Topic description
Les jumeaux numériques (DTs) sont de plus en plus utilisés en maintenance prédictive et en gestion de la santé des systèmes (PM&PHM). Les DTs traditionnels se concentrent sur des composants individuels (roulements, engrenages, etc.) et des services spécifiques comme la détection d'état, le diagnostic ou la prédiction de pannes. Une limitation majeure est l'absence d'une vision système, intégrant plusieurs DTs pour modéliser l'ensemble d'une ligne de production ou d'une machine complexe.
Une évolution récente est le Jumeau Numérique Cognitif (CDT), qui interconnecte sémantiquement plusieurs modèles numériques pour une coopération fluide. Contrairement aux DTs classiques, les CDTs intègrent des capacités cognitives : perception, mémoire, raisonnement, apprentissage et résolution de problèmes. Comme les DTs, ils reposent sur trois éléments : un système physique, une entité numérique, et des connexions bidirectionnelles. Mais ils vont plus loin en intégrant plusieurs DTs avec une sémantique unifiée, leur permettant d'évoluer avec leurs homologues physiques. L'IA, les technologies sémantiques, l'IIoT et les capteurs avancés rendent ces avancées progressivement réalisables.
Les CDTs sont définis comme une représentation numérique d'un système physique augmentée de capacités cognitives facilitant des activités autonomes. Ils regroupent des modèles interconnectés couvrant tout le cycle de vie du système et de ses composants. Malgré des avancées technologiques, il n'existe pas encore de cadre global pour les CDTs appliqués au PM&PHM, et des technologies comme les ontologies, graphes de connaissances et apprentissage automatique restent sous-exploitées.
Cette recherche doctorale vise à :
Définir une architecture CDT adaptée au PM&PHM.
Modéliser et intégrer plusieurs DTs de manière sémantique pour favoriser la collaboration entre composants et services.
Ces objectifs soulèvent deux questions :
QR1 : Quels sont les éléments essentiels d'une architecture CDT pour le PM&PHM ?
QR2 : Comment les approches basées sur l'IA (ontologies, graphes de connaissances, machine learning) peuvent-elles intégrer plusieurs DTs pour un PHM intelligent ?
Répondre à ces questions nécessite l'intégration des ontologies et de l'IA basée sur les données (ex. deep learning) dans toutes les étapes du PM&PHM. Un cadre CDT doit définir comment les DTs interagissent, exploitant l'apprentissage automatique et les ontologies pour améliorer la cognition, avec des approches humain-dans-la-boucle. Une approche prometteuse combine données et raisonnement basé sur la connaissance pour la maintenance prédictive des systèmes complexes. L'apprentissage automatique extrait des modèles, tandis que les ontologies enrichissent ces données avec des requêtes sémantiques et du raisonnement basé sur des règles. L'intégration de sources de données variées améliore les modèles de prédiction, rendant les CDTs plus performants.
En combinant IA basée sur les données et raisonnement sémantique, les CDTs permettent une prédiction des pannes fiable et une interopérabilité accrue. Ils favorisent une prise de décision optimisée, une meilleure adaptabilité et ouvrent la voie à une maintenance industrielle plus autonome et efficace.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
Digital Twin (DT) technology has gained significant traction in manufacturing, particularly for predictive maintenance and Prognostic and Health Management (PM&PHM). Traditional DTs mainly focus on individual components like bearings or gearboxes, limiting their application to system-level maintenance. Recent research suggests integrating multiple DTs to enhance PM&PHM, bridging this gap.
A major advancement is the Cognitive Digital Twin (CDT), which extends DTs by semantically interlinking multiple digital models for collaborative intelligence. Unlike traditional DTs, CDTs incorporate cognitive capabilities such as perception, reasoning, memory, learning, and problem-solving. Like DTs, they consist of a physical entity, a digital representation, and bidirectional connections. However, CDTs also integrate multiple DT models with unified semantics, enabling continuous evolution alongside their physical counterparts.
The CDT concept introduces a more intelligent and autonomous approach to system monitoring, supported by AI, semantic technologies, Industrial IoT (IIoT), and ubiquitous sensing. A widely accepted definition describes a CDT as a digital representation of a physical system, augmented with cognitive abilities to support autonomous decision-making. It interlinks multiple digital models across different lifecycle phases, ensuring adaptability and intelligence in real time.
Despite promising developments, no comprehensive CDT framework currently exists for PM&PHM in production systems. Key enabling technologies—such as ontologies, knowledge graphs, and machine learning—remain underexplored in the context of DT cognition. Addressing this gap requires a structured approach to CDT design.
This PhD research focuses on:
Defining a CDT architecture and its key components for PM&PHM in production systems.
Modeling and semantically integrating multiple DTs to facilitate collaborative intelligence across components and services.
These objectives lead to two main research questions:
RQ1: What are the essential elements of a CDT functional architecture for PM&PHM?
RQ2: How can AI-driven techniques (ontologies, knowledge graphs, and ML) model and integrate multiple DTs for intelligent PHM in production systems?
Solving RQ1 and RQ2 requires integrating ontologies and AI-driven approaches, including deep learning, into the PM&PHM lifecycle. A CDT framework must define interaction mechanisms between DTs while leveraging machine learning and semantic reasoning to enhance cognition. A promising direction is the fusion of machine learning, ontologies, and reasoning for predictive maintenance. Machine learning extracts patterns and failure indicators, while ontologies enhance data interpretation through semantic queries and rule-based reasoning.
Integrating heterogeneous data sources improves failure prediction models, advancing CDT-driven PM&PHM. Data-driven AI allows DTs to detect and predict failures, ensuring high reliability. Meanwhile, ontologies and knowledge graphs enhance reasoning, inference, and interoperability.
By combining data-driven and knowledge-based AI methods, CDTs can achieve both accuracy and interpretability, making them highly adaptable and context-aware. This hybrid approach is essential for scalable, reliable, and autonomous predictive maintenance solutions in complex industrial systems.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
Début de la thèse : 01/09/
Funding category
Other public funding
Funding further details
ANR Financement d'Agences de financement de la recherche
En cliquant sur "JE DÉPOSE MON CV", vous acceptez nos CGU et déclarez avoir pris connaissance de la politique de protection des données du site jobijoba.com.