Description : SUJET : En 2019 l’industrie manufacturière était responsable de 19% des déchets non dangereux produits chaque année [1]. A l’ère de la numérisation massive de l’industrie et du développement des technologies d’intelligence artificielle, la mise en place de systèmes et procédures permettant d’automatiser la détection et la correction des défauts de production promet d’impacter significativement les quantités rejetées lors de la production. La fabrication des câbles combine plusieurs activités complexes de production effectuées par différentes machines dans plusieurs ateliers. L'activité de production de l'entreprise concerne principalement la production de câbles pour différents secteurs industriels et notamment pour le secteur automobile. Il s’agit donc de fabrication de produits en long. Les procédés de fabrication pour ce genre de produits impliquent des flots continus de matières circulant dans et entre les machines. Des changements d’ordre de fabrication, des défauts de qualité des matières premières ou des conditions de production particulières produisent par exemple des produits ne pouvant être commercialisés qui sont alors des sources de coût pour l’entreprise et ont impact environnemental négatif. Il y a donc un besoin de fournir un outil d’analyse intelligent de plusieurs sources de données sur l'ensemble du processus de production, qui puisse recommander automatiquement aux ingénieurs qualité les paramètres optimaux pour minimiser les déchets. ACOME et les équipes de l’ISEN ont donc développé un lac de données rassemblant les informations de production et de qualité lors des phases antérieures du projet. L’analyse de ces données est en cours et permettra de faire émerger des recommandations et des outils de suivis appropriés pour les équipes qualité d’ACOME. Le post doctorant interviendra donc dans le développement de ces outils d’analyse, ce qui pourrait nécessiter la conception de nouvelles approches de recherche, comme : l'analyse de journaux existants et d’identification automatiques des éléments pouvant amener à générer des déchets [1], le développement de méthodes prédictives (IA, Apprentissage Automatique et Profond) pour l’estimation des quantités de déchets. D'autres approches peuvent utiliser des jumeaux numériques [2, 4] et l’apprentissage par renforcement pour virtuellement reproduire les conditions de l’usine et analyser l’impact des variations des paramètres de production. Enfin, les approches visant à optimiser l'ordonnancement des tâches, c’est-à-dire la planification des activités de production, dans le but de minimiser la quantité de déchets produits pourront être explorées [3].   RÉFÉRENCES : [1] Duong, L. T., Trave-Massuyes, L., Subias, A., & Roa, N. B. (2021). Assessing product quality from the production process logs. The International Journal of Advanced Manufacturing Technology, 117, 1615-1631. [2] Howard, D. A., Ma, Z., & Jørgensen, B. N. (2021). Digital Twin Framework for Industrial Production Processes. Energy Informatics, 4(Suppl. 1), P9. [3] Le Hesran, C., Ladier, A. L., Botta-Genoulaz, V., & Laforest, V. (2019). Operations scheduling for waste minimization: A review. Journal of cleaner production, 206, 211-226. [4] Botín-Sanabria, D. M., Mihaita, A. S., Peimbert-García, R. E., Ramírez-Moreno, M. A., Ramírez-Mendoza, R. A., & Lozoya-Santos, J. D. J. (2022). Digital twin technology challenges and applications: A comprehensive review. Remote Sensing, 14(6), 1335. Profil recherché : Le candidat devra montrer une solide expertise dans un ou plusieurs des domaines suivants : - Avoir des prérequis solides en : IA, Statistique, Big Data Analysis, Big Data Science, Machine Learning, Deep Learning, etc. - Excellente compétence en programmation orientée-objet (Python ou Java, etc.) - Avoir une expérience dans la proposition, développement, test des modèles de statistique inférentielle, de corrélation, de régression, de classification ou de clustering, - Maitriser le Français et l’Anglais, - Mener des recherches de haut-niveau et publier des articles scientifiques dans des conférences et des revues internationales à comité de lecture. Expériences appréciables : - Une expérience industrielle, - Connaissance du SQL.