Quality prediction/classification of a production system under uncertainty based on Support Vector Machine
Prédiction/classification de la qualité d'un système de production sous incertitudes par la méthode des machines à vecteurs supports (SVM)
Résumé
With the emergence of the IoT paradigm, manufacturing industries are opting for new technologies for data collection and analysis to evaluate the quality of their manufacturing systems. Machine learning and classification methods provide various solutions to quality management such as defect detection and conformity prediction. However, manufacturing data are affected by uncertainties, which affect the performances of classification techniques. Accordingly, the thesis aims to study and manage the impact of measurement uncertainties on the predictive performances of support vector machine (SVM). Two groups of approaches are thus proposed: the former aiming to quantify the impact of measurement uncertainties on the prediction accuracy of SVM using several propagation techniques and data mining techniques, and the latter aiming to improve the robustness of SVM to uncertainties using robust optimization techniques. The various approaches provide a better understanding of the SVM robustness and how to improve it. The proposed approaches are evaluated through case studies with industrial partners.
Avec l'émergence des techniques d’IoT, les industries manufacturières adoptent de nouvelles technologies d'analyse de données afin d’améliorer la qualité de leurs systèmes de production. Les méthodes de classification offrent diverses solutions aux problèmes de management de la qualité, comme la détection des défauts et la prédiction de la conformité. Cependant, les données de production sont entachées d’incertitudes qui affectent les performances de ces méthodes. Ces travaux visent à étudier l'impact des incertitudes de mesure sur les performances des machines à vecteurs supports (SVM). Deux groupes d'approches sont proposés, le premier visant à quantifier l'impact des incertitudes de mesure sur la précision de prédiction des SVM via des techniques de propagation d’incertitudes et d’analyse de données, et le second visant à améliorer la robustesse de la SVM via des approches d’optimisation robuste intrusives et non intrusives. Les différentes approches permettent de mieux appréhender la robustesse de la SVM et la manière de l'améliorer. Ces approches proposées ont été évaluées à l'aide d'études de cas avec des partenaires industriels.
| Origine | Version validée par le jury (STAR) |
|---|