A Knowledge-based tool development for decision support in the context of Industry 4.0 : application to the diagnosis of high-speed machining machines

Dans le cadre de sa quatrième révolution, le monde industriel subit une forte digitalisation dans tous les secteurs d’activité. Les travaux de recherche de cette thèse s’intègrent dans un contexte de transition vers l’industrie du futur, et plus spécifiquement dans les industries d’usinage mécanique. Ces travaux de recherche répondent ainsi à la problématique d’intégration données et connaissances industrielles, comme support aux systèmes d’aide à la décision. L’approche proposée est appliquée au diagnostic de défaillance des machines d’usinage connectées. Cette thèse propose, dans un premier temps, un cadre conceptuel pour la structuration de bases de données et de connaissances hétérogènes, nécessaires pour la mise en place du SAD. Grace à une première fonction de traçabilité, le système capitalise la description des caractéristiques de tous les événements particuliers et les phénomènes malveillants pouvant apparaître au moment de l’usinage. La fonction de diagnostic permet de comprendre les causes de ces défaillances et de proposer des solutions d’amélioration, à travers la réutilisation des connaissances stockées dans l’ontologie du domaine et un raisonnement à base de règles métiers. Le système à base de connaissances proposé est implémenté dans un Framework global d’aide à la décision, développé dans le cadre du projet ANR collaboratif appelé Smart Emma. Une application pratique a été faite sur deux bases de données réelles provenant de deux industriels différents.Within the context of its fourth revolution, the industrial world is undergoing a strong digitalization in all sectors. This research work is integrated in a context of transition towards the industry of the future, specifically in the mechanical machining industries. These studies answer the problematic of industrial data and knowledge integration, to sustain the functioning of decision-support systems. The proposed approach is used to diagnose the failure of connected machining machines. This thesis proposes, in a first step, a conceptual framework for the structuring of heterogeneous knowledge and data bases, necessary to implement the DSS. Through a first traceability function, the system capitalizes the description of the characteristics of all particular events and malicious phenomena that may appear during machining. The diagnostic function allows to understand the causes of these failures and to propose improvement solutions, through the reuse of knowledge stored in the ontology and a rule-based reasoning. The proposed knowledge-based system is implemented in a global Decision Support Framework, developed as part of the ANR collaborative project called Smart Emma. A practical application has been made on two real databases from two different industrials