/** English version follows**/
Sujet de recherche pour une thèse de doctorat (version en français)
Objectif : Développement d’une fondation de modèles d’apprentissage modulaires et multimodales pour le diagnostic et pronostic des actifs de production d’énergie.
Bref descriptif des objectifs
Contexte :
Dans le cadre de la transition énergétique nécessitant une augmentation de la production d’énergie, Hydro-Québec (HQ) se dote de programmes de recherche et de développement de Jumeaux Numériques (JNs) des actifs de production et de transport. Ces JNs seront dotés de modèles de surveillance permettant de minimiser les arrêts de production d’une part (anticiper les défaillances et optimiser les activités de maintenance), et de maîtriser l’état et les limites réelles des actifs en vue d’une augmentation de leur capacité de production. La surveillance comprend le développement de modèles de détection et de diagnostic d’anomalies, ainsi que des modèles prédictifs pour le pronostic (prédiction de l’évolution de l’état de l’actif, prédiction de la dégradation, …).
Objectif de recherche :
L'objectif de ces travaux de recherche est de mettre en place des fondements théoriques et pratiques basés sur les techniques d'IA pour le développement de JNs des actifs de production. Le but de ces fondements est d'aller vers une meilleure gestion des actifs avec une anticipation efficace face aux aléas en vue d’une augmentation de la production d’énergie. Basés sur les concepts de base de la conscience situationnelle proposée par Endsley [1], trois fondements vont être développés : Perception, Compréhension et Projection. Le but du premier fondement est d'extraire les caractéristiques de perception de l'actif à travers la résolution de tâches élémentaires et indépendantes. Le deuxième fondement, compréhension, va résoudre des tâches plus complexes et dépendantes entre elles à partir de l'agrégation des caractéristiques de perception extraites par le module de perception. Ce deuxième fondement permet d'extraire des caractéristiques complexes du fonctionnement des actifs, offrant ainsi un socle pour une meilleure explicabilité et compréhension des phénomènes physiques. Enfin, l'objectif du troisième fondement est de projeter la dynamique des caractéristiques complexes à partir d’une analyse spatio-temporelle. Ainsi, des tâches "ultra-complexes", comme la projection temporelle des états physiques ou la prédiction du temps de transition peuvent être réalisées par des modules de prédiction, en tenant compte de plusieurs contraintes tels que, condition d'exploitation, action de maintenance, augmentation de la production, ...etc. Ainsi, une attention particulière est portée sur les trois besoins suivants :
- Fondation de modèles d’apprentissage : une fondation de plusieurs modèles d’apprentissage est nécessaire afin de d’extraire un maximum de caractéristiques pertinentes de chaque modalité [2-7]. En effet, les actifs de production sont des systèmes complexes ayant une grande variabilité dans leur conception, leur contexte d’exploitation et leur politique de maintenance. Un socle d’un ensemble connexe de modèles va ainsi permettre de réaliser des tâches complexes comme le diagnostic ou le pronostic, garantissant ainsi une meilleure modularité et explicabilité.
- Multimodalité : Plusieurs types de données sont à considérer par les modèles d’apprentissage, comme des séries temporelles, des images et du texte [8]. Des caractéristiques pertinentes doivent être extraites à partir de chaque modalité. Toute la recherche scientifique effectuée dans le domaine de l’IA traitant de ces trois modalités doit être exploitée.
- Explicabilité : Comprendre et expliquer les différentes réponses et interactions des modèles est d’une importance primordiale pour la prise de décision en termes de maintenance et d’augmentation de la production [9].
Compétences souhaitées :
Les connaissances et expertises des domaines suivants sont fortement recommandés :
- Expertise en apprentissage profond,
- Maitrise des techniques de traitement de signal et traitement d’image,
- Expertise en programmation python (PyTorsh, TensorFlow)
Durée du contrat : 4 ans (à temps plein) à partir d’avril 2024
Rémunération : communiquer avec la personne contact
Lieu : Montréal (Centre de recherche d’Hydro-Québec en partenariat avec l’ÉTS)
Personne à contacter : Ryad Zemouri (zemouri.ryad@hydroquebec.com) Chercheur au Centre de recherche d’Hydro-Québec (CRHQ)
Research topic for a PhD thesis (English version)
Objective: Development of a foundation of modular, multimodal learning models for the diagnosis and prognosis of power generation assets.
Brief description of objectives
Background:
As part of the energy transition, which requires an increase in energy production, Hydro-Québec (HQ) is launching research and development programs for digital twins (DTs) of generation and transmission assets. These DTs will be equipped with monitoring models to minimize production outages (anticipating failures and optimizing maintenance activities) and to control the actual state and limits of the assets in order to increase their production and transmission capacity. Monitoring includes the development of models for anomaly detection and diagnosis, as well as predictive models for prognosis (prediction of the evolution of the state of the asset, prediction of degradation, etc.).
