Agenda de l’IDP

Soutenance HDR/Doctorat

"Méthodes probabilistes pour l'évaluation de risques en production industrielle"
Julie OGER
Wednesday 16 April 2014 11:00 -  Tours -  Amphithéâtre 0040 (Bât E)

Résumé :
Dans un contexte industriel compétitif, une prévision fiable du rendement est une information primordiale pour déterminer avec précision les coûts de production et donc assurer une rentabilité. La quantification des risques en amont du démarrage d'un processus de fabrication permet des prises de décision efficaces. Durant la phase de conception d'un produit, les efforts de développement peuvent être alors identifiés et ordonnés par priorité. Afin de mesurer l'impact des fluctuations des procédés industriels sur les performances des produits, la construction de \textit{la probabilité du risque défaillance} est développée dans cette thèse. La relation complexe entre le processus de fabrication et le produit conçu (non linéaire, des fonctions multi-modales...) est assurée par une méthode de régression bayésienne. Un champ aléatoire représente ainsi, pour chaque configuration du produit, l'information disponible concernant la probabilité de défaillance. Après une présentation du modèle gaussien, nous décrivons un raisonnement bayésien évitant le choix a priori des paramètres de position et d'échelle. Dans notre modèle, le mélange gaussien a priori, conditionné par des données mesurées (ou calculées), conduit à un posterior caractérisé par une distribution de Student multivariée. La nature probabiliste du modèle est alors exploitée pour construire une probabilité de risque de défaillance, définie comme une variable aléatoire. Pour ce faire, notre approche consiste à considérer comme aléatoire toutes les données inconnues, inaccessibles ou fluctuantes. Afin de propager les incertitudes, une approche basée sur les ensembles flous fournit un cadre approprié pour la mise en \oe$ $uvre d'un modèle bayésien imitant le raisonnement d'expert. L'idée sous-jacente est d'insérer un minimum d'informations a priori dans le modèle du risque de défaillance. Notre stratégie a été mise en \oe$ $uvre dans un logiciel nommé GoNoGo. La pertinence de cette approche est illustrée par des exemples théoriques ainsi que sur un exemple réel provenant de STMicroelectronics. Mots clés: Krigeage, inférence bayésienne, mélange de processus gaussien, distribution de Student multivariée, analyse d'incertitude, évaluation de rendement industriel

Liens :