NEXTMON : systèmes de perception et de surveillance avancés pour l’industrie

Le projet NEXTMON prévoit de fournir des solutions technologiques pour relever des défis de surveillance déjà identifiés et non résolus commercialement dans une variété de secteurs et de marchés. Les objectifs scientifiques et technologiques du projet NEXTMON s’articuleront autour des axes suivants :

• Hybridation des systèmes d’acquisition (DAQ) avec les technologies IIoT.
• Surveillance de l’état des systèmes à régimes de fonctionnement variables.
• Réduction du nombre de sources de données requises pour la surveillance.
• Intégration d’informations provenant de capteurs multimodaux 2D, 3D et hyperspectraux.
• Gestion du cycle de vie des modèles d’IA pour différents types d’informations.
• Systèmes fédérés à intelligence distribuée.

Surveillance de signaux 1D en régimes variables : Le suivi des commandes « order tracking » (OT) est une technique efficace pour analyser les signaux vibratoires non stationnaires, surveiller et diagnostiquer les pannes.

Séparation des sources de signaux : Diverses techniques relevant de la Blind Source Separation (BBS) permettent de séparer les signaux en fonction de leur source d’origine.

Surveillance de l’état de santé des dispositifs d’énergie houlomotrice en vue d’une maintenance prédictive :

• Analyse des vibrations : la surveillance des vibrations permet de détecter rapidement les écarts par rapport au comportement normal, et donc de procéder à une maintenance en temps utile pour éviter les défaillances inattendues.
• ESA (Electrical Signature Analysis) : englobe une variété de techniques de surveillance de l’état des machines électriques par l’analyse des signaux électriques, tels que le courant et la tension. MCSA (Motor Current Signature Analysis) : méthodologie qui consiste à analyser la fréquence du courant électrique provenant de moteurs ou de générateurs électriques afin de détecter et diagnostiquer des défauts ou des anomalies dans le système.

Perception 2D, 3D et hyperspectrale dans les flux de recyclage :

• Corrélation des capteurs spatiaux (HSI, RGB, 3D)
• Réduction de la dimensionnalité, optimisation des capteurs
• Développement de modèles de perception avancés, multimodaux et applicables en ligne
• MLOps : Apprentissage continu et techniques centrées sur les données. Gestion du cycle de vie des modèles d’IA pour différents types d’informations.
• Intégration d’informations provenant de capteurs multimodaux 2D, 3D et hyperspectraux.

Système d’acquisition de données : L’évolution des technologies de l’information et le développement de nouveaux outils pour le stockage et la gestion des données en streaming permettent aujourd’hui une gestion avancée des données collectées grâce à des outils orientés vers la gestion des données de séries temporaires, le stockage distribué ou le traitement en streaming. Utilisation d’InfluxDB comme time series database et intégration ultérieure dans les flux d’analyse.

Systèmes fédérés : L’apprentissage fédéré, méthodologie clé de ce cadre, permet la formation collaborative de modèles d’intelligence artificielle sans partage des données sous-jacentes, ce qui répond aux préoccupations fondamentales en matière de confidentialité et de sécurité des données. INYCOM développe dans le cadre du projet AISYM4MED un système fédéré qui permet l’utilisation de sources de données de santé dans l’entraînement d’un même algorithme sans qu’il soit nécessaire de les consolider au préalable.

Référence du projet : CPP2023-010810
Programme : Projets de partenariat public-privé 2023 de l’AEI