Research Needs:
The aim of this research is to set up theoretical and practical foundations based on AI techniques for the development of DTs for production assets. The aim of these foundations is to move towards better asset management with effective anticipation of uncertainties with a view to increasing energy production. Based on the basic concepts of situational awareness proposed by Endsley [1], three foundations will be developed: Perception, Understanding and Projection. The aim of the first foundation is to extract the perceptual characteristics of the asset through the resolution of elementary, independent tasks. The second foundation, comprehension, solves more complex, interdependent tasks by aggregating the perceptual characteristics extracted by the perception module. This second foundation makes it possible to extract complex characteristics from the functioning of assets, thus providing a basis for improved explicability and understanding of physical phenomena. Finally, the aim of the third foundation is to project the dynamics of complex features from a spatio-temporal analysis. In this way, "ultra-complex" tasks, such as the temporal projection of physical states or the prediction of transition times, can be carried out by prediction modules, taking into account several constraints such as operating conditions, maintenance actions, production increases, etc. Particular attention is paid to the following three requirements:
- Foundation of learning models: a foundation of several learning models is necessary in order to extract a maximum of relevant characteristics from each modality [2-7]. Indeed, production assets are complex systems, with great variability in their design, operating context and maintenance policy. A foundation of a related set of models will thus enable complex tasks such as diagnosis or prognosis to be carried out, guaranteeing greater modularity and explicability.
- Multimodality: Several types of data need to be considered by learning models, such as time series, images and text [8]. Relevant features must be extracted from each modality. All scientific research carried out in the field of AI dealing with these three modalities must be exploited.
- Explicability: Understanding and explaining the different responses and interactions of models is of paramount importance for decision-making in terms of maintenance and production increase [9].
Desired skills:
Knowledge and expertise in the following areas are highly recommended:
- Expertise in deep learning,
- knowledge of signal processing and image processing techniques,
- Expertise in python programming (PyTorsh, TensorFlow)
Contract duration: 4 years (full-time) starting from April 2024
Salary: communicate with contact person
Location: Montreal (Research Center of Hydro-Québec in partnership with ÉTS)
Contact: Ryad Zemouri (zemouri.ryad@hydroquebec.com) data scientist at the Centre de recherche d'Hydro-Québec (CRHQ)
Références
[1] M. Endsley, “Toward a theory of situation awareness in dynamic systems,” The Journal of the Human Factors and Ergonomics Society, vol. 37(1), pp. 32–64, 1995
[2] A. Jaegle et al., « Perceiver IO: A General Architecture for Structured Inputs & Outputs ». arXiv, 15 mars 2022. doi: 10.48550/arXiv.2107.14795.
[3] J. Pfeiffer, S. Ruder, I. Vulić, et E. M. Ponti, « Modular Deep Learning ». arXiv, 22 février 2023. doi: 10.48550/arXiv.2302.11529.
[4] N. Rahaman et al., « Neural Attentive Circuits ». arXiv, 19 octobre 2022. doi: 10.48550/arXiv.2210.08031.
[5] R. Bommasani et al., « On the Opportunities and Risks of Foundation Models ». arXiv, 12 juillet 2022. Consulté le: 17 juillet 2023. [En ligne]. Disponible sur: http://arxiv.org/abs/2108.07258
[6] N. Fei et al., « Towards artificial general intelligence via a multimodal foundation model », Nat. Commun., vol. 13, no 1, Art. no 1, juin 2022, doi: 10.1038/s41467-022-30761-2.
[7] N. Rahaman et al., « A General Purpose Neural Architecture for Geospatial Systems ». arXiv, 4 novembre 2022. doi: 10.48550/arXiv.2211.02348.
[8] S. Jose, K. T. P. Nguyen, K. Medjaher, R. Zemouri, M. Lévesque, et A. Tahan, « Fault detection and diagnostics in the context of sparse multimodal data and expert knowledge assistance: Application to hydrogenerators », Comput. Ind., vol. 151, p. 103983, oct. 2023, doi: 10.1016/j.compind.2023.103983.
[9] R. Machlev, L. Heistrene, M. Perl, K.Y. Levy, J. Belikov, S. Mannor, Y. Levron, “Explainable Artificial Intelligence (XAI) techniques for energy and power systems: Review, challenges and opportunities,” Energy and AI, Volume 9, 2022, https://doi.org/10.1016/j.egyai.2022.100169.