Apprentissage de modèles multi-regression appliqué au filtrage de la validation de données dans un processus industriel de production

La validation et la réconciliation de données (DVR) permettent à partir d'un ensemble minimum de capteurs physiques de reconstituer l'état le plus probable d'un processus de production. Sur base des premiers principes régissant l'équilibre des masses et la thermodynamique, il est possible de modéliser un processus de production et d'utiliser ce modèle physique, combiné à un nombre suffisant de mesures, pour détecter et éliminer l'ensemble des erreurs de mesures inhérentes à l'instrumentation. Ce processus permet de réconcilier les mesures avec les lois physiques qui régissent en mode stationnaire le processus de production.

Cette approche nécessite un minimum de capteurs avec une précision suffisante pour garantir l'observabilité et la convergence de l'algorithme. Ce point peut se révéler assez délicat lors d'une utilisation du système en temps réel lorsque, par exemple, la maintenance de l'instrumentation n'est pas suffisamment rigoureuse. C'est pourquoi, une étape de filtrage est nécessaire pour maximiser les chances de convergence.

Dans ce travail nous proposons une solution de filtrage innovante basée sur une nouvelle génération de modèles d'apprentissage automatique multi-sorties. Les étapes suivantes sont envisagées: 1. Etude bibliographique (validation de données, apprentissage automatique) 2. Constitution d'une base de scénarios (états mesurés et validés d'un site de production) 3. Mise au point d'un modèle de validation/reconciliation 4. Création d'un modèle d'apprentissage multi-sorties 5. Comparaison des performances de la validation (filtrage vs pas de filtrage) 6. Analyse des opportunités

Ce travail sera réalisé en collaboration avec BELSIM SA, PEPITe SA, le laboratoire LASCC et le laboratoire de Systèmes et Modélisation