Maintenance, surveillance et diagnostic avancés de machines à partir de leur consommation énergétique.

par Sophie Kuegler

Projet de thèse en Automatique - productique

Sous la direction de Mazen Alamir et de Christophe Bérenguer.

Thèses en préparation à Grenoble Alpes , dans le cadre de École doctorale électronique, électrotechnique, automatique, traitement du signal (Grenoble) , en partenariat avec Grenoble Images Parole Signal Automatique (laboratoire) depuis le 01-11-2016 .


  • Résumé

    Les machines industrielles produisent des biens, et leur disponibilité impacte directement les coûts de revient et la dynamique industrielle. Des campagnes de maintenance aujourd'hui dites préventive ou curative permettent de les conserver en état de fonctionnement. L'optimisation de ces opérations de maintenance est au cœur des préoccupations économiques des Industriels. Cette optimisation nécessite de connaître en temps réel l'état de santé de ces machines, afin de prévoir les interventions au juste nécessaire. Les nouvelles possibilités de bases de données numériques permettent maintenant de prédire ces interventions nécessaires grâce aux capteurs réels ou virtuels. Les méthodes actuelles issues des technologies d'intelligence artificielle telles que le « Machine Learning » permettent de traiter des bases de données importantes et sont donc adaptées à la problématique de la surveillance massive de machines. Les méthodes qui découlent de l'Automatique avancée et du traitement du signal semblent également adaptées à notre problématique car elles peuvent permettent d'extraire une information spécifique telle l'état de santé d'une machine à partir de capteurs divers et variés. L'objectif de cette thèse est de combiner les différentes techniques actuelles, d'inventer de nouveaux algorithmes capables de bâtir des indicateurs de surveillance de machines, d'identifier des dérives de ces machines, et ce à des fins d'optimisation de leur durée de vie tout en minimisant les opérations de maintenance. Les informations de base permettant d'alimenter les algorithmes seront les consommations électriques de ces machines, ce qui, de part l'apparente simplicité de l'information, constitue le principal challenge de ce travail de recherche.

  • Titre traduit

    Maintenance, surveillance and smart diagnostic of equipments from their energy consumption analytics.


  • Résumé

    Industrial machines manufacture goods, and their availability directly impacts the cost prices and industrial dynamics. Today, preventive or curative maintenance campaigns allow keeping them functioning properly. Optimizing these maintenance operations is at the heart of the concern of industrial plant managers. This optimization would require knowing in real-time the health of the machines, allowing to schedule only the necessary maintenance operations. The new digital database possibilities now allow the prediction of these necessary operations using virtual or real sensors. Existing methods of artificial intelligence technologies such as machine learning allow computing massive databases and are therefore appropriate for the massive surveillance of industrial machines. Additionally, methods derived from advanced automatic control and signal processing also seem appropriate for our problem as they can allow extracting specific information from various sensors, such as the machine health. The objective of this PhD project is to combine the various existing methods, to design new algorithms enabling to build machine surveillance indicators and to identify the deterioration of machines over time. In the end, this would allow the optimization of machines lifespan while minimizing maintenance operations. The source data analyzed by those algorithms will be the electrical energy consumption of the machines, which constitute the main challenge of this research project, because of the seemingly simplicity of the information.