Objectifs de la formation 

• Maîtriser les finalités des techniques de « Machine Learning »​
• Utiliser et perfectionner des techniques essentielles de « Machine Learning »  afin d'analyser et optimiser les performances des systèmes de production

Applications 

• Optical process monitoring for Laser-Powder Bed Fusion (L-PBF) – utilisation des techniques de classification SVM, réseaux de neurones
• Management de la qualité des systèmes de production par des techniques de classification (analyse de l’impact des incertitudes de mesures)
• Développement d’un outil/système flexible pour la maintenance prédictive - détection et diagnostic des dérives process, machine, …

Public cible 

Cette formation s’adresse à tous les acteurs liés au processus et systèmes de fabrication et en lien avec la performance globale : ingénieurs et responsables de production de l’Industrie manufacturière, ingénieurs qualité, responsable processus et systèmes de fabrication etc.​
Le niveau de la formation s’adresse aux collaborateurs ayant des connaissances en programmation python (mise à niveau possible sur une journée).​

Programme 

Découverte et analyse des finalités des techniques de « Machine Learning » à partir de différents scenarii.​

1 - Estimation, Estimateur, biais, … (notions clés de statistiques)​.

2 - Scenarii de déploiement des techniques de « Machine Learning » pour l’amélioration des performances  des systèmes de production (illustrés sur une étude de cas)​.

• Identifier les paramètres clés de mon système de production et de mes produits​
• Identifier les stratégies de réglage du système de production​
• Prédire le taux de non-conformité Produit​
• Identifier les causes d’une non-conformité Produit ou de défaillance Process​

Prétraitement de données

3 - Préparer les données pour mieux les exploiter​.

• Nettoyage des valeurs manquantes​
• Codage des valeurs non-numériques​
• Transformation et mise à l’échelle des données​
• Réduction de la dimensionalité; réduire le nombre de paramètres en fonction de leur pertinence​
• Applications sur une étude de cas – mise en œuvre avec Python

Découverte et maitrise des techniques d’association et de classification​

4 - Réduire le volume et/ou les dimensions de données à traiter, extraire des règles de réglage​.

• Réduction de la dimensionnalité, et étude de corrélation entre les paramètres : Analyse de composantes principales, …​
• Extraction des règles qui régissent un jeu de données : Arbres de décision, Random Forest​
• Régression logistique​
• Applications sur une étude de cas – mise en œuvre avec Python​

Découverte et maitrise des techniques de classification et clustering​

5 - Prédire la production non conforme/défaillante ; Identifier les causes de non-conformité ou de défaillance.​

• Identification des groupes de données similaires (ex: gammes de production) : K – MEANS​
• Prédiction de la non-conformité : KNN & SVM​
• Applications sur une étude de cas – mise en œuvre avec Python​

Découverte de la conception de réseaux de neurones​

6 - Prédire les performances de systèmes de production.

• Base de la conception d’un réseau de neurones en classification et régression​
• Amélioration des prédictions (par configuration des hyperparamètres du réseau)​
• Applications sur plusieurs études de cas – mise en œuvre en python et Tensorflow​

Moyens pédagogiques

L’apprentissage est basé sur un temps dédié aux techniques de nettoyage d’une base de données suivi du déploiement concret d’un outil de « Machine Learning ».

Le déploiement des cas concrets avec découverte et manipulation d’outil peut se faire sur la base de données génériques fournie par les formateurs​.

Intervenants

Informations pratiques

Lieu de formation

Campus Arts et Métiers de Metz - 4 rue Augustin Fresnel - 57070 Metz (bâtiment accessible aux PMR).

En cas de formation interne à une entreprise, la formation peut être délocalisée. 

Durée de la formation 

3 jours

Dates

Prochaine session : 

• Mercredi 23 avril 2025
• Lundi 28 avril 2025
• Mardi 6 mai 2025

Handicap

Si vous êtes en situation de handicap, quel qu’il soit, et que vous souhaitez suivre cette formation, nous vous invitons à nous contacter.

