.
La plupart du temps, aucun modèle explicite de la transformation n'est disponible. Les différents réglages (puissances électriques, position et dynamique des outils, ..) sont parfois effectués par des régulateurs très simples (typiquement : des régulateurs PID prenant une seule variable en entrée) ou par des intervenants humains sur la base de leur expertise.
Durant ou après ces transformations, de grandes quantités de données (parfois plusieurs milliers de variables pour chaque pièce) sont collectées. Ces données peuvent aussi bien des mesures physiques en temps réel (comme des évolutions de température) que des contrôles qualités a posteriori (comme des mesures très précises de l’état de surface). Des séries temporelles sur plusieurs années sont disponibles sur certaines chaînes de production.

Objectif
L’objectif de la thèse est de proposer une méthode automatique de génération de lois de commande efficaces (dans l'idéal : optimales) basée sur l’utilisation des méthodes d’apprentissage statistique (machine learning).

Méthodologie et contenu scientifique
Une méthode en plusieurs phases est envisagée, incluant une première phase d'élaboration du modèle, basée sur des outils d’apprentissage statistique (machine learning), suivi d'une phase d'analyse de la contrôlabilité des modèles obtenus (contrôle avancé).
La première phase sera confrontée à la complexité des bases de données industrielles (grande quantité de données, plusieurs modes de fonctionnement, informations manquantes, etc.) et devra proposer des méthodes semi-automatiques de nettoyage et de sélection des paramètres tout en intégrant la compréhension physique du procédé fournie par les experts métier.
La deuxième phase sera confrontée aux difficultés liées à l’absence d’une forme explicite du modèle.

Profil recherché
La connaissance et la pratique de la programmation sont nécessaires, en particulier dans les langages R et Python. Ingénieur ou diplômé d'une grande école, école de mathématiques appliquées, informatique ou physique mathématique, le candidat devra justifier d'une très bonne culture mathématique en particulier dans au moins deux de ces domaines :

• machine learning ;
• analyse de séries temporelles ;
• automatisme / théorie du contrôle.

Esprit synthétique, créativité et dynamisme, bonne capacité relationnelle.

Laboratoires d’accueil :
Laboratoire académique : Ecole des Mines de Nancy – Université de Lorraine, Nancy
Laboratoire industriel : Datalab, Saint-Gobain Recherche, Aubervilliers
Thu, 08/31/2017