IA2MAIN

Il s’agit de développer un support numérique à base d’intelligence artificielle pour prédire l’évolution d’un système dynamique prenant en compte les facteurs humains sur trois plans :

1. la prise en compte du retour d’expérience d’experts par des méthodes de capitalisation de connaissances,
2. la transformation de ces connaissances par la production de règles concernant la durée de vie et la maintenance de produits,
3. la coopération entre systèmes et opérateurs humains pour optimiser les interventions sur site.

Face aux enjeux économiques, sanitaires et environnementaux. la thèse s’intéressera à différents critères de performance tels les temps d’arrêt d’une centrale, la sécurité, la santé ou la charge de travail lors d’opérations de maintenance nécessitant des contributions humaines incontournables pour des actions de montage et démontage, de décontamination. Ainsi le système d’aide à la maintenance préventive s’inspirera des travaux sur la théorie du contrôle pour modéliser le fonctionnement des systèmes à diagnostiquer et ceux sur l’apprentissage et la capitalisation de connaissances pour produire des règles expertes sur l’évolution de ces systèmes dans un environnement incertain. Le support numérique centré facteurs humains implémentera également les principes de coopération humain-machine pour déterminer les opérations de maintenance optimales sur les systèmes de refroidissement du réacteur nucléaire (i.e. groupes motopompes primaires). Les pompes primaires des centrales nucléaires sont soumises à des cycles de maintenance entre 12 et 18 mois. Durant cette période de fonctionnement, différents capteurs surveillent les constantes des pompes à des fins préventives (pressions, températures, débits …). Dans ce contexte, la thèse propose une analyse de ces paramètres afin d’optimiser les opérations de maintenance ou de déceler une défaillance des Groupes Motopompe Primaires (GMPP).