Contact

John Fritsch, chargé d’affaires formation continue​.

Témoignage

Pascal Dietsch, ingénieur R&D et responsable de service à ArcelorMittal Research revient sur la formation Data science qu'il a suivie sur le campus de Metz :

Objectifs de la formation

• Assimiler le processus de rétro-conception​
• Exécuter une numérisation 3D sans contact​
• Traiter un nuage de points numérisés​
• Utiliser les outils CAO de reconstruction 3D​
• Réaliser un prototype par fabrication additive​
• Mettre en œuvre une solution logicielle d'inspection dimensionnelle

Applications

• Rétro-conception de pièces ou outillage​s
• Refabrication d'une petite série de pièce​s
• Simulation numérique pour analyse de la concurrence​
• Intégration avec la fabrication additive​
• Formation et réalité augmentée ​

Secteurs : industrie mécanique, santé, art et patrimoine, etc.

Public cible

La formation peut s'adresser aux techniciens ou ingénieurs CAO, de maintenance, de fabrication, qualité, méthode, design, etc.

Programme

La formation est accessible en différentes formules :

• Une formule initiation d'une journée ,
• Une formule mise en oeuvre et exploitation sur deux jours,
• Une formule complète sur trois jours,
• Une formule sur-mesure à définir.

Jour 1 - Initiation - débutant

1. Les différentes techniques de numérisation 3D : choix des équipements de mesure, atouts, limites, etc.
2. Démonstration de différentes technologies de scan sans contact : GOM Atos Core et ScanTech (paramétrage de l’outil : gestion, qualification, maintenance des équipements de mesure, comparaison des performances), système Alicona.​
3. Méthodologie de rétroconception sur un cas concret :​

• Traitement du nuage de points (GOM Inspect) : nettoyage du nuage, choix d’un repère de travail, reconstruction des formes canoniques, prises en compte de l’histoire de la pièce numérisée…)​
• Les outils de reconstruction dans Catia ou 3Dexpérience.​
• Les techniques de fabrication rapide.

Jours 2 et 3 - Mise en oeuvre et exploitation - intermédiaire à avancé

Mise en oeuvre sur un cas industriel : numérisation 3D et rétro-conception ​(1 jour)

1. A partir d’un cas industriel identifié, choix et mise en œuvre d’un scanner 3D sans contact.
2. Traitement du nuage de points​
3. Rétro-conception de la pièce sélectionnée sur Catia V5 ou 3Dexperience (CAO)
4. Préparation de l’impression 3D du prototype

Exploitation des résultats (1 jour)

1. Numérisation 3D du prototype imprimé​
2. Contrôle dimensionnel du prototype sur GOM Inspect et comparaison avec la pièce d’origine.

Moyens pédagogiques

La formation se déroule en présentiel.

Les apports théoriques sont complétés de cas d’usages concrets issus du milieu industriel. 

L’évaluation des connaissances se fait au travers d'un questionnaire et débouche sur la délivrance d’une attestation de formation.​

Intervenants

La formation est assurée par Nicolas Bonnet et Olivier Bomont, professeurs agrégés.

Informations pratiques

Lieu de formation

Campus Arts et Métiers de Metz - 4 rue Augustin Fresnel - 57070 Metz (bâtiment accessible aux PMR).

Durée de la formation

1 à 3 jours en fonction de la formule choisie.

Dates

Prochaines sessions : 

• Mardi 22 avril - initiation
• Mardi 29 avril - intermédiaire
• Mardi 6 mai - avancé

La formation peut aussi être ouverte à la demande en contactant le chargé d'affaires.

L'inscription aux sessions déjà programmées s'effectue via le catalogue en ligne.

Handicap

Si vous êtes en situation de handicap, quel qu’il soit, et que vous souhaitez suivre cette formation, nous vous invitons à nous contacter.

Contact

John Fritsch, chargé d’affaires formation continue​.