Équipe UF : Usine du futur

Projet de recherche

Imaginer et concevoir l’usine de demain dans le but d’optimiser les processus de fabrication et accroître la flexibilité de l’outil de production dans un environnement évolutif. Modéliser et concevoir des systèmes intelligents innovants pour l’Usine 4.0 basés sur l’exploitation des données.

Axes de recherche

Optimisation de la chaîne logistique en environnement incertain

Cet axe de recherche concerne l’étude des problèmes d’optimisation appliqués à l’ordonnancement des tâches à effectuer en entreprise. L’objectif dans l’industrie est de fabriquer les produits finis qui seront vendus aux clients en utilisant de manière optimale l’outil de production.  Dans le cadre des problèmes d’ordonnancement que nous étudions, il s’agit plus spécifiquement de déterminer la séquence des opérations à effectuer sur les différentes machines de telle manière que le temps total d’exécution des tâches soit minimal. Le problème de job shop en particulier utilise des ateliers de production à cheminements multiples. Dans ce genre d’atelier, la production simultanée de plusieurs produits différents requiert divers types de machines dans des séquences variées. Ce problème est étudié depuis les années 1960, mais nous nous intéressons ici plus spécifiquement aux problèmes de job shop pour lequel des modifications d’ordres de fabrication arrivent de manière aléatoire au cours de l’exécution du plan de production; c’est-à-dire qu’un ou plusieurs nouveaux ordres de fabrication prioritaires ont besoin d’être insérés au sein de la séquence en cours.

Des algorithmes de recherche opérationnelle basés sur des principes de programmation par contraintes, de programmation linéaire ou des métaheuristiques produisent des résultats d’excellente qualité dans un cadre classique. L’originalité de notre approche dans le cadre d’un environnement mouvant et incertain est d’étudier l’intérêt des solutions obtenues à partir d’algorithmes d’intelligence artificielle, tel que l’apprentissage par renforcement. Les résultats de ces travaux ont fait l’objet d’une publication à la 10^th IFAC conference on Manufacturing, Modelling, Management and Control (06/2022) : “Job Shop Scheduling: a Novel DRL Approach for Continuous Schedule-Generation Facing Real-Time Job Arrivals “ , Nour El Houda Hammami et al.

Mise en place d’une plateforme industrielle de gestion des données

La plupart des industriels possèdent un parc de machines leur permettant de fabriquer les produits à vendre. Souvent, les machines utilisées au long des processus de fabrication génèrent de la donnée en lien avec les caractéristiques de fonctionnement de la machine ou de l’état des matières transitant dans ces machines. Un industriel qui recherche à optimiser son processus de fabrication est intéressé par l’exploitation de ces données. Il pourra procéder à l’analyse des différents types de données collectées pour s’assurer du fonctionnement optimal de l’atelier et de la qualité des produits fabriqués. Dans le cadre d’un projet en partenariat avec un acteur industriel de la région Normandie au sein de la chaire « Transformation industrielle », nous avons mis en place les mécanismes de collecte et d’exploitation de données afin d’optimiser le cas spécifique à cette entreprise de la conception de nouveaux produits.

En effet, de nouveaux produits fabriqués à partir de formules innovantes doivent être fréquemment préparés pour répondre aux besoins du marché. C’est pourquoi, cette entreprise procède continuellement à de nouveaux tests de fabrication sur de nouveaux échantillons qui doivent être produits au détriment de la production de masse. Depuis une dizaine d’années, une quantité importante de données a été générée lors de la conception et de l’évaluation de ces échantillons de nouveaux produits. L’industriel souhaite donc exploiter au mieux ces données pour guider les nouvelles conceptions et éviter les tests redondants. La plateforme qui a été développée et mise en place par l’ISEN permet de collecter automatiquement les caractéristiques des produits tests générés et les résultats obtenus lors des expériences menées en laboratoire pour évaluer leurs performances. A partir de toutes ces données enregistrées, une intelligence artificielle peut ainsi être créée pour recommander les formules des produits et les procédés appropriés de fabrication en fonction des nouveaux besoins des clients.

Les principales publications dans ce domaine sont : « Collaborative and Data-Based Process for Industry 4.0 Maturity Assessment », Benoit Lardeux et al. à International Conference on Operations Management and UN Sustainable Development Goals (07/2023) et

« A Digital Ecosystem for Improving Product Design », Sylvain Lefebvre et al. à la conférence MEDES (04/2023).

