Soutenance de thèse de Corentin Ascone

Aide à l'expertise humaine de systèmes nucléaires par jumeau numérique : application au diagnostic de groupe motopompe primaire

Le diagnostic des équipements nucléaires tels que les groupes motopompes primaires (GMPP) nécessite un haut niveau d’expertise difficile à acquérir et à capitaliser au sein d’une entreprise. Cette thèse menée en collaboration entre l’industriel FRAMATOME (Base Installée de Jeumont, IB-J) et le laboratoire LAMIH (UMR CNRS 8201) est une recherche exploratoire visant le développement d'un système d'aide à base d'Intelligence Artificielle pour assister les experts humains dans leurs activités de diagnostic de ce type de composants complexes. Elle se base sur le concept de Jumeau Numérique (JN) de système humain-machine et l’applique aux besoins de FRAMATOME.

Un état de l'art approfondi a permis de définir une nouvelle approche holistique de conception de JN à partir de neuf dimensions qui constituent le cadre méthodologique appliqué au développement de l'outil EXPERIA. Celui-ci comporte une architecture logicielle permettant de gérer plusieurs types de GMPP, d’intégrer leurs données, et d’utiliser des modèles algorithmiques d’Intelligence Artificielle (IA) afin de fournir des services de diagnostics aux utilisateurs. Les contributions majeures liées à l’élaboration d’un tel JN résident avant tout dans l’intégration de données de sources multiples, mais également la prise en compte d'un nombre très réduit de données caractéristiques aux défaillances. En effet, les niveaux d'exigence de sécurité des systèmes nucléaires étant très élevés, les scénarios de défaillances sont rares. Cela pose alors un problème lors de la création de modèles algorithmiques de diagnostic basé sur ces données.

La solution proposée repose sur l’approche holistique de conception des JN se basant sur des modélisations multiples d’un même système et sur la complémentarité entre les données techniques et les connaissances humaines associées. La conception de l’outil EXPERIA a vu le jour dans cet objectif permettant ainsi d’assister les experts dans leurs tâches de diagnostic des GMPP tout en capitalisant leurs connaissances expertes. EXPERIA intègre des modèles d'apprentissage automatique non supervisé et supervisé et un module basé sur la théorie de Dempster-Shafer pour gérer les divergences entre modèles et fiabiliser ainsi le diagnostic. D'autres modèles issus de connaissances humaines sont également implémentés et permettent d'établir un diagnostic explicite de bon ou mauvais fonctionnement. Les interfaces EXPERIA permettent aux utilisateurs d'explorer à leur guise plusieurs modèles.

Les résultats préliminaires sont encourageants et des perspectives sont proposées pour le diagnostic et le pronostic de fonctionnements normaux et anormaux de composants nucléaires pour l'optimisation de leur maintenance.