Un « coup de cœur » pour la recherche au CEA-Leti

Natif de Grenoble, Guillaume fait ses études à l'Ecole des Ingénieurs du Numérique (ISEN) de Lille, où il se spécialise en informatique et électronique. Après un contrat professionnel en intelligence artificielle, il choisit de revenir à Grenoble pour poursuivre une thèse au CEA-Leti sur la maintenance prédictive par ultrasons. 

« Le sujet correspondait exactement à ce que je cherchais », explique-t-il. « C'était un véritable coup de cœur et l'opportunité de découvrir l'un des plus grands laboratoires de la région. »​

Lors de la conférence internationale PHM, Guillaume a présenté son papier intitulé « Knowledge-informed symbolic regression for new features discovery for degradation analysis of rolling bearings », qui lui vaut le prix du meilleur papier.  Ses travaux s'appuient sur l'analyse des vibrations de roulements à billes pour en évaluer la dégradation, en explorant une approche novatrice : la régression symbolique appliquée à la maintenance prédictive.​

Régression symbolique : croiser physique et intelligence artificielle

Omniprésents dans l'industrie, les roulements à billes sont à la fois essentiels et fragiles : 10 milliards sont produits chaque année, avec près de 50 millions de défaillances recensées. Usure, problème de lubrification ou encore contamination peuvent en être la cause. C'est dans ce contexte que Guillaume se concentre sur le développement d'une méthode de suivi permettant d'anticiper ces dégradations. Pour cela, il enregistre les vibrations des roulements à intervalles réguliers, qu'il analyse afin de détecter d'anormales évolutions.​

Sa démarche repose sur la régression symbolique, une technique d'intelligence artificielle qui génère automatiquement les équations mathématiques les plus adaptées aux données observées. Guillaume illustre qu'« en se basant sur certaines hypothèses, on peut former un modèle analytique et suivre le comportement d'une dégradation », ce qui permet de découvrir des caractéristiques représentatives du vieillissement d'un roulement.

Il a également démontré que la combinaison de cette méthode aux approches classiques de deep learning permet d'obtenir des résultats plus performants, tout en restant suffisamment légers pour être embarqués dans des systèmes.​
​

La régression symbolique au service de l’industrie​

L'objectif de Guillaume est clair : développer un modèle prédictif suffisamment compact pour être embarqué directement dans des microcontrôleurs. Cela rendrait possible le suivi en temps réel d'une machine, tout en réduisant le besoin en ressources matérielles.

De telles avancées pourraient bénéficier à une vaste gamme d'applications industrielles : moteurs électriques, pompes, éoliennes et plus largement tout système utilisant des roulements à billes et susceptible de vibrer à l'usure. À terme, ces outils permettraient de prolonger la durée de vie des machines, d'éviter les arrêts non planifiés et d'optimiser la maintenance dans des secteurs clés.​

Dans la continuité de ces travaux, Guillaume a également remporté le prix du meilleur poster à IN4PL 2025, conférence internationale sur l'innovation dans les milieux de la production industrielle et la logistique. Son étude, « Feature Fusion with Online Principal Component Analysis for Embedded Unsupervised Machine Monitoring », présente une méthode légère et non supervisée pour surveiller en continu l'état de roulements à travers l'analyse des vibrations.