Mardi 12juillet 2022 à 14h30, Mme Amel SOUFI soutiendra à ISAE‑Supméca ses travaux de thèse intitulés :  Exploitation des données massives pour le pilotage multi-objectif par performance de l’industrie 4.0 et dirigés par Monsieur Marc ZOLGHADRI et Monsieur Maher BARKALLAH en co-tutelle avec l’université de Sfax (École Nationale d’Ingénieur de Sfax – TUNISIE).

Résumé

L’objectif de cette thèse est de proposer des méthodes d’extraction de données pertinentes (intelligentes) à partir des Big Data pour le pilotage de performance à l’ère de l’industrie 4.0. Nous avons défini des critères de pertinence de données à savoir, l’alignement aux objectifs de l’entreprise, le coût, la qualité et la quantité de données. La détermination de quantité suffisante de données concerne le choix de paramètres (variables) à superviser et la définition de la fréquence de collecte de données. Afin déterminer le nombre suffisant de variables, nous avons utilisé des méthodes de réduction de dimensionnalité essentiellement l’analyse en composantes principales et le clustering des variables. La définition de la fréquence de collecte est formulée comme un problème de segmentation de séries temporelles multivariées. Pour tenir compte de la qualité de données, nous nous sommes intéressés à la modélisation de l’incertitude et l’imprécision de données par la théorie de croyance. Le processus de traitement des incertitudes liées aux indicateurs de performance peut être résumé ainsi comme suit : la modélisation des incertitudes pour les données élémentaires, la fusion de données venant de plusieurs sources, la propagation d’incertitude vers les indicateurs et la prise de décision. Nous avons proposé une méthode de calcul de la valeur de confiance inspirée basée sur la méthode des K plus proches voisins. Puis, nous avons défini des zones de prise de décision basées sur les indicateurs incertains. Un autre aspect de non qualité de données a été étudié, à savoir l’incomplétude. Une étude de l’évolution de certains indicateurs de performance en fonction des pourcentages et mécanismes de génération de données manquantes a montré que l’incomplétude a un effet plus important sur la mesure de performance lorsque la quantité de données est faible.

Mots-clés : Pilotage de performance, Industrie 4.0, Big Data, Incertitude.