Contribution à la maintenance prévisionnelle des systèmes de production par la formalisation d'un processus de pronostic

par Alexandre Muller

Thèse de doctorat en Automatique, traitement du signal et génie informatique

Sous la direction de Benoît Iung.

Soutenue en 2005

à Nancy 1 , en partenariat avec Université Henri Poincaré Nancy 1. Faculté des sciences et techniques (autre partenaire) et de Polytech Nancy (autre partenaire) .


  • Résumé

    L'émergence du concept de " durabilité " en entreprise oblige dorénavant les industriels à intégrer dans leur stratégie de développement, au-delà de la finalité économique habituelle, de nouvelles préoccupations sociales et environnementales. Cet enjeu majeur se décline, au niveau du système d'exécution de la production, par le concept de maintien en conditions opérationnelles (MCO). Afin d'améliorer l'efficacité du MCO, nous proposons dans cette thèse la formalisation du processus clé d'un système de maintenance prévisionnelle : le pronostic. La démarche de modélisation introduite s'appuie sur le couplage d'une représentation probabiliste de l'état d'un système basée sur le formalisme des Réseaux Bayésiens Dynamiques (RBD), et d'une approche événementielle de la surveillance de la dégradation de ses composants. La mise en œuvre du processus de pronostic sur le système de Déroulage / Pressage de la plate-forme TELMA démontre la faisabilité de la méthodologie proposée.

  • Titre traduit

    Contribution to the proactive maintenance of manufacturing system: formalisation of the prognosis process


  • Résumé

    Today, due to the emergence of “sustainability” constraint within Enterprise, the industrial people have to integrate in the development strategy, not only the conventional economical finality but also the social and environmental requirements. At the Manufacturing Execution System (MES) level, this objective is materialised through the concept of “System Maintaining in Operational Conditions” (SMOC). In order to improve the SMOC efficiency, this thesis outlines the formalisation of the key Predictive Maintenance process which is the prognosis one. The deployment of the prognosis process follows a methodology based both of probabilistic and event approaches. The probabilistic model which supports the prognosis execution, has been developed by means of Dynamic Bayesian Networks (DBN). The feasibility and added value of this new prognosis is experimented on the manufacturing TELMA platform supporting the unwinding of metal bobbin.

Consulter en bibliothèque

La version de soutenance existe sous forme papier

Informations

  • Détails : 1 vol. (179 p.)
  • Notes : Publication autorisée par le jury
  • Annexes : Bibliogr. p. 163-175

Où se trouve cette thèse ?

  • Bibliothèque : Université de Lorraine (Villers-lès-Nancy, Meurthe-et-Moselle). Direction de la Documentation et de l'Edition - BU Sciences et Techniques.
  • Disponible pour le PEB
  • Cote : SC N2005 15
Voir dans le Sudoc, catalogue collectif des bibliothèques de l'enseignement supérieur et de la recherche.