Automatisation des prévisions de demande au sein de la chaîne logistique

Dans l’objectif d’optimiser les ventes des entreprises de la grande distribution, il est nécessaire que la chaîne logistique qui permet l’approvisionnement en produits demandés par les clients soit elle-même fluidifier. Il est indispensable que la plus grande variété des produits soient disponibles à l’achat, c’est-à-dire qu’il y ait le moins de rupture de stocks possible tout en ayant la maîtrise des niveaux de stocks. En effet, le stockage a un coût pour l’entreprise en termes d’occupation d’espaces à utiliser et de mains d’œuvre pour la gestion des entrepôts.

Une des composantes principales permettant une bonne gestion des stocks est la prévision de la demande des différents types de produits, au global et dans chacun des lieux d’entreposage. C’est cet axe de recherche en particulier que nous investiguons au sein de l’équipe. L’intelligence artificielle a permis des avancées significatives dans ce domaine depuis une dizaine d’années. Des approches globales basées sur des méthodes d’apprentissage ont amélioré les performances des algorithmes de prévisions, car les modèles sont capables de tisser des liens entre des séries chronologiques de produits différents mais ayant des liens métiers. Par ailleurs, il est aussi possible d’intégrer des variables externes dépendant du contexte économique dans les modèles les plus récents d’intelligence artificielle, tels que le LSTM (Long Short Term Memory) ou CNN (Convolutive Neural Network), pour améliorer la précision des prévisions. Une des particularités notables de l’approche que nous proposons est que l’algorithme de prévision sélectionné pour une série chronologique soit choisi automatiquement grâce à un modèle mis à jour par apprentissage par renforcement. Une première partie des travaux est publiée à la 28^th international conference on automation and computing : « Supply Chain Forecasting in a Fast-Moving Global Economy : Review, Limits and Future Directions », Bilel Benziane et al. (08/2023). Ces travaux de recherche font partie d’un ensemble plus vaste de recherches en collaboration avec un partenaire industriel parisien dans le cadre de la chaire intitulée « Intelligence artificielle et robotique – vers l’entrepôt du futur ».

Amélioration de l’efficacité énergétique des systèmes industriels autonomes

Sur ce sujet, la première étape de notre démarche scientifique concerne la mise en place de systèmes de monitoring en temps réel de la consommation d’énergie. Nous étudions aussi les stratégies de conservation et de récupération d’énergie et construisons des modèles fiables de prédiction de l’énergie disponible dans le but d’optimiser dynamiquement des systèmes en temps réel. Une des applications en lien direct avec les activités du laboratoire est l’amélioration de l’autonomie des drones, ce qui permet d’optimiser les missions d’essais de drones. D’autres applications sont également envisagées comme les réseaux de capteurs sans fil et l’internet des objets.

Identification de nouvelles attaques sur les systèmes d’information et le matériel IoT

Un domaine important des activités de recherche du l’équipe Usine du Futur dans lequel nous avons beaucoup publié ces dernières années est la cybersécurité. Il s’agit d’un sujet critique pour plusieurs partenaires industriels du L@bIsen. Nous avons développé une expertise dans la collecte, le stockage et la sécurisation des données générées au sein de l’usine. Ces informations permettent de construire et d’évaluer les performances des modèles d’intelligence artificielle permettant de détecter et de prédire les attaques au sein de l’entreprise. Une plateforme de simulation d’attaques et de contre-attaque au sein de l’usine a même été développée pour répondre à cet objectif. Une solution de sécurisation basée sur l’utilisation du concept de blockchain a particulièrement montré notre capacité d’innovation dans le domaine.

“MiTFed : A privacy Preserving Collaborative Network Attack Mitigation Framework Based on Federated Learning using SDN and Blockchain”, Zakaria Abou El Houda et al. dans IEEE Transactions on Network Science and Engineering. Doi: 10.1109/TNSE.2023.3237367

“A MEC-Based Architecture to Secure IoT Applications using Federated Deep Learning”, Zakaria Abou El Houda et al. dans IEE Internet of Things Magazine (03/2023), doi: 101109/IOTM.001.2100238

“Securing Federated Learning Through Blockchain and Explainable AI for Robust Intrusion Detection in IoT Networks”, Hajar Moudoud et al. dans IEEE conference INFOCOM (05/2023)

“Federated Learning Meets Blockchain to Secure the Metaverse, Hajar Moudoud et al. dans IEEE conference IWCMC (06/2023)

Exemples de réalisations concrètes

Membres de l’équipe

Publications récentes

Dernière mise à jour : mai 2023