Contribution au pronostic industriel : intégration de la confiance à un modèle prédictif neuro-flou

par Mohamed El Koujoc

Thèse de doctorat en Automatique

Sous la direction de Noureddine Zerhouni.

Soutenue en 2010

à Besançon .


  • Résumé

    Le pronostic industriel est aujourd'hui reconnu comme un processus clef pour renforcer la sûreté de fonctionnement des matériels tout en réduisant les coûts de maintenance. Cependant, il est difficile de construire un outil de pronostic efficace, prenant en compte l'incertitude inhérente aux processus de défaillance mal appréhendés. L'objet de cette thèse est de proposer un système de pronostic qui, partant des données capteurs, permette de générer les indicateurs utiles à l'optimisation des stratégies de maintenance. Le travail vise en outre à pallier certains problèmes inhérents au manque de connaissance sur les phénomènes de dégradation (quantité de données, expertise dans la construction d'un modèle). Les développements sont fondés sur l'utilisation du système neuro-flou évolutif exTS comme outil permettant de prédire la dégradation d'un bien. Une procédure de sélection automatique des entrées du système prédictif est proposée. L'approche est basée sur le principe de parcimonie. Elle permet de déterminer la structure du réseau neuro-flou en regard d'exigences de performance de prédiction. Une méthode d'estimation a priori de la distribution des erreurs de prédiction du système neuro-flou, ainsi que de propagation de cette erreur pour tout horizon est ensuite proposée et illustrée. Cette contribution permet d'intégrer la confiance au processus de pronostic. Enfin, les mécanismes d'évaluation de la fiabilité d'un bien sont adaptés au cas prédictif afin de générer les métriques de pronostic permettant d'optimiser les stratégies de maintenance, notamment le temps résiduel avant défaillance (Remaining Useful Life - RUL).

  • Titre traduit

    Contribution toprognosis industry : integration in apredictive model neuro-fuzzy


  • Résumé

    Industrial prognostic is nowadays recognized as a key feature to reinforce the dependability of equipments while reducing maintenance costs. However, it can be dfficult to implement an efficient prognostic tool since the lack of knowledge on the behaviour of an equipment can impede the development of classical dependability analysis. In this context, the general purpose of the work is to propose a prognostic system that starts from monitoring data and goes through useful indicators to optimize maintenance strategies. The work also aims at mitigating some problems that follow from the lack of knowledge on the degradation phenomena (amount of data, expertise in building a model). Developments are based on the use of the neuro-fuzzy system exTS as a tool to predict the state of degradation of an equipment. Its structure is partially determined, on one side, thanks to its evolving capability, and on the other side, thanks to parsimony principle : a procedure to automatically generate an accurate exTS prediction system that reaches a compromise between complexity and generalization capability is proposed. Following that, a method to firstly, a priori estimate the probability density function (pdf) of the error of prediction of the neuro-fuzzy system, and secondly propagate it to any prediction step, is also proposed and illustrated. This contribution enables to provide a confidence measure on predictions and thereby to integrate uncertainty to the prognostic process. Finally, mechanisms of reliability evaluation are adapted to the predictive case in order to generate the prognostic metrics that allows optimizing maintenance strategies, notably the Remaining Useful Life (RUL).

Consulter en bibliothèque

La version de soutenance existe sous forme papier

Informations

  • Détails : 1 vol. (130p.)
  • Annexes : Bibliogr. p.123-130

Où se trouve cette thèse ?

  • Bibliothèque : Bibliothèque universitaire Sciences - Sport (Besançon).
  • PEB soumis à condition
  • Cote : SCI.BESA2010.24
Voir dans le Sudoc, catalogue collectif des bibliothèques de l'enseignement supérieur et de la recherche.