Le projet DoréMi s’inscrit dans le cadre de diagnostic des Systèmes Automatisés de Production (SAP). L’objectif général de ce projet est de rendre les systèmes de production flexibles et résilients. Il contribue également à enrichir l’état de l’art existant sur le diagnostic de SAP via l’intégration de l’apprentissage automatique. Cette intégration vise à diagnostiquer des systèmes plus complexes avec moins de ressources de calcul. Le travail se placera dans le cadre de SAP qui possèdent des capteurs et des actionneurs délivrant des signaux binaires : Systèmes à Evènements Discrets (SED) et commandés par des Automates Programmables Industriels (API). On considèrera le mode opératoire général suivant : a) l’acquisition des entrées par l’enregistrement des états des capteurs qui sont des variables non contrôlables. b) l’exécution du programme de commande. c) la mise à jour des actionneurs qui sont les variables contrôlables. Ces étapes s’effectuent de façon cyclique. Le diagnostic consistera par conséquent d’analyser l’ensemble des données recueillies sur un temps donné afin de détecter et d’isoler les fautes.

Le projet DoréMi a pour objectifs :

1. Etendre les résultats préliminaires de diagnostic à partir de LSTM présentés dans (Saddem et Baptiste, 2022). Ces travaux préliminaires ont montré que les réseaux récurrents permettent de façon adéquate de faire des prédictions et de la classification dans le contexte de diagnostic. En revanche, des questions fondamentales liées à la taille optimale du réseau restent peu étudiées. De même, l’expression formelle de la relation entre l’espace de paramètres induit par un SED complexe et le nombre d’hyperparamètres d’un réseau récurrent reste à établir.

2. Comparer avec l’approche de (Lang et al., 2021) : instaurer un benchmark (dataset) pertinent prenant en compte la date d’occurrence d’apparition de fautes et utilisant la plateforme Celflex4.0 de l’URCA ainsi que les Jumeaux Numériques associés (la partie acquisition de données) et  bénéficier des capacités de calcul de la plateforme HPC Romeo de l’URCA (partie validation expérimentale). En 2021-2022, le dataset existant ne permettait pas de tester l’approche de diagnostic à base de données, de Sacha Lang. En effet, les dates exactes d’occurrences de fautes n’étaient pas identifiables automatiquement. Un projet élève-ingénieur, durant le premier semestre de 2022-2023 a permis de proposer une solution pour remédier à cette limite reste à l’appliquer sur un SAP.